摘要
全球心血管代谢性疾病发病率不断上升，不良饮食和人类肠道微生物组都被认为与此相关¹。然而，目前缺乏在多样化人群中探索这些联系的大规模综合研究²。本研究分析了超过34,000名美国和英国参与者的宏基因组、饮食、人体测量和宿主健康数据，确定了与不同饮食和风险因素显著相关的已知和尚未培养的肠道微生物组物种。我们开发了一个排名系统，称为"ZOE微生物组健康排名2025"，列出了与人类健康指标最有利和最不利相关的物种。该系统在7,800多个公共样本中显示了微生物物种排名与身体质量指数和宿主疾病状况之间的强烈且可重复的关联。在另外746名参与两项饮食干预临床试验的人中，排名有利的物种丰度和流行率增加，而排名不利的物种随时间减少。总之，这些分析为饮食和微生物组与健康指标的关联提供了有力支持，该汇总系统可用于为未来因果和机制研究提供基础。然而，必须强调，没有前瞻性队列研究和干预性临床试验，就无法进行因果推断。
正文
心血管代谢性疾病(CMDs)是西方国家发病率和死亡率的主要原因，给全球医疗系统带来沉重负担¹。最主要的心血管代谢性疾病是心血管疾病(CVD)和2型糖尿病(T2D)³，这与过去几十年观察到的高热量、高风险加工食品消费增加有关⁴。习惯性饮食不仅是与心血管代谢性疾病相关的已知风险因素之一，也是预防和治疗的主要可调节目标⁵。从临床测量(如血压)到血脂谱(如甘油三酯、胆固醇和脂蛋白)、血糖水平(如空腹和餐后血糖，以及糖化血红蛋白A1c(HbA1c))、炎症标志物(如糖化蛋白、系统性炎症标志物GlycA²¹和高敏C反应蛋白)等已确立的人体测量和中间心血管代谢性疾病指标，以及身体质量指数(BMI)等已知风险因素，可用于研究饮食-心血管代谢性疾病轴⁶,⁷,⁸，但未考虑发生在人类肠道中的生化机制。
人类肠道微生物组已成为同一轴上的一个共同因素，因为它与饮食和心血管代谢状况相关⁹,¹⁰,¹¹,¹²，并且是一个可调节的元素¹³,¹⁴,¹⁵。饮食模式的改变可以改变微生物组的物种级组成，对宿主健康产生连锁效应¹⁶。然而，个体对饮食干预的反应各不相同，精准营养旨在识别调节饮食与宿主健康之间相互作用的宿主特异性因素¹⁷，但目前尚无法区分饮食通过微生物组改善心血管代谢健康的效应。此外，肠道微生物组的组成因不同人口统计学特征、种族、性别和年龄而表现出高度个体差异和变化；因此，定义或识别健康肠道微生物组的通用生物标志物已被证明很困难¹⁸,¹⁹,²⁰。
营养干预研究通常涉及小样本量的队列，在人群水平上，并且往往因其统计功效和对当地生活方式和饮食习惯的特异性而受到限制，所有这些都是关键方面，特别是考虑到微生物组的复杂性和变异性。具有多国人群的大型综合研究可以帮助理清饮食模式和肠道微生物组之间的一些复杂相互作用，以开发预防和治疗心血管代谢性疾病的个性化干预措施。因此，我们整理、抽样并分析了迄今为止可用的五个最大宏基因组队列，包括来自两个大洲的34,000多人，同时收集了饮食数据、详细的人体测量和健康标志物。我们确定了在各大洲中与更有利(反之亦然)健康标志物持续相关的微生物组物种。这些物种被组织成两个微生物组排名，分别代表宿主健康和饮食质量，可作为未来因果和机制研究的基础。
ZOE PREDICT队列的宏基因组学
我们使用了来自ZOE PREDICT研究的四个大型微生物组队列(n = 33,596；图1a，补充图1，补充表1和方法)，以组装一个具有详细饮食记录以及人体测量数据的广泛微生物组数据集。连同先前可用的ZOE PREDICT 1队列⁹(n = 1,098)，PREDICT队列包括来自美国(n = 21,340)和英国(n = 13,354；方法)的34,694名参与者。收集的数据包括常见的健康风险因素，如BMI、甘油三酯、血糖和HbA1c，以及几个饮食指数和临床标志物，这些是心血管代谢健康的中间指标，如动脉粥样硬化性心血管疾病(ASCVD)风险、高密度脂蛋白(HDL)和GlycA²¹(补充表2和方法)。
系统机器学习验证方法⁹,²²(方法)揭示了五个ZOE PREDICT队列中微生物组与替代健康标志物和营养之间的一致强关联(图1b，补充表2和方法)。微生物组准确分类的标志物包括血糖、血液胆固醇、甘油三酯和炎症(空腹和餐后；扩展数据图1)，年龄、BMI、健康饮食指数²³和健康植物性饮食指数(PDI)²⁴也与微生物组机器学习回归估计相关(斯皮尔曼相关性> 0.4；图1b和补充表2)。来自机器学习回归和分类的最高预测标志物在PREDICT队列中表现出一致的关联，平均受试者工作特征曲线下面积(AUC)范围为0.64至0.73，回归的平均斯皮尔曼相关性范围为0.30至0.46(图1b和补充表3)。
肠道物种与宿主健康的排名
接下来，我们着手确定哪些肠道微生物物种对微生物组与宿主标志物的关联负主要责任。为此，我们将37个标志物分为三类：(1)由人体测量得出的可获取健康相关指标(以下简称"个人"，包括例如ASCVD和血压)，(2)空腹(例如GlycA、甘油三酯、HDL、胆固醇和葡萄糖)和(3)餐后标志物，这些是心血管代谢健康的替代指标。正如预期，一些标志物倾向于定量相关(补充表4和方法)。
我们根据物种级基因组bin(SGBs)¹⁹,²⁰的定义，考虑了661种非稀有微生物物种(> 20%流行率；方法)，并计算了每种微生物相对丰度与每个标志物值之间的部分斯皮尔曼相关性(校正了性别、年龄和BMI)。对相关性进行排名，并在每个类别内对相关性排名进行平均，然后在每个队列中的三个类别之间进行平均(方法)。将五个队列级别的平均排名进行平均，得出一个排名，我们称之为"ZOE微生物组健康排名2025"(ZOE MB健康排名)。这导致对661种微生物物种进行排名，其中排名最低(接近0)的物种与所考虑的宿主标志物面板最正相关，反之，排名最高(接近1)的物种则相反(图2，扩展数据图2和3，补充图2和补充表5和6)。
在ZOE MB健康排名中排名前50的最有利和最不利的大多数SGBs属于厚壁菌门(100个中有92个)，特别是属于梭菌纲(n = 80；补充表7)。在该纲内，在ZOE MB健康排名中，大多数SGBs属于梭菌目，有32个不利排名的SGBs(其中n = 27属于Lachnospiraceae，共50个)和31个有利排名的SGBs(n = 13属于Lachnospiraceae和n = 12属于Ruminococcaceae)被分配给该目。总体而言，50个最有利排名的SGBs的平均总相对丰度为5.98%，而50个最不利排名的SGBs占13.64%(补充表7)。
与健康相关的未表征细菌
在ZOE MB健康排名中排名前50的最有利SGBs中，有很大一部分是未知的(n = 22)，这意味着这些是仅由从宏基因组数据重建的微生物基因组表示的未培养物种。在28个已知SGBs(具有可用的分离株基因组)中，24个仍然是没有表型描述和公认分类名称的未表征物种(补充表7)。Eubacterium siraeum(SGB4198)和Faecalibacterium prausnitzii(SGB15317)是少数几个先前支持其有利作用的例外⁹,²⁵。
相比之下，50个不利ZOE MB健康排名的SGBs通常是具有培养分离株和已建立分类标签的物种(补充表7)。在44个已知SGBs中，几种物种已与对宿主的有害影响相关联，包括Ruminococcus gnavus²⁶、Flavonifractor plautii²⁷、Ruminococcus torques²⁸,²⁹和Enterocloster bolteae³⁰。总体而言，人类肠道中最普遍的与健康相关的微生物属于研究不足的物种，突显了我们对微生物组在促进和维持非致病条件中潜在有益作用的认识差距。
按饮食质量排名的肠道物种
与ZOE MB健康排名类似，我们在所有五个PREDICT队列中仅基于饮食标志物定义了一个物种排名，我们称之为"ZOE微生物组饮食排名2025"(ZOE MB饮食排名；补充表5)。作为更健康饮食的标志物，我们采用了五个经过验证的指数(方法)，这些指数从经过验证的食物频率问卷(FFQs)或记录的饮食数据(使用手机应用程序记录)开始计算，分别反映长期和短期饮食习惯(扩展数据图4和5和方法)。
ZOE MB健康排名和饮食排名显示出总体一致性(斯皮尔曼ρ = 0.72；扩展数据图6a和补充表5)。尽管ZOE MB健康排名和饮食排名中突出显示的SGBs大部分属于未知分类群，但已知物种报告的表型特征与我们的分析一致。例如，R. torques(SGB4608)和F. plautii(SGB15132)，先前根据ZOE MB健康排名讨论为不利物种，在ZOE MB饮食排名中也被一致地评为不利(分别为0.991-0.904和0.981-0.901)。另一方面，有利排名的Blautia glucerasea(SGB4816)被描述为减少小鼠内脏脂肪积累、血糖和甘油三酯³¹(ZOE MB健康排名和饮食排名分别为0.267和0.062)。作为另一个例子，在涉及2型糖尿病个体的膳食纤维补充试验中，Lachnospira eligens(SGB5082)被选择性地增加，并与餐后血糖、胰岛素、体重和腰围呈负相关³²(ZOE MB健康排名和饮食排名分别为0.276和0.115)，表明旨在刺激有益细菌生长的精确饮食干预可以有助于治疗或管理代谢紊乱症状。
尽管ZOE MB健康排名和饮食排名总体一致，但661个排名SGBs中有65个显示出不一致的排名(绝对排名差异至少为0.3；扩展数据图6a和补充表8)。通常，不同的趋势可能是由于某些细菌(例如，通才)使用各种底物(包括来自不健康饮食的底物)的不同能力，同时释放具有保护性或促进健康作用的功能代谢物。在这些中，例如，Harryflintia acetispora(SGB14838)在此研究中被发现与有利的心血管代谢标志物和不利的饮食相关(ZOE MB健康排名= 0.363，ZOE MB饮食排名= 0.879)。这种严格厌氧菌可以使用容易获得的单糖，如麦芽糖、葡萄糖和果糖，但也可以产生短链脂肪酸³³，这些是调节和抗炎介质³⁴。
在美国和英国人群中，ZOE MB健康排名显示出高度一致性(斯皮尔曼ρ = 0.61；扩展数据图6b)，而国家特定的ZOE MB饮食排名则更为异质(斯皮尔曼ρ = 0.26；扩展数据图6c)。组内相关系数(ICC)³⁵也表明ZOE MB健康排名在国家之间比ZOE MB饮食排名更一致(ICC = 0.5929和0.2623，分别；扩展数据图6b,c)。在队列之间，我们对ZOE MB健康排名和饮食排名分别获得ICC = 0.63和0.46，表明健康排名更能捕捉队列和国家差异，而最有利排名的物种似乎与具有相似工业化水平和生活方式的人群相匹配。
物种排名按BMI分层
BMI是一个不完美但被广泛采用且易于获得的人体测量健康风险指标。由于BMI未包含在ZOE MB健康和饮食排名的标志物中，并且我们在部分相关性分析中对其进行了校正，我们着手评估这两个排名如何根据BMI对人们进行分层，以评估肠道微生物组中的健康特征如何反映在体重中。
我们在每个PREDICT队列中将661个ZOE MB健康排名物种与BMI(校正性别和年龄)相关联，发现总体上排名与BMI呈正相关(斯皮尔曼ρ = 0.72)，有利排名的SGBs与BMI呈负相关，而不利排名的SGBs与BMI呈正相关(图3a)。当考虑ZOE MB饮食排名和离散BMI类别时(扩展数据图7a-c；所有队内比较在Q < 0.2时具有统计学意义，30个中有23个在Q < 0.01时具有统计学意义)，以及两个50物种集的物种累积丰度(图3b,c；所有队内比较在Q < 0.2时具有统计学意义，30个中有25个在Q < 0.01时具有统计学意义)时，这些结果得到了证实。
为推广这些关联，我们利用了来自27个公共队列的5,348名健康个体，分为三个BMI类别：健康体重(n = 2,837)、超重(n = 1,562)和肥胖(n = 949；补充表9和方法)。在47次成对比较中，34次显示较低BMI组与较高BMI组相比，50个最有利ZOE MB健康SGBs的中位丰富度更高(二项式P = 0.003；补充表10和补充图3a)，并且这不依赖于国家效应或测序深度(补充表11)，突显了所识别排名的普遍性。基于单个队列线性回归的荟萃分析(方法)显示，健康体重个体平均比肥胖者多携带5.2个50个最有利ZOE MB健康排名SGBs(P = 0.0003；图3d和补充表12)，这对应于不利和有利排名SGBs累积丰度标准化差异的Cohen's d = -0.59(P < 0.0001；补充表10和13及方法)。相应地，肥胖者平均比健康体重者多携带1.95个不利排名的SGBs(P = 0.0005；图3d，补充表14和15；累积相对丰度的Cohen's d = 0.29；P = 0.0001)。其他BMI类别的成对分析证实了这些结果(扩展数据图8和补充表10和12-15)。
同样，我们测试了50个最有利和最不利ZOE MB饮食排名SGBs与BMI的关联，并发现与ZOE MB健康排名相比，信号相似但较温和(两种排名与BMI的平均斯皮尔曼相关性分别为0.61和0.72；图3a和扩展数据图7a)。使用公共数据集，47次中的36次队内比较显示，较低BMI类别中50个最有利SGBs的中位累积丰度和中位丰富度高于较高BMI(二项式P = 0.0003；补充图3b)。相反，36次比较显示，较高BMI类别中50个最不利SGBs的中位计数高于较低BMI组(二项式P = 0.0003；补充表10)。不同BMI类别中饮食排名SGBs的贡献同样显示出有利排名SGBs数量和累积相对丰度的减少，以及不利排名SGBs的增加(扩展数据图7d-g)。在荟萃分析中，健康体重和超重参与者比肥胖参与者平均多携带3.5和1.5个有利饮食排名SGBs，分别少携带1.25和0.88个不利ZOE MB饮食排名SGBs(扩展数据图9，补充图3和补充表16-19)。当排名计算不调整BMI时，所有这些分析都得到了证实(扩展数据图7h-k)，总体而言，这些结果表明ZOE MB健康排名和饮食排名可以根据人们的肥胖状态进行分层，无论地理位置如何。
物种排名与宿主疾病
接下来，我们评估了ZOE MB健康排名SGBs在对照参与者与具有特定疾病状况的参与者之间是否存在差异存在或丰度，利用了25个病例-对照、公开可用的微生物组研究(总共4,816个样本，n = 2,707个对照和n = 2,109个病例；方法)，调查了五种与肠道微生物组关联程度不同的疾病(补充表20)。在25个队列中的21个中，对照参与者比病例参与者携带更多50个最有利ZOE MB健康排名SGBs，而50个最不利排名SGBs的计数在相同数量的队列中在病例中相应更高(二项式P = 0.0004)。
我们对来自ZOE MB健康排名和饮食排名的50个最有利和最不利SGBs的计数进行了荟萃分析。对照样本平均比疾病参与者多携带3.6个有利排名的SGBs(随机效应模型，P = 0.0002；方法)，而少携带1.6个不利SGBs(P = 0.0004；补充图5a和补充表21)。同样，对于ZOE MB饮食排名SGBs，对照参与者平均多携带3.8个有利SGBs，少携带1.3个不利SGBs，P = 9.5×10⁻⁶和P = 0.0006，分别；补充图5a和补充表21)。此外，50个最有利和最不利SGBs累积丰度的荟萃分析证实，对照组中有利物种的贡献更大，而相应疾病组中不利SGBs的贡献更大(荟萃分析Cohen's d = -0.29，P = 7.1 × 10⁻⁶和d = 0.21，P = 0.054对于ZOE MB健康排名；d = -0.24，P = 3.1 × 10⁻⁶和d = 0.28，P = 0.0002对于ZOE MB饮食排名；图3e和补充表22)。
为评估排名在总结单个样本健康相关状态方面的信息量，我们通过累加样本中存在SGBs的标准化ZOE MB健康排名来对患病和对照参与者的全部宏基因组进行评分(方法)。我们发现患病和对照参与者之间存在强烈分离(荟萃分析Cohen's d = -0.37，P = 8.3 × 10⁻⁸)，优于简单计算最有利和最不利SGBs数量(图3f)。值得注意的是，2型糖尿病显示出最强的疾病特异性关联(荟萃分析Cohen's d = -0.47，P = 6.78 × 10⁻⁵；图3f和补充表23)，该评分的加权版本对2型糖尿病显示出更强的效果(荟萃分析Cohen's d = -0.51，P = 0.0002)。人们也使用ZOE MB饮食排名进行评分，与健康状况出现了类似的关联(图3f和补充表23)。值得注意的是，标准α多样性度量，如肠道SGBs丰富度和香农熵度量，显示出较弱且不太一致的关联，仅在IBD和2型糖尿病比较中显示出显著关联(补充图5b和补充表24)。
尽管基于排名的单个样本评分与直接依赖标记训练数据的特定条件监督学习方法相比，不能具有相同宿主表型的预测能力，但我们的结果表明，将排名系统嵌入到一个简单的一维微生物组指数中，可以对微生物组健康状况进行有意义的评估。
饮食变化对排名物种的影响
为验证饮食变化对肠道微生物物种存在和丰度的影响，根据其ZOE MB健康排名，我们分析了两项饮食干预研究，即ZOE METHOD³⁶和BIOME³⁷(ClinicalTrials.gov注册号，NCT05273268和NCT06231706，分别)。简而言之，ZOE METHOD队列包括n = 347人，分配到个性化饮食干预计划(PDP；n = 177)组与遵循美国农业部建议的一般饮食建议组(对照，n = 170)。分配到PDP组的人在18周后显示出较低的能量摄入以及甘油三酯、HbA1c、体重和腰围的显著降低³⁶。ZOE BIOME队列包括n = 349名健康成年人(意向治疗)，随机分配到主要干预组(接收定义的益生元混合物，n = 116)、功能对照组(接收面包面包丁以匹配对照组的卡路里，n = 120)和每日益生菌组(每天补充150亿菌落形成单位的Lacticaseibacillus rhamnosus，n = 113)。总体而言，体重、腰围、代谢物和胃肠道症状在各组之间没有显著差异³⁷。
我们确定了哪些微生物组物种在两个队列中受到饮食干预的显著影响。在ZOE BIOME队列中，益生元混合物、益生菌和对照组分别有57、4和14个常见SGBs在终点显示出显著变化(Q < 0.01；图4a)。在益生元组中显著变化的物种中包括有益的纤维降解菌Bifidobacterium adolescentis(SGB17244)、Bifidobacterium longum(SGB17248)和Blautia obeum(SGB4811)³⁸,³⁹,⁴⁰，以及产生丁酸盐的Agathobaculum butyriciproducens(SGB14993)、Anaerobutyricum hallii(SGB4532)和Coprococcus catus(SGB4670)⁴¹,⁴²。相比之下，在我们研究中与最不利相关SGBs之一的Dysosmobacter welbionis(SGB15078)，在同一饮食干预下显著降低(补充表25)。在ZOE METHOD队列中，我们发现PDP组中有46个SGBs在相对丰度上显著不同，而对照组中只有两个(图4b和补充表25；Wilcoxon符号秩检验Q < 0.1)。值得注意的是，主要的丁酸盐产生菌Roseburia hominis(SGB4936)和A. butyriciproducens(SGB14993)也被发现在PDP干预中增加。
两项旨在通过不同方法改善饮食的临床试验的饮食干预组(对BIOME使用益生元混合物，对METHOD使用PDP)显示出数量最多的显著变化SGBs(图4a和补充表25)。关注饮食干预后相对丰度变化最大的最显著肠道微生物SGBs，我们发现增加的Bifidobacterium animalis(SGB17278)—一种存在于乳制品中和消费大量乳制品的人的微生物组中的细菌⁴³,⁴⁴(图5a,b和补充表25)，一种未知的Lachnospiraceae细菌(SGB4953，BIOME；图5a)和R. hominis(SGB4936，METHOD；图5b)，两者先前与素食饮食相关⁴³，以及另一种未知的Lachnospiraceae细菌(SGB5200，BIOME；图5a)，与素食饮食相关⁴³。Butyricimonas paravirosa(SGB1785，METHOD；图5b)、Phocea massiliensis(SGB14837)、目前未表征的Ruminococcaceae物种(SGB14899)和Candidatus Pararuminococcus gallinarum*(SGB63327)(均在BIOME队列中发现；图5a)，在干预中减少，据报道与混合饮食相关⁴³。Streptococcus salivarius(SGB8007，METHOD；图5b)物种也在食品微生物组中发现⁴⁵，与未表征的Ruminococcaceae物种(SGB14899，BIOME；图5a)一起，被发现与非素食者相关⁴³。
我们发现，在BIOME试验的益生元混合物组中，终点相对丰度增加的SGBs(图4a和补充表25)显示出比减少的SGBs显著更有利的ZOE MB健康排名和饮食排名(图5c,d，Mann–Whitney U-检验P = 7.78 × 10⁻³和P = 3.00 × 10⁻⁵，分别)。这对METHOD队列的PDP组也得到了证实(图5e,f；Mann–Whitney U-检验P = 5.20 × 10⁻⁵和P = 2.03 × 10⁻³，分别)。相反，对于BIOME队列的益生菌组或BIOME和METHOD队列的对照组，未检测到ZOE MB健康和饮食排名的显著富集(扩展数据图10e,f)。
总之，这些结果表明，饮食干预或定制益生元混合物，都旨在改善饮食质量，积极调节微生物组组成。SGBs排名(ZOE MB健康和饮食)，在横断面独立队列上定义，在独立队列和国家中与饮食干预最相关的SGBs具有强烈且一致的预测性，支持饮食和微生物组组成之间的直接、可重复和可操作的联系。
结论
定义"健康"宿主条件下人类肠道微生物组的基线组成一直是一个长期挑战。该领域存在几个问题，包括定义跨年龄的一般宿主健康，以及种群间微生物组变异、几个不同的健康相关微生物组配置的存在¹⁹,⁴⁶、饮食对肠道微生物组影响的个性化性质¹⁶,⁴⁷、饮食制度的多样性⁴⁸,⁴⁹以及社会互动对微生物组传播的影响⁴⁴。为解决这一挑战，我们通过评分肠道微生物组物种，评估其与健康饮食评分和心血管代谢健康中间标志物连续体的相关趋势，重新表述了什么是健康相关微生物组的问题，在大规模且通常健康的种群中。通过利用健康饮食指数或健康PDI等饮食评分，以及血糖、HDL和甘油三酯等健康估计器，我们确定了预期表征更健康条件下宿主的物种，以及其他在具有更不利健康风险因素的宿主中富集的物种。大多数关键健康相关物种来自先前未表征的物种，突显了我们对非疾病条件下微生物组组成知识的巨大差距。这些排名，命名为ZOE MB健康排名和饮食排名，已公开发布和维护(补充表5和"数据可用性"部分)，可被研究界采用，以评估给定的人类肠道微生物组样本是否以更有利或不利的饮食和健康相关物种为特征。
几个因素对于所提出微生物组物种排名系统的稳健定义至关重要。首先，我们结合队列的规模，具有一致的宏基因组测序和分析实验协议，是前所未有的。其次，跨越所有美国州和英国地区的地理多样性，尽管局限于典型的西方化生活方式和饮食，使我们能够克服当地生活方式相关的微生物组配置。第三，以综合定量方法处理的一致长期和短期饮食记录数据，以及经过验证的心血管代谢健康中间指标和更先进的餐后代谢组衍生指标，使得能够在调查人群中精确定义相对健康梯度。第四，经过统一处理和策划的公共数据集，允许独立验证和结果的推广，并显示了物种排名对原始人群中未评估的额外条件和疾病的关联性。我们承认队列的人口统计学组成可能影响某些关联，我们继续在人群规模和每个宿主相关读数的精确性方面进行扩展。
我们的微生物组物种排名系统被证明在反映与宿主标志物改善相关的大规模饮食干预试验引起的变化方面是准确的(图4和5)。事实上，横断面关联反映在健康相关微生物组物种的显著和实质性增加，以及不利排名物种的减少或耗尽。许多健康相关的宿主标志物是共相关的，因为它们是营养指标，直到大规模微生物组干预在人类中成为可能，否则将难以理清它们的直接相互作用与通过微生物组介导的相互作用。在这方面，我们研究设计的一个关键限制是，它不能直接理清饮食对微生物组的影响以改善心血管代谢健康与仅饮食的影响。这尤其重要，因为基于饮食的排名比健康排名更依赖于国家相关差异，未来研究应更详细地探索食物特异性与肠道微生物物种和心血管代谢结果的联系⁵⁰。这将需要设计大规模干预，其中测试单一食物的引入和特定微生物组特征的改变(例如，通过管理特定微生物组成员)，最终需要提供因果证据，表明针对微生物群的个性化营养干预对心血管代谢健康具有稳健和可重复的影响。尽管如此，在纵向营养干预试验中沿饮食-微生物组-健康轴的横断面模式的确认，不仅增加了排名的内在价值，还证实人类肠道微生物组可以通过饮食干预成功调节，并且此类干预对微生物组的影响既可预测又可重复。通过提供完整排名的微生物物种列表，这项工作可以在未来微生物组驱动的精准营养研究中加以利用，并可以在未来扩展到目前在微生物组、营养和健康研究中代表性不足的更多样化人群和生活方式。
【全文结束】
