📄 genetic and genomic medicine

Metatranscriptomics-Derived Disease Risk Scores as a Preventive, Diagnostic, and Treatment Support Tool

本研究提出并验证了一种基于宏转录组学的疾病风险评分（DRS）框架，该框架整合了来自粪便、唾液和血液的活性微生物及人类基因表达信号，用于对 15 种慢性疾病的风险进行分层，展示了其在临床不确定性或诊断延迟场景下，作为预防、诊断及治疗指导辅助决策工具的潜力。

原作者： Hu, L., Bass, M., Patridge, E., Molusky, M., Antoine, G., Vuyisich, M., Banavar, G.

发布于 2026-06-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Hu, L., Bass, M., Patridge, E., Molusky, M., Antoine, G., Vuyisich, M., Banavar, G.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你的身体是一座繁忙且高科技的城市。多年来，医生们主要通过观察城市的蓝图（你的 DNA）来推测未来可能出现的问题。但蓝图无法告诉你城市现在正在做什么。交通是否拥堵？发电厂是否运行过热？环卫部门是否正在加班加点？

这篇论文介绍了一种名为**疾病风险评分（Disease Risk Score, DRS）**的新工具，它就像一份实时的“城市状态报告”。它不再仅仅盯着静态的蓝图，而是倾听城市各个社区正在进行的活跃对话，以便在全面灾难发生前发现隐患。

以下是论文用简单术语对这一工具进行的解释：

1. 三个社区（样本）

为了获得城市健康的全面图景，研究人员观察了三个特定的“社区”：

肠道（粪便）： 这是城市的回收和食物加工厂。
口腔（唾液）： 这是城市的正门和空气过滤系统。
血液： 这是城市的中央通信网络，负责传递来自所有部门的消息。

研究人员不仅统计这些社区里的“居民”（细菌）数量，还倾听这些居民正在说什么以及正在做什么。他们使用了一种称为**宏转录组学（metatranscriptomics）**的技术，这就像是在记录城市工人们活跃的无线电广播，而不仅仅是进行人口普查。

2. “非理想”信号（通路）

研究人员识别出了这些社区中正在进行的 41 个特定“工作”或“过程”（例如产生气体、分解脂肪或对抗炎症）。他们称之为通路（pathways）。

好消息： 一些通路运行顺畅（就像一台运转良好的机器）。
警告信号： 其他通路则处于“非理想”状态。也许肠道正在产生过多的甲烷气体，或者口腔正难以维持其 pH 平衡。

DRS 工具会扫描你的样本并统计所有的“非理想”信号。然后，它会将这些信号组合成针对特定疾病的一个单一数值，类似于天气应用将温度、风速和湿度结合起来，给出一个“体感温度指数”。

3. “风险评分”（仪表盘）

该工具将这些杂乱、复杂的信号转化为针对 15 种不同状况的简单疾病风险评分（DRS），包括：

消化问题（如 IBS、GERD 和 IBD）
代谢问题（如 2 型糖尿病、肥胖和脂肪肝）
心理健康与睡眠（如焦虑、抑郁、多动症和失眠）
免疫问题（如干燥综合征）

如果针对某种特定疾病的得分达到或超过 5 分，工具就会将其标记为**“高风险”**。这并不意味着你现在一定患有该疾病，而是意味着你城市的“活跃信号”看起来正处于问题爆发的边缘。

4. 它如何帮助医生（“决策支持”工具）

论文非常明确地指出：这并不是一种诊断测试。 它不会告诉医生“你患有 IBS”。相反，它作为医生的副驾驶，帮助解决棘手的病例。

论文给出了五个现实世界的例子，说明它是如何运作的：

修正“错误诊断”： 一位患者认为自己患有腹泻（IBS-D），但工具显示其肠道实际上正在产生过多的甲烷气体（这是便秘/IBS-C 的迹象）。这种气体导致了“溢出”，使其看起来像是腹泻。医生改变了治疗方案，患者康复了。
“说服力”因素： 另一位患者虽然有腹泻症状，但不相信自己患有 IBS。工具显示了特定的“不良”信号（如硫化氢气体），解释了他们为何感到不适。这有助于患者信任诊断结果并坚持治疗计划。
“动力”提升： 一位患有脂肪肝（MASLED）的患者认为这只是个小问题，忽略了改变饮食的建议。工具显示了特定的代谢通路失效，使风险变得真实且具有个人关联性。这激励他最终做出了生活方式的改变。
“睡眠与压力”的联系： 对于一位处于早期 2 型糖尿病阶段的患者，工具强调了与压力和睡眠相关的肠道细菌信号。这有助于医生向患者解释，控制睡眠习惯与控制糖分摄入同样重要。
“非典型”病例： 一位患者有慢性咳嗽和声音嘶哑的症状，但没有胃灼热感。工具显示其口腔细菌正在产生酸。这帮助医生意识到这实际上是胃食管反流（GERD）的一种异常表现，从而实现了正确的治疗。

5. 核心结论

研究人员在超过 15,000 人身上测试了这一工具。他们发现，在所研究的 20 种疾病中，有 15 种疾病的患者表示自己患有该病，且他们的“风险评分”确实比未患病者高得多。

简而言之： DRS 是一种聆听你体内活跃对话的新方式。它不能取代医生的诊断，但它为医生提供了一把强大的手电筒，去寻找隐藏的问题，解释复杂的症状，并帮助患者在生病之前理解为什么需要做出改变。

注：论文强调这是一个“预印本”（草案研究），旨在支持医生而非取代医生。它是一个风险评估工具，而非最终的医疗判决。

技术摘要：基于宏转录组学的疾病风险评分作为预防、诊断及治疗支持工具

问题陈述
慢性疾病和症状综合征通常在正式临床诊断之前，随着长期的生物学变化而发展。这在“看似健康”的个体与“临床可诊断”的个体之间造成了实际上的差距，后者表现为非特异性症状、处于临界值的实验室结果，或由于生物学基础不明确而导致患者对诊断的接受度较低。虽然多基因风险评分（PRS）已经建立了聚合遗传效应以评估风险的框架，但它们依赖于静态的遗传变异。许多慢性疾病是由动态的、可调节的过程驱动的，涉及免疫激活、代谢调节和微生物组活动。因此，需要一种能够捕捉这些活跃的、功能性分子信号的风险分层工具，以支持早期预防、针对性评估并提高患者在常规护理中的参与度。

方法论
本研究开发并验证了一种基于 RNA 转录组学（捕获活跃的基因表达而非基因组潜力）的疾病风险评分（DRS）框架。

数据来源： 该框架整合了来自三种样本类型的数据：粪便和唾液（用于微生物功能和分类群）以及血液（用于人类基因表达）。
队列：
- 开发队列 ( $N=22,369$ )： 用于构建疾病通路关联并计算优势比（Odds Ratio, OR）。参与者为具有高质量宏转录组数据的成年人（18岁以上）。
- 验证队列 ( $N=15,908$ )： 一个独立的队列，用于根据自报疾病标签验证性能。
通路评分： 模型利用了源自 KEGG Orthologs（微生物功能）、微生物物种和人类基因的 41 个通路评分。评分范围为 0 到 100，经过高斯分布标准化处理。评分分为“非理想”（底部 25%， $\le 35$ ）、“平均”（中间 50%）和“良好”（顶部 25%， $\ge 65$ ）。
DRS 计算：
- 对于最初评估的 20 种慢性疾病，基于文献和数据分析，将特定的“非理想”通路评分与疾病进行关联。
- 在开发队列中使用逻辑回归计算“非理想”评分与自报疾病状态之间的优势比（OR），并对年龄、性别和 BMI 进行了调整。
- 为每个个体和每种疾病计算累积优势比（Cumulative Odds Ratio, cOR），通过聚合相关“非理想”通路评分的加权贡献来实现。
- 定义 cOR $\ge 5$ 为“高风险”。
验证标准： 进入最终风险面板的疾病必须满足验证队列中的两个标准：
1. 分布偏移： 自报病例与非病例之间存在统计学显著的 cOR 差异，且 Cohen's $d \ge 0.2$ 。
2. 风险富集： “高风险”组中自报疾病的患病率相对于“非高风险”组的风险比（Risk Ratio, RR），其 95% 置信区间（CI）的下限 $> 1$ 。

关键结果

验证性能： 在最初评估的 20 种疾病中，有 15 种满足预设的两个验证标准。这些疾病包括：ADHD、焦虑、慢性疲劳综合征、抑郁症、胃食管反流病（GERD）、高血压、炎症性肠病（IBD）、肠易激综合征（IBS-C）、肠易激综合征（IBS-D）、失眠、代谢相关脂肪性肝病（MASLD）、肥胖、阻塞性睡眠呼吸暂停、干燥综合征以及 2 型糖尿病（T2D）。
统计显著性： 对于所有 15 种经过验证的疾病，自报病例表现出显著更高的平均 cOR 值。平均差异的 95% CI 下限均未跨越零点。
风险富集： 被归类为“高风险”（cOR $\ge 5$ ）的参与者显示出与非高风险组相比一致的自报疾病患病率富集。所有 15 种疾病的风险比（RR）的 95% CI 下限均超过 1。
临床应用场景： 作者提出了五个说明 DRS 如何支持临床决策的典型案例：
1. IBS 重新分类： 一名表现出 IBS-D 症状的患者，基于高风险 DRS 和“非理想”的甲烷气体产生情况，被重新分类为 IBS-C，从而接受了适当的影像学检查和治疗。
2. 诊断接受度： 一名对 IBS-D 诊断持怀疑态度的患者，在 DRS 显示“非理想”的硫化物气体产生和胆汁酸代谢通路后，接受了诊断并进行了针对性治疗（利福昔明）。
3. MASLD 依从性： 一名对 MASLD 生活方式改变依从性较低的患者，在 DRS 强调了特定的“非理想”胆汁酸和草酸代谢通路后，参与了个性化的饮食调整。
4. 早期 T2D 预防： 一名具有边缘性 T2D 指标的患者，在 DRS 将其风险与特定的 GABA 和尿酸产生通路联系起来后，采取了针对性的行为改变（如减少含糖饮料摄入）。
5. 非典型 GERD： 一名具有非典型 GERD 症状的患者，在 DRS 将其症状与口腔致龋和脲酶活性通路联系起来后，接受了治疗尝试。

意义与主张
论文声称 DRS 框架成功地将宏转录组学数据转化为可解释的、特定疾病的风险估计，其功能是作为临床评估的辅助工具，而非独立的诊断工具。

动态风险分层： 与反映静态遗传风险的 PRS 不同，DRS 捕捉当前的微生物组和宿主的函数状态，提供了一个动态的视角来观察疾病风险，这可能发生在正式诊断之前。
弥合临床差距： 该框架旨在解决常规护理中遇到的不确定性、延迟或患者参与度低的问题。通过提供具有生物学解释性的通路信号（例如，特定的气体产生或代谢通路），DRS 旨在提高患者的理解、促进诊断接受度并实现更个性化的预防性干预。
范围： 本研究验证了该框架在广泛疾病谱中的效用，包括胃肠道、心血管代谢、神经行为、睡眠和免疫介导性疾病，展示了多样本（粪便、唾液、血液）整合的实用性。

局限性与未来方向
作者明确指出，验证过程依赖于自报的疾病标签而非临床确诊的诊断，这可能会引入回忆偏倚或分类错误。本研究是横断面研究，因此无法建立因果关系，也无法确定 DRS 信号是否先于疾病发生。所呈现的临床案例仅为潜在用途的说明性示例，而非改善临床结局的决定性证据。作者总结道，未来需要开展以临床确诊终点为标准的前瞻性研究，以评估校准度、临床结局以及 DRS 引导的护理对患者依从性和疾病进展的影响。