本文首发于宏基因组公众号，已获得转载授权
16S rRNA基因测序（也称16S rDNA测序）是最常用的菌群多样性分析的手段。对于新手，如果收到一份不讲“人话”的16S测序分析报告，很快就会被各种生态学术语、各种指数、各种分析方法弄晕。
怎么办？用你的研究逻辑来梳理16S测序数据（图1）。简单地说，做16S测序是为了鉴定样本中的微生物（细菌）群组成，找微生物群与疾病或表型的相关性。1）首先想了解在不同组样本中各有哪些微生物存在和丰富度（对应于菌群鉴定和α多样性分析）；2）接着想看不同样本组间微生物群组成是否存在差异（对应于β多样性分析）；3）如果是，那么就有必要找出引起不同组样本微生物群差异的关键菌。如果不是，那说明微生物群比如肠道菌群与疾病或表型可能并不相关（基于已有的研究，这种可能性比较小）；4）找到了关键菌，在临床上，很自然会想到，这些（个）关键菌是否可以作为Biomarker（对应于疾病诊断模型构建），比如用于区分糖尿病前期患者与健康组的标志物；5）以及这些（个）菌是否与临床指标具有相关性（对应于菌群与临床指标的相关性分析）；也会进一步想到，既然不同组的微生物群落存在差异，又与疾病具有相关性，6）那么这些菌群是如何影响宿主的，可能参与了哪些代谢途径（对应于菌群基因功能预测）；7）这些预测到的菌群功能是否与疾病有关，通常是肯定的。最后把这些结果整合起来分析，可以初步得出菌群组成的变化是如何与疾病或表型相关的。顺着上述7个生物学问题来看16S测序结果，你会轻松拨开迷雾，直达核心结果。编者对2019发表的数十篇以16S测序为主的肠道菌群与疾病关系研究文章（IF 5至10分）的内容进行了分析和归纳，发现大部分文章的Results部分都是由图1所列的核心结果组成。以联川生物医学16S测序报告为例，具体讲解16S测序文章中的核心结果及其对应的图表。采用最新的QIIME 2分析流程，并使用更严谨的DADA2算法对扩增子数据进行去噪，相当于以100%的相似性聚类（取代传统的OTU聚类），仅对低质量序列进行去除和校正等，获取扩增子序列变异，然后去冗余，即得到feature（特征）数据。将feature数据和16S数据库（如SILVA、NT-16S）进行序列比对，可以对样本中检测到的细菌从界（Kingdom）、门（Phylum）、纲（Class）、目（Order）、科（Family）、属（Genus）、种（Species）多个分类学层级进行物种鉴定和注释。然后根据各个分类层级上的物种相对丰度以物种分布堆叠图（图2A-C，以门水平为例）来直观展示。在联川医学16S测序报告中，会提供上述三种主流的物种分布堆叠图，你可以选择其一使用。在图2A、B中，不同颜色的柱子对应不同的物种，柱子的长短代表该物种所占比例的大小。图2B中左侧采用Bray-Curtis距离法分析样本间菌群组成的相似性并进行聚类。图2C中展示了不同细菌物种在不同样本中的相对丰度情况，颜色越红，丰度越高，颜色越蓝，丰度越低。α多样性是度量单个样本内有多少种微生物物种，以及每个物种所占比例的指标。在报告中，采用5种常用指数来度量α多样性：Observed species和Chao1反映样本中物种丰富度，但不考虑每个物种的占比情况（均匀度）；Shannon和Simpson反映物种的丰富度和均匀度；Good’s Coverage反映样本的测序深度。使用Wilcoxon秩和检验对上述各个指数的样本数据进行分析，筛选出各样本组比较中显著差异的α多样性指数并绘制小提琴图（图3）。小提琴图集合了箱形图和密度图的特征。上图以Good’s Coverage为例，左上角给出了差异分析使用的检验方法和计算得到的p值。当p<0.01，表示差异极显著；当p<0.05，表示差异显著；当p>0.05，则表示无显著性差异。β多样性是度量不同样本间菌群组成的相似度大小的指标，即关注各样本间的菌群组成差异。α多样性关注样本自身的菌群丰富度和均匀度，而β多样性关注样本间的菌群组成与分布的差异。只有当样本（组）间菌群组成存在差异，才有可能进一步探讨菌群失调与疾病的关系。在报告中，采用主流的PCA、PCoA、NMDS、ANOSIM、Adonis、UPGMA等多种分析方法来考察和区分样本间的菌群组成差异（图4，以PCoA为例）。上图中每一个点代表一个样本，相同颜色的点来自同一个分组，两点之间距离越近表明两者的群落构成差异越小。左图是基于Unweighted UniFrac的PCoA分析结果，右图是基于Weighted UniFrac的PCoA分析结果。在这个例子中，采用Weighted UniFrac的PCoA分析更能把不同组的样本区分开来，且p值<0.01，具有显著统计学差异。需要说明的是，PCoA分析本身是没有p值计算的，p值来自于ANOSIM分析的结果。在绘图时，把p值加入了PCoA图中。由于每个项目的实验设计和样本菌群组成差异巨大，无法预先知道哪种β多样性分析方法是将样本间菌群差异区分开的最优方法。因此，在报告中提供了多种β多样性分析方法和产生的图片，在撰写文章时，你只需要从中选出最能解释生物学问题的图片用在文章中即可（通常展示一个或者两个β多样性分析结果）。通过β多样性分析，可以确定不同组间的微生物群落是存在差异的，接着需要进一步找出哪些菌（群）引起了组间的群落差异。只有找出核心菌（群），才能明确下一步的研究方向。在报告中，使用目前在文献中高频出现的方法——LEfSe（Linear discriminant analysis Effect Size），来做菌群差异分析，寻找生物标志物（Biomarker）。该方法综合了统计学上的差异分析和该差异物种对分组结果的影响力得分值，同时强调了统计学意义和生物相关性。LEfSe分析结果图，通常包括进化分支图（图5A）和LDA值分布柱状图（图5B）。需要说明的是，联川不仅提供LEfSe筛选差异菌群，还提供其他多种方法，如随机森林分析（图9）、秩和检验等。上图主要展示了LDA score大于预设值的显著差异物种（less_strict设为2；more_strict 设为4），即具有统计学差异的Biomarker；柱状图的颜色代表各自的组别，长短代表的是LDA score，即不同组间显著差异物种的影响程度。上图中，小圆圈: 图中由内至外辐射的圆圈代表了由界（单个圆圈）至属（或种）的分类级别。不同分类级别上的每一个小圆圈代表该水平下的一个分类，小圆圈直径大小与相对丰度大小呈正比。颜色：无显著差异的物种统一上黄色，差异显著的物种Biomarker跟随组别进行上色，红色节点表示在红色组别中起到重要作用的微生物类群，绿色节点表示在绿色组别中起到重要作用的微生物类群。未能在图中显示的Biomarker对应的物种名会展示在右侧，字母编号与图中对应。受试者工作特征（ROC）曲线分析是一种常用的统计学分析方法，在医学研究中主要用于评价诊断试验的效能。在报告中，通过绘制ROC曲线，并计算ROC曲线下面积（AUC），来确定哪种菌（群）具有最佳的诊断价值（图6）。上图以灵敏度为纵坐标，特异度为横坐标绘制曲线。ROC曲线越靠近左上角，试验的准确性就越高。若AUC值为1.0，反映出对两个群组的完美区分，且不存在预测误差。若AUC值在1.0和0.5之间，在AUC>0.5的情况下，AUC越接近于1，说明诊断效果越好。AUC在0.5~0.7时有较低准确性，AUC在0.7~0.9时有一定准确性，AUC在0.9以上时有较高准确性。AUC=0.5时，说明诊断方法完全不起作用，无诊断价值。AUC<0.5不符合真实情况，在实际中极少出现。因为菌群功能预测软件PICRUSt（Phylogenetic Investigation of Communities by Reconstruction of Unobserved States）的出现，研究者能进一步基于16S测序数据预测菌群可能参与的代谢通路（尽管并没有测定菌群基因信息），以便能初步讨论菌群组成变化与疾病或表型是如何关联在一起的。在联川报告中，使用最新的PICRUSt 2，相比上一版，用于预测的参考基因组数据库已扩展超过10倍，可以获得包括COG，EC，KO，PFAM，TIGRFAM等数据库对菌群的基因功能注释结果。然后，再使用STAMP软件进行差异分析，得到在不同样本组中显著差异的菌群基因功能（图7，以pathway结果为例）。如果要系统研究菌群携带的基因及其功能，则应该做宏基因组测序。上图中比较了不同组菌群的KEGG pathway，并筛选出具有显著性组间差异的 pathway。左边柱状图代表某代谢通路的丰度分别占两组样本中所有代谢通路的百分比，右边为corrected p值。至此，一篇医学微生物组16S测序文章的主要结果和图表就基本齐备了。当然，完整的医学16S测序报告还包括更多内容（图8），而且16S测序数据还有许多扩展性以及个性化的分析图表（图9），联川会根据研究者的具体需求来提供。- 甲状腺癌患者的肠道菌群和代谢谱的变化（IF4.982）
发表期刊：International Journal of Cancer
样本数量：16S测序：30例甲状腺癌（TC）vs 35例健康对照（HCs）;代谢组：15例TC vs 15例HCs实验方法：16S rRNA基因测序+非靶向代谢组检测所有受试者均为汉族，出生于中国东北地区，饮食结构相似采用目前主流的肠道菌群与疾病关系的研究策略，联合肠道菌群16S测序和粪便代谢组（极具性价比的检测组合），并结合临床指标来一起讨论，给出甲状腺癌患者的肠道菌群特征和代谢谱，潜在的疾病标志物，以及肠道菌群影响肿瘤发生发展的潜在途径。本研究对TC患者的肠道菌群及其代谢产物进行了全面的研究。鉴定出21个细菌属和72个代谢产物发生显著变化，并找到8种代谢产物结合5个细菌属对TC与HCs的鉴别更为有效（AUC=0.97）。Feng J, et al. Alterations in the gut microbiota and metabolite profiles of thyroid carcinoma patients. International Journal of Cancer 2019, 144: 2728-2745.2. ASD患儿与母亲肠道菌群的相关性及风险评估的标志物（IF6.597）发表期刊：Genomics Proteomics Bioinformatics
研究内容：ASD儿童与母亲肠道菌群的关系与标志物鉴定样本数量：59对：母亲-ASD儿童；30对：母亲–健康儿童；ASD儿童：ASD-C，ASD儿童母亲：ASD-M，健康儿童：H-C，健康儿童母亲：H-M本文研究肠道菌群的实验手段只有16S测序，很简单很直接。采用典型的肠道菌群多样性研究思路，从肠道菌群多样性分析 → 差异菌群鉴定 → 细菌标志物预测能力评估 → 菌群基因功能预测，揭示出ASD儿童与母亲肠道菌群的关系并鉴定出潜在的标志物。尽管对近180份样本进行了16S rRNA基因测序，作者仍指出未来应进行纵向研究和大样本队列验证，以监测ASD儿童及其母亲肠道微生物组的变化。而我们经常遇到一些新手，认为检测10~20个样本就足够分析出结果。本研究发现ASD儿童与健康儿童肠道细菌的构成存在显著差异。尽管ASD儿童的肠道微生物组与其母亲的肠道微生物组密切相关，但ASD儿童仍有独特的细菌标志物。母体肠道菌群变化可能在增加儿童ASD发病风险中起关键作用。鉴定出的母亲-儿童肠道微生物组图谱的相似性和差异性对于ASD风险的早期评估以及通过菌群调节来规划ASD的个性化治疗和预防策略具有重要意义。Li N, et al. Correlation of Gut Microbiome Between ASD Children and Mothers and Potential Biomarkers for Risk Assessment. Genomics Proteomics Bioinformatics. 2019. 17: 26–38.3.血管紧张素介导的代谢组变化依赖于肠道菌群（IF 7.017）1. 选择正常小鼠和无菌（GF）小鼠各6只利用微型泵注入AngⅡ4周（400 ng·kg-1·min-1 ），平行对照组也是选择正常小鼠和GF小鼠各6只利用植入的微型泵来注射等量的生理盐水。将所有的小鼠分开饲养以避免笼群效应。光照：黑暗=14 : 10，期间饮食控制饮水自由。3. 对粪便样本进行16S rRNA基因测序，对粪便及血浆进行代谢组检测。1. 在血浆中检测到总共822 种代谢产物，在粪便中检测到 944 种代谢产物。血浆和粪便代谢组学数据的主成分分析表明，正常组和GF组通常彼此分开，并且GF状态（特别是对于粪便）与治疗状态相比，影响更大。由于在血浆样品的主成分分析中发现性别差异，因此按性别和治疗方法分析血浆数据。2. 在血浆中，发现在正常小鼠中，AngⅡ处理可显著上调4种代谢物，显著下调8种代谢物。在GF小鼠中，这些代谢产物均未改变。3. 在粪便中，发现在正常小鼠中，AngⅡ处理可显著上调25种代谢产物，显著下调71种代谢产物。在GF小鼠中，这些代谢产物均未改变。4. 粪便16S测序显示接受AngⅡ灌输的正常小鼠的微生物组发生了重大变化，包括性别特异性变化。这些数据表明，受AngⅡ差异调节的代谢产物依赖于肠道微生物组。Cheema MU, et al. Gut Microbiota Plays a Central Role to Modulate the Plasma and Fecal Metabolomes in Response to Angiotensin II. Hypertension. 2019 Jul;74(1):184-193.4. 综合微生物组与代谢组技术揭示结直肠癌中的肠道菌群与代谢组间新的相互作用（IF8.063）研究内容：鉴定健康志愿者和结直肠癌（CRC）患者的特征性微生物群以及具有疾病表型的相关代谢物样本数量：50 CRC vs 50 Healthy(H) volunteers实验方法：16S rRNA基因测序+非靶向代谢组检测综合使用主流的16S测序与非靶向代谢组研究策略，从两个相互关联的组学维度研究CRC中的肠道菌群与代谢组，并鉴定出新的潜在标志物。粪便代谢组学分析发现，两组中164个代谢物分布在40个代谢途径中。此外，H组和CRC组分别有42和17个特异代谢物。微生物多样性测序显示，CRC组物种多样性低于H组。在H组和CRC组的微生物菌群中鉴定出76个差异OTUs。综合分析将CRC相关的微生物与代谢产物关联起来，比如多胺（尸胺和腐胺）可作为诊断标志物。Yang Y, et al. Integrated microbiome and metabolome analysis reveals a novel interplay between commensal bacteria and metabolites in colorectal cancer. Theranostics 2019, 9(14): 4101-4114.5.不同严重程度的冠心病可用肠道菌群和代谢组来鉴别（IF10.465）冠状动脉疾病 (Coronary artery disease，CAD)或称为冠心病，是指冠状动脉狭窄、供血不足而引起的心肌功能障碍和（或）器质性病变。CAD根据临床症状、动脉堵塞范围及心肌损伤程度，分为稳定型冠心病(SCAD)、不稳定型心绞痛(UA)和心肌梗死(MI)。近来多项研究提示CAD患者的肠道菌群结构和组成表现出明显的改变，而肠道菌群的代谢物如氧化三甲胺（TMAO）、短链脂肪酸（SCFA）和次级胆汁酸，也会影响心血管病的进展。然而不同类别的CAD患者中的肠道菌群特征仍有待明确。本研究对不同冠心病严重程度人群的肠道菌群和血清代谢组学进行了深度的关联分析。研究内容：肠道微生物组和代谢变化与冠心病严重程度之间的关系实验方法：16S rRNA基因测序和非靶向代谢组（LC-MS/MS）1）发现集：161例名冠状动脉疾病患者和40例健康对照。2）验证集：25例名冠状动脉疾病患者和12例健康对照。CAD：coronary artery disease冠状动脉疾病
SCAD：stable coronary artery disease稳定性冠状动脉疾病
UA：unstable angina不稳定型心绞痛
MI：myocardial infarction心肌梗死
ACS：acute coronary syndrome急性冠状动脉综合征连续招募40例健康志愿者和161例住院做冠状动脉造影的CAD患者。CAD组：至少一条主要冠状动脉显示50%狭窄的患者。冠状动脉粥样硬化负荷由两名专业心脏科医生采用Gensini评分进行评价。CAD患者进一步分为三个亚组：1) SCAD，2) UA 和 3) MI。对照组：冠状动脉CT或冠状动脉造影检查显示阴性结果，或被确定为无CAD相关临床体征和症状的受试者。患有胃肠道疾病、恶性肿瘤、自身免疫性疾病、感染性疾病、肾功能不全（严重肾脏疾病肌酐 > 3.0 mg/dL）、前一年有胃肠道手术史或前三个月使用抗生素超过3天的受试者。对于受试者，在入院后第二天早晨抽取外周静脉血。从每例受试者新鲜采集的粪便样本迅速送至实验室，并立即置入-80℃冷冻。通过发现集和验证集检测，整合多个CAD表型与血清代谢组、肠道微生物组的相关性数据来筛选CAD各亚组的诊断标志物。已有一些研究报道，基于分类学进行菌群功能研究是存在不足的，因为同一个属或种的细菌，其功能可能是不同的，细菌的功能是菌株特异性的。本研究是以共丰度群（CAG）为单元进行菌群的功能讨论，及核心菌的鉴定。既往的与CAD相关的肠道菌群研究仅限于病例对照研究，本研究探讨了CAD亚组（不同的严重程度）中肠道菌群和血清代谢物的变化，并阐释了肠道菌群变化与CAD严重程度相关可能是通过血清代谢物来介导的。发现肠道菌群和代谢物的组成均随着冠心病的严重程度而发生显著变化。鉴定出29个代谢物模块，分别与CAD表型呈正相关或负相关，在CAD不同阶段发生特征性变化的细菌CAG以Roseburia、Klebsiella、Clostridium IV和Ruminococcaceae为代表。某些细菌可能通过调节宿主的代谢途径如牛磺酸、神经磷脂和神经酰胺以及苯的代谢来影响动脉粥样硬化。此外，构建了一个基于微生物和代谢物水平差异的疾病分类器来区分病例和对照组，甚至能够准确区分稳定的冠状动脉疾病和急性冠状动脉综合征。Liu H, et al. Alterations in the gut microbiome and metabolism with coronary artery disease severity. Microbiome. 2019, 7(1):68.6.中国非小细胞肺癌患者肠道菌群的多样性与抗PD -1免疫治疗的良好效果相关（IF12.46）发表期刊：Journal of Thoracic Oncology
研究内容：中国NSCLC患者对免疫检查点抑制剂治疗的响应与肠道菌群之间的关系样本数量：37名接受纳武单抗（Nivolumab）治疗的晚期NSCLC患者样本类型：粪便样本（在基线，每次接受治疗前和疾病进展时采集），外周血样本（在基线采集）。实验方法：16S rRNA基因测序+FACS检测外周血免疫细胞起始有42位晚期（IIIB/IV）NSCLC患者接受Nivolumab治疗，最后37位患者完成测试。23名被评估为部分响应（n=5）或疾病稳定（n=18）的患者被归类为R（响应组），而其他（n=14）在第一次临床评估后疾病有进展被归类为NR（无响应组）。
1）基线肠道菌群多样性是否会影响Nivolumab的治疗效果？2）Nivolumab治疗是否对患者的肠道菌群产生影响？3）Nivolumab多个周期治疗是否会改变患者的肠道菌群组成？2）首创性，国内鲜有报道肠道菌群与肿瘤免疫治疗疗效关系的研究，本研究首次报道了肠道菌群在晚期NSCLC免疫治疗中的作用；3）大量可招募的受试人群，严谨的设计和规范化实验，以及详实的临床数据和随访。Jin Y, et al. The diversity of gut microbiome is associated with favorable responses to anti-PD-1 immunotherapy in Chinese non-small cell lung cancer patients. J Thorac Oncol. 2019, 14(8):1378-1389.7. 肠道菌群–胆汁酸–白介素22轴协同调节多囊卵巢综合征（IF30.641）研究内容：肠道菌群与多囊卵巢综合征（PCOS）的关系样本数量：队列1：PCOS组（50）vs 健康对照（43）；队列2：PCOS组（49）vs 健康对照（47）人；样本类型：人（包括粪便、血清、卵泡液、颗粒细胞），多种小鼠模型（包括血清、肠组织、卵巢、脂肪、粪便）；采用深度研究肠道菌群与疾病互作关系的模式，从疾病到动物模型再回到疾病，从相关性到因果性的验证。宏基因组学与代谢组学相结合，找出肠道菌群影响PCOS的途径。面对众多的差异菌群和差异代谢物时，联川的大队列项目经验和多组学联合分析能力可以帮助你化繁为简（降维分析）地找出故事主轴。1. PCOS患者肠道中的普通拟杆菌（B. vulgatus）丰度增加，粪便和血清的甘氨酸脱胆氧酸（GDCA）以及牛磺熊去氧胆酸（TUDCA）的水平降低，血清和卵泡液的白介素-22（IL-22）水平下降。2. 给健康小鼠移植B. vulgatus或PCOS患者粪便，会导致原本健康的小鼠出现PCOS样表型。3. 胆汁酸调节IL-22的产生，GDCA和TUDCA通过促进GATA3表达诱导肠3型天然淋巴细胞（ILC3s）分泌IL-22 。4. 向PCOS小鼠施用IL-22或GDCA可以减轻胰岛素抵抗，并能在一定程度上逆转PCOS，可能的机制是促进白色脂肪褐化以及抑制卵泡颗粒细胞发炎。Qi X, et al. Gut microbiota-bile acid-interleukin-22 axis orchestrates polycystic ovary syndrome. Nat Med. 2019, 25(8): 1225-1233.8.肠道菌群调节大脑神经元功能和恐惧消退学习（IF43.07）实验方法：16S rRNA基因测序（小鼠粪便）+代谢组检测（小鼠脑脊液、血清和粪便）+单细胞测序（小鼠前额叶皮质（mPFC））+RNA-seq（小鼠mPFC）单细胞水平——哪些细胞的异常可能导致了恐惧消退学习缺陷代谢组水平——肠道菌群可能通过哪些代谢物影响恐惧消退学习本研究从五个维度并借助多组学实验阐释了肠道菌群调节神经元功能和恐惧消退学习的可能机制（见下图）。将看似独立的两个研究对象——肠道菌群和单细胞，合理地结合在一起，发现肠道菌群可能是通过小胶质细胞的不成熟来破坏树突棘重塑进而导致消退学习的缺陷。再配合组织学成像等实验证据深度论证了肠道菌群对神经元的调节功能。Chu C, et al. The microbiota regulate neuronal function and fear extinction learning. Nature. 2019, 574(7779): 543-548.Kiraly DD. Gut microbes help mice forget their fear. Nature. 2019, 574(7779): 488-489.9.葛根芩连汤通过对肠道菌群和肿瘤微环境的重塑，增强PD-1抑制结直肠癌的效果(IF5.959)发表期刊：Cell Death & Disease
研究内容：葛根芩连汤（GQD）和抗PD-1联合治疗抑制结直肠癌（CRC）生长的机制BALB/c雄性小鼠在特定的无致病性条件下适应性喂养1周，然后口服300 mg/kg(低剂量组)，1500 mg/kg(中剂量组)，7500 mg/kg GQD(高剂量组)每日1次，共10天。CT26细胞在每只小鼠左侧腋窝区皮下移植1周，造瘤。当肿瘤达到50 mm3的大小,给小白鼠腹腔注射anti-mouse PD-1 ，对照组小鼠给予等量PBS。所有小鼠每三天间隔注射5次PD-1或PBS，在整个动物实验过程中，GQD不间断使用。首先抓住多个研究热点：肿瘤免疫治疗、免疫微环境、肠道菌群，再结合特色中药GQD，其次从药理学、化合物潜在作用靶点、动物实验、肿瘤微环境等多个角度证明GQD+抗PD-1联合治疗CRC具有显著效果及可能的作用途径。GQD联合PD-1抗体能有效抑制结直肠癌的生长。肠道菌群分析显示，GQD和PD-1联合治疗组可显著丰富肠道菌群，根据代谢组学分析，在联合治疗组中也发现了变化明显的代谢物，及显著富集的甘油磷脂代谢和鞘磷脂代谢通路。此外，GQD和PD-1抗体联合治疗会显著增加外周血和肿瘤组织中CD8+T细胞的比例，GQD与PD-1抗体直接处理可提高其表达IFN-γ，这是抗肿瘤免疫治疗的一个关键因素。此外，GQD与PD-1抗体联合治疗可降低PD-1水平，增加IL-2水平，表明联合治疗可通过抑制免疫检查点，有效恢复T细胞功能。Lv J, et al. Gegen Qinlian decoction enhances the effect of PD-1 blockade in colorectal cancer with microsatellite stability by remodelling the gut microbiota and the tumour microenvironment. Cell Death Dis. 2019. 10(6):415.10.古氏副拟杆菌在虫草菌丝体多糖抗肥胖中发挥主要作用（IF17.943）研究内容：冬虫夏草菌丝体的多糖产物是如何通过肠道菌群发挥抗肥胖作用实验5：口服古氏副拟杆菌（Parabacteroides goldsteinii[A7] ）对HFD小鼠具有抗肥胖作用从HSM的多糖成分具有抗肥胖功效入手，用粪菌移植证实肠道菌群介导抗肥胖作用，并用抗生素处理加以验证，再通过肠道菌群多样性分析，挖掘出抗肥胖的核心菌，进而实验证实肠道菌群与抗肥胖的因果关系。HSM多糖产物改善肥胖的主要机制是通过改变肠道菌群环境，其主要变化包括增加了革兰氏杆菌和其他新霉素敏感菌的水平，这种变化反过来又会提升高脂饮食小鼠的肠道完整性和胰岛素敏感性，并最终减少代谢性内毒素血症、炎症、脂肪沉积、脂肪组织病理及脂肪肝的发展，同时可以刺激机体发热，增加脂肪消耗（见下图）。Wu TR, et al. Gut commensal Parabacteroides goldsteinii [A8] plays a predominant role in the anti-obesity effects of polysaccharides isolated from Hirsutella sinensis[P9] . Gut. 2019; 68(2): 248-262.120+篇值得学习的微生物组干货文章集
扩增子测序，测得更长好还是测得数据更多好？
微生物组学在肿瘤研究中的新思路
中药研究离不开肠道菌群
医学16S测序报告：为忙碌的医生而准备