减重效果为何因人而异？体重反弹又该如何预防？一项前沿研究利用多组学数据和机器学习，找到了预测个体减重效果与反弹风险的关键生物标志物，为肥胖人群提供了精准化的膳食干预新思路，让体重管理更具科学性与预见性。
智能速览
研究证实，基线肠道菌群和粪便代谢物显著影响减重效果与反弹风险。
结合多组学数据的预测模型性能卓越，减重预测AUC高达0.95。
具体菌种如Parabacteroides merdae与更好的减重效果相关。
Ruminococcus bicirculans丰度越高，干预后体重反弹越少。
部分肠道菌群是预测减重与体重反弹的共同稳定因子。
精华内容
这项研究不仅揭示了个体差异的深层原因，更进一步构建了高精度的预测模型，其具体发现与性能表现，为精准营养干预提供了坚实的科学依据。
个体差异显著
在一项为期12周的全餐干预试验及后续28周的随访中，参与者的体重变化呈现出巨大的个体差异。减重期间，体重变化范围从-10.2公斤到+1.6公斤不等；而干预结束后的反弹期，变化范围更扩大至-2.0公斤至+14.2公斤。这种显著差异表明，单一的膳食干预方案无法适用于所有人，探究其背后的决定性因素至关重要。
肠道菌群是关键
研究发现，干预前的肠道菌群和粪便代谢物水平是影响效果的关键。例如，基线Parabacteroides merdae菌和二甲甘氨酸水平越高，减重效果越好。相反，猪胆酸和香草酸基线水平越高，减重效果则越差。此外，Ruminococcus bicirculans菌的丰度与体重反弹风险呈负相关，即该菌越多，反弹越少。
预测模型性能卓越
基于这些发现，研究团队利用机器学习算法构建了高性能预测模型。与传统模型相比，结合多组学数据的新模型性能显著提升。在预测是否能实现临床意义减重（减重≥5%）时，模型的AUC从0.58跃升至0.95，灵敏度达94.12%，特异度为86.79%。对体重反弹的预测准确性同样出色，体重、体脂量变化的R²分别高达0.72和0.73。
这项研究将体重管理从“一刀切”的传统模式推向了精准预测的新阶段。通过识别个体的生物特征，未来有望为每个人量身定制最高效的减重方案，这不仅是科学上的进步，更是对全球肥胖防控难题的有力回应。
