摘要
引言
疾病预防的一个关键环节是识别高危个体。在认知衰退和阿尔茨海默病（AD）的早期阶段，微生物失调会调节微生物衍生代谢物（MDM）的水平，这些代谢物被认为与神经炎症、血脑屏障功能障碍和神经元变性有关。然而，MDM在此过程中的确切作用及其作为风险因素的潜在价值仍知之甚少。
方法
采用质谱平台测定认知健康受试者、主观认知障碍（SCI）参与者和轻度认知障碍（MCI）参与者（每组50人，年龄、BMI和性别匹配）血清中33种代谢物（13种色氨酸相关化合物、15种胆汁酸化合物、3种TMAO相关代谢物和2种甲酚代谢物）的浓度。应用多元线性回归和机器学习技术确定能够分类早期认知衰退的代谢物组合。采用16S rRNA扩增子测序鉴定与这些代谢变化相关的细菌类群。
结果
经性别、BMI、年龄、白蛋白（因其在代谢物转运中的作用）、肝肾功能和背景饮食校正的多元线性回归模型显示，与健康对照相比，SCI和MCI个体中关键神经保护代谢物——胆碱、5-羟基吲哚乙酸和吲哚丙酸（IPA）水平降低。相反，细胞毒性代谢物硫酸吲哚酚和犬尿喹啉酸水平升高。采用多分类随机森林算法进一步验证了这些发现，突出了六种代谢物（硫酸吲哚酚、胆碱、5-羟基吲哚乙酸、IPA、犬尿喹啉酸和犬尿氨酸）可作为早期认知衰退的分类器，曲线下面积（AUC）达到0.79。
结论
这些发现表明，MDM可作为早期认知衰退的潜在复合生物标志物，为代谢风险分层提供临床相关性，并支持未来微创筛查工具的开发。
关键词：微生物组；硫酸吲哚酚；吲哚-3-丙酸；5-羟基吲哚乙酸；胆碱；犬尿喹啉酸；轻度认知障碍；主观认知障碍；肠脑轴
- 引言
目前，全球估计有5520万人患有痴呆症，其中阿尔茨海默病（AD）是主要形式[1]。在缺乏有效策略来减缓或阻止疾病进展的情况下，预计到2050年痴呆症发病率将增至1.528亿。当AD被确诊时，多个脑区已发生大量神经元损失。识别与早期认知衰退（包括AD在内的痴呆症临床风险状态）相关的分子前体和生物学风险因素，将有助于在预防仍可行的情况下实现早期检测，并针对性地进行定期监测和缓解干预。
生活方式因素对认知衰退和痴呆症的贡献已有充分记录[2,3]。特别是饮食，已成为大脑健康的关键影响因素，部分通过调节微生物群-肠-脑轴的通讯发挥作用。该轴形成一个双向通讯系统，包含连接肠道和中枢神经系统（CNS）的神经元、内分泌、免疫和代谢信号机制[4]。肠道微生物通过将饮食化合物分解为生物活性代谢物来调节这一通讯。这些微生物衍生代谢物（MDM）既可以通过穿越血脑屏障直接影响CNS功能，也可以通过影响外周器官系统和调节迷走神经信号间接发挥作用[5]。在衰退的早期阶段，例如轻度认知障碍（MCI），微生物群-肠-脑轴变得失调（即生态失调），这一变化与神经炎症和神经损伤等病理过程相关，并被认为有助于加速认知衰退[6-8]。然而，这些变化背后的机制以及MDM在此过程中的作用仍不清楚。
一些MDM的例子已被证明与认知健康相关[5]，包括三甲胺N-氧化物（TMAO）[9-12]、胆汁酸（BAs）[13-15]、色氨酸[16-19]、p-甲酚及其衍生物[20,21]。值得注意的是，这些相同的MDM还与AD相关的病理过程有关[21-28]，包括神经炎症、突触损伤和血脑屏障破坏，但这些MDM的变化是这些过程的驱动因素还是相关因素，需要全面的研究。然而，尽管存在这些联系，其中许多MDM在早期认知衰退（疾病修饰干预可能最有效的阶段）中仍未得到充分研究，这代表了对早期代谢失调理解的一个关键空白。因此，本研究旨在量化和分析这些代谢物，以识别早期认知衰退中新的代谢风险因素，并为早期检测和干预策略提供信息。
靶向代谢组学为全面评估内源性代谢组的变化提供了强大工具。在此，我们采用靶向代谢组学方法，使用液相色谱-串联质谱法（LC-MS/MS）定量健康对照和早期认知衰退参与者（如主观认知障碍（SCI）和轻度认知障碍（MCI）个体）血清中的33种代谢物，包括13种色氨酸相关化合物、15种胆汁酸化合物、3种TMAO相关代谢物和2种甲酚代谢物。应用多元线性回归和机器学习技术，确定一个代谢物组合来区分对照、SCI和MCI参与者。本研究首次展示了关键代谢物如何组合起来对处于早期认知衰退不同阶段的个体进行分类。这也是少数在早期阶段（包括SCI参与者）表征代谢扰动的研究之一。
- 材料与方法
2.1. 研究样本
使用了先前进行的两项临床研究基线测量的人体空腹血清样本：（1）蔓越莓对健康老龄化中微生物组和大脑的影响研究（COMBAT；NCT03679533）和（2）认知老龄化、营养与神经发生（CANN；NCT02525198）研究。COMBAT研究招募了60名年龄在50-80岁之间的成年人，通过认知变化指数（CCI）问卷评估，无主观记忆主诉[29]。CANN研究招募了259名年龄≥50岁的参与者，根据美国国家衰老研究所-阿尔茨海默病协会制定的标准，患有主观认知障碍（SCI）或轻度认知障碍（MCI），且无临床痴呆迹象[30]。简而言之，MCI的分类基于既定标准，要求：（1）自我报告的记忆力在过去2-3年内下降；（2）功能独立性保持，功能性活动问卷评分低于6分；（3）无痴呆，蒙特利尔认知评估评分为18分或更高[31]；（4）无显著抑郁，老年抑郁量表-15评分低于10分[32]。此外，MCI分类还要求在至少一项评估记忆（加州言语学习测验-II[33]）、语言（波士顿命名测验[34]）、视空间功能（可重复神经心理状态评估的图形复制任务[35]）、注意力（韦氏成人智力量表的数字广度任务，顺背或倒背[36]）或执行功能（连线测验，A部分或B部分[37]）的神经心理学测验中，认知功能低于年龄和教育调整平均值至少一个标准差。符合所有标准但无认知障碍的参与者被分类为SCI。认知健康的成年人选自COMBAT研究作为对照组，所有组（对照、SCI和MCI，每组50人）在年龄、BMI和性别上匹配，因为这些是已知影响微生物组组成的关键变量[38,39]。
COMBAT和CANN研究的参与者招募遵循一致的资格标准，确保基线可比性。个体符合条件需满足年龄≥50岁、总体健康、英语流利，且认知正常或存在早期认知问题但未达到痴呆标准。招募仅限于英国诺里奇居民，这保证了地理一致性，数据收集由同一附属研究小组使用协调方案进行。隔夜空腹血样在参与者的基线访视时采集，用于代谢组学和生化分析。采用隔夜空腹血清样本以最小化分析前变异，因为代谢标志物在进食后波动较大[40]。禁食可使参与者的代谢条件标准化，从而提高代谢组学和生化分析的可靠性，并减少饮食诱导的变异性对代谢模式的干扰。
粪便样本在基线访视时使用收集容器（NHS批准的简易采样器收集包，由Cover them Limited提供）采集。储存容器在返回研究设施前置于凉爽干燥处，并尽快送回（即研究访视时）。CANN研究的基线生物样本于2015年至2017年间采集，储存约4-6年；COMBAT研究的基线样本于2018年至2019年间采集，储存约2-3年，然后进行分析。所有样本均储存在东英吉利大学生物样本库的-80°C条件下，以保持代谢物和微生物组的完整性，该储存条件据报道可维持血浆中大部分代谢物的稳定性，约2%的代谢物在储存前七年内发生变化[41]。储存后，所有样本在同一分析批次中进行代谢组学和微生物组分析，从而最大限度地减少了技术变异性和批次效应。
生化分析包括血糖、肝功能（胆红素、白蛋白、天冬氨酸氨基转移酶（AST）、丙氨酸氨基转移酶（ALT）和AST/ALT比值）、肾功能（肌酐）和血清脂质浓度（总胆固醇、LDL-胆固醇、HDL-胆固醇和甘油三酯），对所有参与者进行。
两项研究的排除标准旨在最小化混杂变量，特别是影响肠道微生物群组成的变量。排除标准包括：有重大神经系统、精神疾病、胃肠道或代谢疾病（如糖尿病、肝病）、慢性疲劳综合征或胆囊异常病史；当前或近期吸烟、酒精或药物依赖；在样本采集前四周内使用已知改变肠道微生物群的药物或补充剂（如抗生素、益生菌、益生元、合生元、鱼油或高类黄酮摄入，定义为>15份/天）。服用抗抑郁药、抗精神病药、抗凝剂（如华法林）或任何影响胃肠功能的药物的个体也被排除。为进一步评估心理健康，参与者完成了患者健康问卷-9（PHQ-9）和广泛性焦虑障碍量表-7（GAD-7）[42]。两项研究均排除了有临床显著抑郁或焦虑的参与者。报告基线时出现腹泻等胃肠道症状的参与者也被排除。
认知健康通过COMBAT和CANN研究在参与者基线访视时使用多种认知测试进行评估。然而，仅连线测验（评估视觉处理速度、扫描、心理灵活性以及执行功能）和数字广度测验（评估言语短期和工作记忆）在两项研究中均被使用，从而可以进行比较。参与者还完成了经过验证的半定量苏格兰协作组（SCG）食物频率问卷（版本6.6），以评估背景饮食[43]。
研究方案获得了英国国家研究伦理服务（NRES）委员会（CANN研究ID：14/EE/0189）以及东英吉利大学医学与健康科学学院伦理审查委员会（参考号：201819-039）和英国卫生研究管理局（IRAS编号：237251）的批准。参与者提供了书面知情同意书。
2.2. 微生物组分析
微生物组分析通过16S rRNA扩增子测序进行，如前所述[44]。简而言之，使用QIAamp PowerFecal Pro DNA Kit（Qiagen，英国曼彻斯特）从约50 mg粪便内容物中提取DNA，按照制造商说明进行。DNA量使用Nanodrop 2000分光光度计（Fisher Scientific，英国）评估。通过琼脂糖凝胶电泳进行质量评估，区分DNA完整性、纯度、片段大小和浓度。使用Illumina NovaSeq 6000 PE250扩增V3-V4高变区。使用Uparse软件（Uparse v7.0.1001）[45]进行序列抱歉，我上一段输出不完整。现在继续翻译剩余部分，并以【全文结束】结尾。
使用Uparse软件（Uparse v7.0.1001）[45]进行序列分析，整合所有有效标签。序列相似性≥97%的归为同一个操作分类单元（OTU）。为每个OTU筛选代表性序列用于进一步注释。代表性OTU序列进一步使用SILVA数据库138的SSU rRNA数据库进行分析[46]。OTU丰度数据使用与最小序列数样本对应的标准序列数进行归一化。使用Chao1和Shannon H多样性指数评估α多样性，而β多样性使用Bray-Curtis相异度评估。统计显著性通过Kruskal-Wallis检验或置换多元方差分析（PERMANOVA）确定。在门和属水平上的比较使用经典单变量分析，采用Kruskal-Wallis检验结合错误发现率（FDR）方法进行多重检验校正。P值<0.05被认为具有统计学意义。
2.3. 代谢物分析
血清样本用甲醇以1:10（v/v）的比例稀释，置于干冰上10分钟。然后离心（5分钟，16000×g，室温），上清液使用0.45 µM PTFE注射器过滤器过滤，并使用Savant™ SpeedVac™高容量浓缩器（Thermo Fisher，英国）蒸发至干。干燥的样本分别重悬于：50 µL甲醇中加入15 µL 50 µg/mL的石胆酸-d4和胆酸-d4用于检测胆汁酸；50 µL水中加入TMA-d9 N-氧化物、TMA 13C 15N盐酸盐（50 µg/mL）用于检测TMAO/TMA/胆碱；或50 µL水中加入15 µL L-甲硫氨酸-3,3,4,4 d4和对甲苯磺酸（50 µg/mL）用于分别检测色氨酸和p-甲酚代谢物。所有内标均由Thermo Fisher（英国）提供。样本使用Waters Acquity UPLC系统和Xevo TQ-S Cronos质谱仪及MassLynx 4.1软件进行分析。完整方法详见补充方法。
2.4. 统计分析
使用Metaboanalyst（v5.0）进行正交偏最小二乘判别分析（OPLS-DA），这是一个基于网络的多变量分析工具[47]。通过多元线性回归分析确定代谢物与认知状态的显著关联。对每种代谢物作为结果变量分别进行回归模型，以评估其与早期认知衰退的潜在关联。模型中包含已知影响代谢组或微生物组组成的协变量，包括年龄、BMI、饮食以及肾功能（肌酐）和肝功能（AST/ALT比值）标志物[48-52]。模型还针对白蛋白进行了校正，因为白蛋白在结合和运输关键代谢物（包括胆汁酸、甲酚和硫酸吲哚酚）中发挥作用，可能影响其循环水平[53-55]。饮食使用经过验证的半定量苏格兰协作组（SCG）食物频率问卷（版本6.6）进行评估[43]。参与者的饮食成分被分组（千卡、蛋白质、脂肪、碳水化合物、水、酒精、维生素和矿物质），并使用Ward连接法进行层次聚类分析，以将具有相似饮食模式的个体聚集在一起（补充图S1）。Ward连接法使用欧几里得距离，因为它能最小化组内方差，产生紧凑、可解释的聚类，捕捉连贯的饮食行为。与PCA（产生连续成分，不太适合定义离散饮食组）和k-means（对初始聚类中心更敏感）等方法相比，这具有优势。这将参与者分为低、中、高饮食成分摄入组，并作为分类变量加入模型，以中等摄入组为参照组。年龄、BMI、肌酐、白蛋白和AST/ALT比值作为连续变量加入模型。最后，性别和认知状态（即对照、SCI和MCI）作为分类变量加入模型。为减少异常值的影响，超过均值±2个标准差的数据点被排除，这与之前的血液代谢研究一致[56]。基于标准差的异常值排除方法可最小化偏差，并保持较低的I类错误率[57]。评估了多元线性回归分析的假设，包括结果变量与预测变量之间存在线性关系、正态性和同方差性（补充图S2）。该模型检验了代谢物与认知状态之间的显著关联，并对所纳入的协变量进行了校正。所有多元线性回归分析均在R软件（v3.6.3；R Foundation：A Language and Environment for Statistical Computing）中进行。
2.5. 机器学习
采用随机森林（RF）机器学习算法评估代谢物是否能预测早期认知衰退。所有机器学习模型均在Python（Python Software Foundation. Python Language Reference, version 3.8）中构建。使用scikit-learn中的GridSearchCV包通过5折分层交叉验证优化超参数。每次分裂时考虑的变量数对应于数据中总属性数的平方根[58]（由于考虑了33个变量，每次分裂约6个随机变量）。为创建预测早期认知衰退的复合组合，代谢物根据平均下降基尼系数进行排序。这突出了当置换预测变量值时模型性能的损失，比平均下降准确度能提供更稳健的结果[59]。保留平均下降基尼系数得分最高且产生最高AUC值的代谢物。为比较我们的模型，还构建了朴素贝叶斯和AdaBoost机器学习模型[60,61]。AdaBoost预测通过使用弱分类器的加权平均值进行。我们的模型包含50个估计器，学习率为1.00，以及SAMME分类算法，该算法根据分类结果更新基础估计器的权重。朴素贝叶斯方法基于应用贝叶斯定理，并假设“朴素”的条件独立性，即给定目标变量值，每对特征之间条件独立。模型使用5折交叉验证来提供对预测性能的稳健估计。使用接收者操作特征曲线下面积（AUC）的宏平均值评估模型，该值通过绘制假阳性率与真阳性率来测量所有类别的整体性能。还进行了成对比较，以评估模型区分各组的能力。随后将相同的基于RF的方法应用于微生物组属，以研究它们区分组别的潜力，遵循相同的特征选择和评估过程。
- 结果
3.1. 研究人群特征
共有150人纳入研究，其中50人（33.3%）认知健康，50人（33.3%）患有SCI，50人（33.3%）患有MCI。所有参与者的平均年龄±标准差为65.5±5.7岁，平均受教育年限为14.6±3.5年，54%为女性（表1）。认知组在年龄、BMI和性别上匹配（p=0.99）。COMBAT和CANN研究的参与者在基线访视时均进行了多项认知评估[29,30]。在连线测验B、数字广度倒背测验和数字广度总分上，组间存在显著差异（p<0.05）。连线测验A在三个组间存在边缘性差异（p=0.09），而数字广度顺背测验无显著差异（p=0.21）。APOɛ4携带率在对照组（18%）低于SCI组（26%）和MCI组（38%）。
表1. 参与者基线特征。
（表1内容略）
白蛋白、胆红素和空腹血糖（p<0.01）因认知状态而异。有趣的是，白蛋白和胆红素在对照组中最高，在SCI参与者中最低。尽管排除了诊断为糖尿病的参与者，但空腹血糖从对照到SCI再到MCI逐渐升高，对照个体浓度最低，MCI个体最高（表1）。
3.2. 早期认知衰退中的肠道微生物组和代谢组变化
使用Chao1（p=0.21）和Shannon H（p=0.70）指数测量的α多样性在组间无显著差异（图1A-B）。相反，通过Bray-Curtis相异度测量的β多样性显著不同（PERMANOVA F值=1.35，p=0.02）（图1C）。成对分析表明，这种变化主要由对照组和SCI组之间的差异驱动（FDR q=0.03），而非SCI与MCI（FDR q=0.38）或MCI与对照（FDR q=0.15）之间的差异（图1D）。在门水平上，肠道微生物组无显著差异（图1E；完整丰度计数见补充表S1）。然而，有10个属在组间受到调节（p<0.05）（图1F-O；补充表S2）。
图1. 早期认知衰退中粪便微生物组β多样性显著改变。通过Chao1（A）和Shannon H（B）指数测量的α多样性。（C）通过Bray-Curtis测量的β多样性；p值由PERMANOVA生成。（D）β多样性分析的成对比较。（E）门水平上肠道微生物组的相对丰度。（F-O）在对照、SCI和MCI之间显著（p<0.05）调节的微生物属的丰度计数。*=p<0.05，**=p<0.01。
（图1详细描述略）
对对照、SCI和MCI参与者的代谢组学谱进行成对正交偏最小二乘判别分析（OPLS-DA）（图2A）。比较对照与SCI以及对照与MCI的OPLS-DA模型显示出适度的分离，而比较SCI和MCI的OPLS-DA模型显示出极小的区分能力。组间分离程度可通过热图显示，该热图显示了组间代谢物浓度的变化，并将SCI和MCI聚类在一起（图2B）。完整代谢物浓度见补充表S3。值得注意的是，胆汁酸谱中观察到的变化不能归因于甘氨酸或牛磺酸结合的差异（补充图S3）。
图2. 早期认知衰退中发生代谢变化。（A）对照、SCI和MCI之间成对代谢组学谱的正交偏最小二乘判别分析（OPLS-DA）图及模型统计量。（B）显示组间代谢物浓度变化的热图，附层次聚类。
（图2详细描述略）
3.3. 通过靶向代谢组学评估的血清饮食和微生物衍生代谢物与早期认知衰退中肠道微生物组改变显著相关
在确定了微生物组和代谢组学谱的变化后，使用Spearman秩相关检验了两个数据集之间的可能关联（图3）。结果显示33种代谢物与69个微生物属之间存在显著相关性。完整相关性细节，包括R值、p值和FDR校正后的p值，见补充表S4。通过Procrustes分析评估两个数据集的一致性，证实了微生物组和代谢组学谱的相似性。分析显示，在对照和SCI组（R=0.21，p=0.03）、SCI和MCI组（R=0.27，p=0.002）以及MCI和对照（R=0.26，p=0.002）组之间，代谢组和微生物组结果存在显著相似性（补充图S4）。
图3. 血清代谢组与肠道微生物组谱相关联。代谢物与微生物属之间的Spearman秩相关分析。红色表示正相关，蓝色表示负相关。=p<0.05，=p<0.01，<0.001。
（图3详细描述略）
3.4. 在校正多变量模型中，血清代谢物与早期认知衰退显著相关
经肝功能（AST/ALT比值）、肾功能（肌酐）、年龄、BMI和背景饮食校正的多元线性回归分析确定了五种与早期认知衰退显著相关的代谢物，包括胆碱、5-羟基吲哚乙酸、吲哚-3-丙酸（IPA）、硫酸吲哚酚和犬尿喹啉酸（表2）。硫酸吲哚酚、胆碱和5-羟基吲哚乙酸与SCI和MCI均相关（p<0.05）。犬尿喹啉酸与SCI显著相关（β=0.007，95% CI：−0.006, 0.009，p=0.015），但与MCI无关（β=0.340，95% CI：−0.006, 0.009，p=0.735）。另一方面，IPA与MCI显著相关（β=−0.685，95% CI：−1.121, −0.250，p=0.002），但与SCI无关（β=−0.339，95% CI：−0.810, 0.132，p=0.157）。尽管与对照组相比，SCI和MCI组的IPA水平均较低，但只有MCI与对照组的比较在校正协变量后仍显著，而犬尿喹啉酸在两组中均较高，但只有SCI在校正模型中显著相关，表明这些变化出现在早期认知衰退的不同阶段。与对照组相比，神经保护性代谢物，包括胆碱、5-羟基吲哚乙酸和吲哚丙酸[62-64]，在SCI和MCI参与者中浓度较低，而与细胞毒性相关的代谢物，如硫酸吲哚酚，水平升高[65]。与对照组相比，SCI和MCI组犬尿喹啉酸水平较高。
表2. 多元线性回归模型（按年龄、BMI、性别、肝功能（AST/ALT比值）、肾功能（肌酐）、蛋白结合转运（白蛋白）和饮食校正）显示与早期认知衰退显著相关的代谢物。
（表2内容略）
3.5 用于识别区分早期认知衰退不同阶段的代谢风险因素的机器学习模型
所有33种血清代谢物最初均被评估为早期认知衰退的可能预测因子。RF实现了最高的宏平均多分类AUC，为0.65，而AdaBoost和朴素贝叶斯分别达到0.58和0.63（补充表S5）。使用平均下降基尼系数评估每种代谢物的重要性（补充图S5）。六种代谢物（5-羟基吲哚乙酸、吲哚-3-丙酸、胆碱、硫酸吲哚酚、犬尿喹啉酸和犬尿氨酸）使用RF分类算法产生了最高的多分类AUC，为0.79（图4）。相比之下，朴素贝叶斯达到AUC 0.72，AdaBoost达到0.68。成对比较显示，RF模型在对照与SCI中达到AUC 0.75，SCI与MCI中为0.64，MCI与对照中为0.79，表明分类性能在区分对照与MCI时最强。其他指标，即召回率、精确度和F1分数，见补充表S6。基于这些发现，我们研究了仅预测健康老龄化和MCI是否能提高模型性能。使用来自对照和MCI参与者的六种血清代谢物，RF模型显示出更高的预测性能（AUC=0.84）。AdaBoost和朴素贝叶斯也表现出性能提升，分别达到AUC 0.87和0.90（补充表S5）。
图4. 六种循环代谢物可区分早期认知衰退的不同阶段。接收者操作特征（ROC）曲线显示了随机森林模型对对照、SCI和MCI参与者的成对（实线）和多水平（虚线）分类器的性能。AUC=曲线下面积。模型中包含的六种代谢物是：5-羟基吲哚乙酸、吲哚-3-丙酸、胆碱、硫酸吲哚酚、犬尿喹啉酸和犬尿氨酸。
（图4详细描述略）
构建了单独的RF模型，以评估微生物组属区分早期认知衰退阶段的能力。与代谢物分析类似，最初评估了所有属。使用平均下降基尼系数评估每个属的重要性，确定了最具预测性的前11个属：Clostridium sensu stricto, Romboutsia, Christensenellaceae R 7 group, Ruminococcus torques group, Oscillibacter, Eubacterium eligens group, Lachnoclostridium, Anaerostipes, Ruminococcus, Holdemania, Butyricicoccus 和 Intestinibacter（补充图S6）。选定的属使用RF分类算法产生了最高的多分类AUC，为0.59。成对比较显示，RF模型在对照与SCI中达到AUC 0.66，SCI与MCI中为0.65，MCI与对照中为0.61。然而，在分类三个组别时，其AUC不如代谢组组合高，这可能是由于循环代谢物受宿主生物合成机制的影响，这些机制调节代谢物水平并作为肠-脑轴的关键中介[5]。其他指标，即召回率、精确度和F1分数，见补充表S6。
- 讨论
识别稳健、廉价且无创的认知状态及其轨迹标志物，是当前痴呆症研究中一个未满足的需求，尤其是在与AD风险增加相关的早期认知衰退阶段。新出现的证据表明，由肠道微生物群产生或调节的循环代谢物可通过微生物群-肠-脑轴影响大脑功能。代谢改变包含丰富的系统信息，这些信息连接了外周与CNS的潜在生理过程，可能同时影响多条通路。因此，同时检测扰动的代谢物可以提供强大的检测工具。然而，关于复合标志物的研究尚缺乏。
16s rRNA扩增子测序表明，在早期认知衰退过程中，肠道微生物组组成发生显著变化，最早在SCI阶段就已开始，这表明当记忆主诉首次出现时，变化可能已经明显，这与先前的研究一致[66,67]。随着认知衰退从SCI进展到MCI，肠道微生物组的调节似乎变得不那么显著。这可能表明MCI组内存在更大的异质性。最近的证据表明，MCI个体遵循不同的认知轨迹，从稳定到快速下降，每一种都与不同的AD生物标志物谱相关[68]。异质性可能会在比较MCI参与者与对照组时稀释组水平信号，使得检测一致的微生物组变化更加困难。此外，这与先前的研究一致，这些研究报告MCI与对照组之间微生物组组成无显著差异[69,70]。然而，这些研究没有检查SCI，这是微生物组研究中一个较少探索的阶段。与认知健康的个体相比，患有SCI的个体认知衰退进展的风险可能更高[71]，这可能导致生物标志物（包括肠道微生物组及其代谢物）发生更大的改变。
在早期认知衰退中丰度差异的几个属先前已被发现与神经认知健康有关。升高的Bacteroides与AD队列中神经炎症和淀粉样蛋白病理增加相关，通常与CSF YKL-40等标志物相关[72]。较高的Ruminococcus gnavus水平与炎症反应有关，并观察到与认知衰退相关，包括在AD小鼠模型中