作为一种具有多方面因素的慢性疾病，肥胖继续给全球健康带来沉重负担[1,2]。其后果远不止于体重过重：2型糖尿病、心血管疾病和多种癌症常伴随肥胖出现[3,4]。经过数十年的研究和药物开发，临床医生仍然难以一致地管理这一状况，很大程度上是因为其发病、病程和对治疗的反应"因人而异"。通用的"一刀切"方案无法满足这种变异性，基于每位患者生物学特性的策略现被视为必要。
随着多组学平台、微生物组科学和计算模型的成熟，精准方法的势头迅速增强。对文献的文献计量学分析追踪了这一转变：早期侧重遗传学的工作已让位于整合微生物组分析、个性化营养、多组学分析和人工智能(AI)辅助建模的综合性项目。然而，仍然缺少的是转化的"粘合剂"。生物分析、计算模型和临床可操作的肥胖管理尚未整合成一个连贯的框架。
就本文而言，精准肥胖医学被定义为一种系统层面的临床实践，它将动态生物读数（包括表观遗传特征和功能性肠道微生物组图谱）与纵向临床、行为、环境和代谢数据联系起来，其中AI驱动的多组学模型承担分析负荷。与传统分层依赖于静态标记（如遗传风险或身体质量指数[BMI]）不同，本文采用的框架有所不同。可逆的调控机制、宿主-微生物相互作用以及随患者变化而调整的疗法处于核心位置。
在此背景下，本文评估了将表观遗传学、肠道菌群组成和AI辅助多组学分析相结合用于肥胖表型分析和干预规划的转化前景。三个方面受到密切关注：机制生物学、方法学限制以及在将这些方法可靠地纳入常规肥胖护理之前必须完成的工作。
为了追踪研究重点如何转变，我们对282篇Scopus索引的出版物进行了文献计量学分析，涵盖肥胖、微生物组科学、表观遗传学、多组学整合、个性化营养和AI辅助建模。补充材料包含完整方法，包括搜索策略、分析流程和支持性输出。语料库的两个视图——关键词共现和时间叠加——显示该领域正在跨学科快速扩展，肥胖异质性与计算和分子分析工作日益紧密关联。
在共现图中，出现了几个集群，彼此关联但不如预期那样紧密，形成一个单一的连贯领域。最活跃的节点，"精准医学"、"微生物组"、"基因表达"、"代谢"、"个性化营养"和"多组学"，指向了一个专注于分子特征描述和肥胖表型生物学分层的研究文化。在微生物组周围，三个术语"失调"、"肠道菌群"和"粪便微生物组移植"，靠近处理代谢调控和个性化营养的集群。AI词汇讲述了一个不同的故事。诸如"机器学习"、"深度学习"和"多组学"等术语位于更外围，与临床肥胖干预主题的联系较弱。这意味着AI驱动的精准肥胖工作目前仍处于探索阶段，而非临床验证阶段（图1）。
按时间顺序阅读，叠加图讲述了一个迁移的故事。文献已经从早期集中在遗传学和生物标志物的工作，转向基于微生物组科学、个性化营养、AI辅助建模和系统层面多组学整合的新线索。即便如此，与机制分子分析相比，临床可操作的干预概念处于边缘位置。综合起来，文献计量数据将精准肥胖医学定位在向综合性转化模型过渡的中间阶段，仍有许多工作要做：纵向验证、可重复性、可解释性和临床医生实际可用的决策支持系统（图2）。
表观遗传学位于遗传易感性和生活暴露的交汇处。通过不改写DNA本身，诸如DNA甲基化、组蛋白修饰和非编码RNA调控等机制引导脂肪生成、炎症、胰岛素敏感性和代谢适应[5-15]。最近的一些证据进一步表明，某种表观遗传"记忆"会持续存在，并可能有助于解释为什么体重在成功减轻后经常反弹。
肠道微生物组在宿主代谢的几个方面做出贡献：消化营养物质、调节免疫活动、处理胆汁酸以及产生短链脂肪酸(SCFAs)等生物活性化合物[16-27]。当肥胖伴随生态失调时，后果可能包括肠道屏障受损、低度系统性炎症以及能量提取和代谢信号的改变。有趣的是，存在更紧密的联系。
微生物代谢物可以直接作用于宿主表观遗传机制，指向一条从微生物组功能到肥胖异质性本身的机制线索。文献计量数据反映了这种融合：微生物组科学、个性化营养和多组学整合正在相互靠近。然而，表观遗传学和微生物组研究仍然更接近机制探究，而不是经过临床验证的肥胖干预框架。
由基因组学、表观基因组学、代谢组学、蛋白质组学和宏基因组学产生的数据集庞大、层次复杂，难以用经典统计学处理；人工智能和机器学习提供了一种大规模阅读它们的方法。在肥胖表型和可变治疗反应的探索性研究中，监督技术已经显示出前景。随机森林、弹性网络回归、梯度提升算法和深度神经网络都在这项工作中出现。
然而，方法论领域并不均匀。多组学研究通常处理的特征比参与者多得多，这增加了过拟合的风险并削弱了可解释性——这是临床应用的另一个障碍。可解释AI的工具，包括SHAP和LIME，可以揭示哪些特征对给定预测很重要，因此在原则上帮助临床医生决定并信任[31,32]。文献计量数据缓和了这一图景。AI研究和临床可操作的肥胖干预框架仍然只有部分连接，这使得当前应用主要停留在探索领域。
将表观遗传学、微生物组科学和AI辅助多组学分析结合起来，可能有助于识别生物学信息丰富且能捕捉个体对治疗反应差异的肥胖表型。有了这些信息，适应性干预变得更加可行。关于饮食成分、进餐时间、纤维亚型选择、微生物组导向疗法、行为改变和药物治疗的选择都可以得到更精确的指导。
然而，证据基础受到方法学异质性、队列特定特性、外部验证稀疏和随访时间短的限制。因此，综合多组学方法为改进肥胖表型分析和个体化干预规划开辟了真正的机会，但临床采用取决于尚未到位的部分：协调一致的数据集、可重复的生物标志物、可解释的分析系统以及设计高标准的前瞻性研究。
精准肥胖医学在其转化弧线上仍处于早期阶段，前进的道路充满方法学、临床和伦理障碍。
精准肥胖医学是一个正在进行的转化项目，旨在通过将表观遗传学科学、肠道微生物组研究和AI辅助多组学分析整合到一个单一画面中，来改善肥胖的分类方式和个体干预的规划方式。文献计量记录显示科学正在围绕微生物组功能、个性化营养、计算建模和系统层面的生物分析汇聚。同样的记录证实该领域尚未成熟。探索性分子研究和临床可操作的肥胖管理框架仍然位于尚未闭合的差距的两侧。生物相关性已不再受到严重怀疑。表观遗传调控和宿主-微生物相互作用在肥胖异质性和患者对治疗的反应中可信地发挥作用。剩下的是更困难的工作：方法学异质性、可重复性、外部验证、可解释性和伦理实施。真正的进步将取决于四个部分的到位：协调一致的纵向队列、临床可操作的生物标志物策略、可解释的AI框架以及足够严谨的干预研究，以显示相对于当今标准护理的可测量收益。
关键词：AI、表观遗传学、肠道微生物组、机器学习、肥胖医学、个性化护理
收稿日期：2026年1月22日
接受日期：2026年5月29日
【全文结束】