生命早期肠道微生物组成熟与宿主遗传学相互作用预测1型糖尿病风险

Gut microbiome maturation in early childhood interacts with host genetics to predict type 1 diabetes risk

作者信息Danyue Dong, Aaron M Walsh, Tommi Vatanen, George Weingart, Mondher Khdhiri, Meir J Stampfer, Kendra Vehik, Eric A Franzosa, Curtis Huttenhower, Dong D Wang, TEDDY Study Group
PMID42768105
期刊Nat Metab
发布时间2026-10
DOI10.1038/s42255-026-01614-9

实验完整度

中

前瞻性队列嵌套病例对照,纵向宏基因组与遗传数据关联分析,无体外或动物功能验证

主要模型

TEDDY前瞻性出生队列儿童(887名,高T1D遗传风险) 纵向粪便宏基因组样本(12,151份) Illumina ImmunoChip SNP基因分型数据 DIABIMMUNE三国队列(验证性分析)

重点核对

TEDDY队列纳入标准:HLA基因型高风险,随访至6年,嵌套病例对照风险集采样 宏基因组测序与处理:Illumina HiSeq 2000,2×100 bp,bioBakery 2.0(MetaPhlAn 2/HUMAnN 2) 微生物成熟模式识别:traj包轨迹聚类,Bray-Curtis距离,前800天,k=3 T1D风险估计:条件logistic回归,调整风险集、家族史、临床中心、性别、分娩方式、抗生素、益生菌、固体食物引入、母乳停止及前5个遗传PC 宿主遗传变异与微生物发育关联:线性混合模型,个体随机效应,年龄随机斜率

摘要

将生命早期微生物组发育与宿主遗传学联系到1型糖尿病(T1D)风险的前瞻性证据有限。在此,我们描述了在TEDDY研究中肠道微生物组成熟和宿主遗传学如何影响T1D风险。我们分析了来自887名具有T1D高遗传风险儿童的12,151份纵向宏基因组和宿主遗传数据,随访长达6年。我们识别出三种微生物组成熟模式:Early Matured、Late Matured和Early Plateaued,主要由Bifidobacterium和Ruminococcus属物种的非线性变化驱动。Early Matured模式富含半乳糖代谢,并在早期随访中表现出更高的芳香族氨基酸和B族维生素产生,而Early Plateaued模式增加了微生物支链氨基酸的产生。值得注意的是,Early Plateaued模式与三倍升高的T1D风险相关,而其他模式与T1D风险无关。此外,我们发现与抗菌和抗病毒免疫反应相关的宿主遗传变异修饰了Late Matured模式与T1D风险之间的关联。这些发现突出了早期微生物暴露和宿主遗传学在T1D易感性中的作用。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
生命早期肠道微生物组成熟轨迹与宿主遗传背景如何共同影响1型糖尿病(T1D)风险。
核心机制
肠道微生物组成熟模式(Early Matured、Late Matured、Early Plateaued)与T1D风险差异相关,其中Early Plateaued模式与三倍升高风险相关;宿主遗传变异(尤其PC3相关的抗菌/抗病毒免疫反应通路)修饰Late Matured模式与T1D风险的关联。
主要证据
基于TEDDY队列887名儿童12,151份纵向宏基因组和ImmunoChip遗传数据,轨迹聚类识别三种成熟模式;条件logistic回归显示Early Plateaued模式RR=3.21(95%CI 2.16–4.76);遗传PC3与成熟模式交互作用P=0.02;DIABIMMUNE队列重现相似轨迹。
研究意义
提供了生命早期微生物组成熟与宿主遗传相互作用预测T1D风险的前瞻性人群证据,提示微生物生物标志物可能用于未来诊断和疾病风险预测,并为机制研究奠定基础。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

TEDDY队列构建与纵向宏基因组/遗传数据整合

建立前瞻性队列以研究肠道微生物组、宿主遗传与T1D发生的关联。

从TEDDY队列6个临床中心纳入887名高遗传风险儿童,收集纵向粪便样本进行鸟枪法宏基因组测序(12,151份),并用Illumina ImmunoChip进行SNP基因分型;纵向采集血清胰岛自身抗体和T1D诊断信息。

2

宿主遗传与微生物组整体结构关联分析

评估宿主遗传背景对早期肠道微生物组整体组成的贡献。

使用PCA表征遗传群体结构,PCoA基于Bray-Curtis距离总结微生物组结构;采用PERMANOVA、Mantel和Procrustes分析评估遗传与微生物距离矩阵的关联,并纳入年龄、母乳喂养、固体食物引入、分娩方式等表型变量。

3

微生物组成熟轨迹聚类识别

识别生命早期肠道微生物组成熟的不同模式。

使用traj包轨迹聚类算法,基于Bray-Curtis距离量化基线至后续访视(前800天)的微生物组成变化,对具有≥4份宏基因组样本的594名儿童进行聚类;在DIABIMMUNE三国队列中独立应用相同框架验证。

4

微生物成熟模式与T1D风险关联分析

检验不同微生物成熟模式与后续T1D风险的关联。

使用条件logistic回归模型,以成熟模式为暴露,复合终点(IA血清转换或T1D诊断)为结局,调整风险集、家族史、临床中心、性别、分娩方式、抗生素、益生菌、固体食物引入、母乳停止和前5个遗传PC;估计相对风险并绘制调整累积发病率曲线。

5

微生物物种和功能差异分析

表征不同成熟模式间的微生物物种组成和功能通路差异。

使用MaAsLin 2线性混合模型,以个体ID为随机效应,临床中心、性别、分娩方式、抗生素、固体食物引入和母乳喂养状态为固定效应,在7个约100天区间内识别差异丰度物种、酶和生化通路。

6

宿主遗传变异与T1D风险关联的交互作用分析

检验宿主遗传背景是否修饰微生物成熟模式与T1D风险的关联。

在条件logistic回归模型中纳入成熟模式与遗传PC的交互项,评估交互作用P值;对PC3进行SNP载荷功能注释和GO富集分析,比较PC2与PC3的生物学差异。

7

宿主遗传背景对特定微生物发育轨迹的影响分析

评估遗传因素对特定微生物物种初始组成和发育轨迹的影响。

使用线性混合效应模型(随机斜率),以微生物特征为因变量,遗传PC或SNP、年龄及遗传×年龄交互项为固定效应,按婴儿(≤18个月)和幼儿(>18个月)分组分析。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Illumina ImmunoChip SNP芯片Illumina--
Illumina HiSeq 2000测序仪Illumina--
Casava v.1.8.2Illumina--
cutadapt v.1.9dev2----
Trim Galore v.0.2.8Babraham Bioinformatics--
PRINSEQ v.0.20.5----
Bowtie2 v.2.2.3----

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
TEDDY队列与样本采集
纳入标准:HLA高风险基因型(一般人群4种单倍型,有家族史者9种);粪便采样频率约每月至48月龄,之后每季度;随访至6年
阅读提示:Methods 'Study population and design'及'Blood and faecal sample collection and preprocessing';Fig. 1a
宏基因组测序与生物信息处理
测序平台Illumina HiSeq 2000,2×100 bp;最低DNA输入20 ng;质控标准>60% reads通过Illumina质量过滤;分析流程bioBakery 2.0(MetaPhlAn 2 v.2.6.0,HUMAnN 2 v.0.9.4)
阅读提示:Methods 'Shotgun metagenomic sequencing and initial bioinformatics'及'Microbial taxonomical and functional profiling'
微生物成熟轨迹聚类
分析子集:≥4份宏基因组样本的594名儿童;时间窗口前800天;基线定义;聚类数k=3;traj包v.2.0.1
阅读提示:Methods 'Microbiome maturational pattern identification';Fig. 2a;Supplementary Fig. 3
T1D风险估计
条件logistic回归模型;风险集匹配变量(临床中心、性别、家族史);调整协变量列表;复合终点定义(至少连续两次IA阳性或临床T1D诊断)
阅读提示:Methods 'Estimation of relative risk of type 1 diabetes';Fig. 2b;Supplementary Table 6
遗传-微生物交互作用分析
交互项:成熟模式×遗传PC(前5个PC);PC3高低分组基于人群中位数;GO富集分析参数(fgsea,1,000次置换,q<0.10)
阅读提示:Methods 'Association between host genetic variation and microbiome composition'及'Gene set enrichment analysis';Fig. 4