上海
超重和肥胖已成為全球性公共衛生挑戰。盡管膳食干預等體重管理手段日益完善，但是不同個體對同一干預措施的反應存在顯著差異。例如，部分人減重效果顯著，而部分人減重困難。另外，干預后體重反彈也存在較大個體差異。因此，深入探索影響體重管理個體差異的關鍵因素，建立減重效果及體重反彈風險的預測模型，對于實現精準減重具有重要意義。
近期，國際權威期刊
Diabetes Care發表了華中科技大學公共衛生學院劉剛教授團隊題為“Prediction of Weight Loss and Regain Based on Multiomic and Phenotypic Features: Results From a Calorie-Restricted Feeding Trial”的最新研究成果。為了解析“誰易減重？誰易反彈”這一體重精準管理的核心問題，該研究基于全餐干預設計（提供一日三餐）的隨機對照膳食干預試驗（LEAN-TIME），發現個體干預前的腸道菌群、糞便代謝物等特征會顯著影響膳食減重效果及體重反彈風險，并進一步結合機器學習算法和表型、糞便代謝等數據構建了減重效果和體重反彈的高性能預測模型，建立了個體化膳食減重策略。研究申請了中國國家發明專利（CN202411331775.7）。另外，劉剛教授作為主要起草人參與制定《人群營養健康干預研究實施指南》團體標準。
Diabetes Care同期配發了美國醫學科學院院士、哈佛大學營養系主任Frank B. Hu教授題為“Multiomics to Predict Individual Responses to Weight Loss Interventions: A Promising Strategy to Enable Precision Nutrition”的述評，指出該研究的新穎發現為精準營養干預和體重管理提供了新的思路。
截圖來源：Diabetes Care
研究團隊前期開展了一項2×2析因設計的（LEAN-TIME），共納入96名超重或肥胖成人，實施為期12周的等能量膳食干預（提供一日三餐），并在干預后隨訪28周。研究發現，健康型低碳水化合物膳食和限時飲食干預這兩種膳食模式在能量限制25%的基礎上仍有額外的減重效果，并顯著影響腸道微生物的組成。在干預結束28周后，健康型低碳水化合物膳食降低體脂的效果仍然顯著（
Cell Reports Medicine2024，唯一通訊）。
本研究在此基礎上，結合機器學習算法和表型、糞便代謝組等數據，構建了減重效果和體重反彈的高性能預測模型，建立了個體化膳食減重策略。具體發現包括：
膳食干預后的效果存在顯著個體差異：減重期體重變化范圍為-10.2 kg至+1.6 kg；反彈期變化范圍達-2.0 kg至+14.2 kg。
基線腸道菌群、糞便代謝物、膳食因素、臨床代謝特征與個體減重效果及體重反彈密切相關。例如，受試者基線腸道微生物
Parabacteroides merdae
、糞便代謝物dimethylglycine的水平越高，膳食干預的減重效果越好；而基線糞便代謝物hyocholic acid、vanillic acid的水平越高，減重效果越差。另外，受試者基線腸道微生物Ruminococcus bicirculans
的豐度越高，膳食干預后體重反彈越少。
與傳統預測模型相比，基于多組學數據構建的減重和體重反彈預測模型的性能顯著提升。包括：1）更有效區分受試者可否實現具有臨床意義的減重（即體重降低≥初始體重的5%），其預測性能表現優異，AUC從0.58提升到0.95，靈敏度為94.12%，特異度為86.79%。同時，該模型對減重期間體重、體脂量、瘦體重變化的連續值預測同樣具有較高準確性。2）對體重、體脂量、瘦體重的反彈預測能力顯著提升，R2分別達到0.72、0.73和0.66。
▲針對體重、體脂率（BFM）和骨骼肌量（SLM）的減重干預效果的預測模型構建。A、E和H為瀑布圖，柱狀圖中每個柱子代表1名參與者；B、F和I：火山圖，描繪個體基線特征與各指標變化的關聯；D：ROC曲線，評估模型的減重預測性能；C、G和J：累積擬合圖，顯示隨著預測因子的依次添加，各指標的估計變化。（圖片來源：參考資料[1]）
部分腸道菌群、糞便代謝物在減重和體重反彈的預測模型中為穩定的預測因子。例如
Ruminococcus callidus
Bifidobacterium adolescentis
、N-乙酰-L-天冬氨酸。
▲減重和體重反彈的共同預測因子的網絡圖（圖片來源：參考資料[1]）
上述研究表明，腸道菌群、糞便代謝物在預測個體減重效果和體重反彈風險方面具有重要應用潛力。研究成果為肥胖人群的精準減重干預提供了新思路。
華中科技大學公共衛生學院博士研究生李琳為第一作者，劉剛教授為唯一通訊作者。研究得到中國國家重點研發計劃項目、國家自然科學基金等資助。
題圖來源：123RF
參考資料
[1] Lin Li, Ruyi Li, Zixin Qiu, Kai Zhu, Rui Li, Shiyu Zhao, Jiajing Che, Tianyu Guo, Kun Xu, Tingting Geng, Yunfei Liao, An Pan, Gang Liu; Prediction of Weight Loss and Regain Based on Multiomic and Phenotypic Features: Results From a Calorie-Restricted Feeding Trial. Diabetes Care 2 January 2026; 49 (1): 68–77. https://doi.org/10.2337/dc25-0728
[2] Danielle E. Haslam, Frank B. Hu; Multiomics to Predict Individual Responses to Weight Loss Interventions: A Promising Strategy to Enable Precision Nutrition. Diabetes Care 2 January 2026; 49 (1): 63–65. https://doi.org/10.2337/dci25-0075
免責聲明：本文僅作信息交流之目的，文中觀點不代表藥明康德立場，亦不代表藥明康德支持或反對文中觀點。本文也不是治療方案推薦。如需獲得治療方案指導，請前往正規醫院就診。
版權說明：歡迎個人轉發至朋友圈，謝絕媒體或機構未經授權以任何形式轉載至其他平臺。轉載授權請在「醫學新視點」微信公眾號留言聯系。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
