473种肠道菌群与阿尔茨海默症：基于233种循环代谢物的孟德尔随机化中介分析

Association between 473 gut microbiota and Alzheimer's disease: a Mendelian randomization mediation analysis of 233 circulating metabolites

摘要

目的 孟德尔随机化（MR）探究肠道菌群（GM）与阿尔茨海默症（AD）的因果关联及循环代谢物的介导作用，为AD相关生物标志物和干预靶点提供遗传学依据。 方法 基于全基因组关联分析数据，采用两样本MR设计开展研究。筛选473种GM及233种循环代谢物的有效工具变量，通过R软件进行统计分析，以逆方差加权法作为主要分析方法，MR-Egger法和加权中位数法作为补充验证；结合多种敏感性分析评估结果稳定性，并通过反向MR分析验证因果关系方向；再进一步采用中介MR分析明确循环代谢物的潜在介导效应。 结果 马赛阴性杆菌丰度与AD发病风险之间存在正向因果关联（OR=1.204，95% CI：1.020-1.421，P=0.028），敏感性分析结果稳定可靠（P>0.05），反向MR分析未发现AD对马赛阴性杆菌丰度存在显著因果效应（P=0.678）。中介MR分析显示，在马赛阴性杆菌对AD的总效应中，经极小型极低密度脂蛋白中游离胆固醇与总脂质比率（v-VLDL FC/TL）介导的间接效应占6.63%。 结论 从遗传因果推断层面提示，马赛阴性杆菌可能与AD发病风险升高相关，且v-VLDL FC/TL可能在其中发挥部分中介作用，这为AD的预防和治疗提供了潜在靶点。

Abstract

Objective To investigate the causal associations between gut microbiota (GM) and Alzheimer's disease (AD) and the mediating role of circulating metabolites using Mendelian randomization (MR) analysis. Methods A two-sample MR analysis was conducted based on genome-wide association study (GWAS) summary data. Valid instrumental variables for 473 GM taxa and 233 circulating metabolites were selected, and the inverse-variance weighted (IVW) method was used as the primary analytical approach, with MR-Egger regression and weighted median method as the complementary analyses. Multiple sensitivity analyses were conducted to assess the robustness of the results, and reverse MR analyses were used to verify the direction of causality. Mediation MR analyses were performed to determine the mediating effects of the circulating metabolites. Results A positive causal association was identified between the abundance of Negativibacillus massiliensis and the risk of AD (OR=1.204, 95% CI: 1.020-1.421,P=0.028), and the results were stable and reliable as confirmed by sensitivity analyses (P>0.05). Reverse MR analysis revealed no significant causal effect of AD on the abundance of Negativibacillus massiliensis (P=0.678). Mediation MR analysis showed that the indirect effect mediated by free cholesterol to total lipid ratio in very small very-low-density lipoprotein (v-VLDL FC/TL) accounted for 6.63% of the total effect of Negativibacillus massiliensis on AD. Conclusion From a genetic causal inference perspective, Negativibacillus massiliensis is likely associated with an increased risk of AD, and v-VLDL FC/TL may partially mediate this association, suggesting their potential as targets for AD prevention and treatment.

Graphical abstract

关键词

肠道菌群 / 循环代谢物 / 阿尔茨海默症 / 孟德尔随机化 / 中介效应

Key words

gut microbiota / circulating metabolites / Alzheimer's disease / Mendelian randomization / mediation effect

阿尔茨海默症（AD）是一种以进行性认知功能衰退和行为损害为主要特征的神经退行性疾病^［1］。目前公认的核心病理特征^［2］为脑内β-淀粉样蛋白（Aβ）异常沉积形成老年斑，以及tau蛋白^［3］过度磷酸化聚集形成神经原纤维缠结，这两种病理改变^［4］会逐步导致神经元损伤、突触丢失及脑区萎缩，同时伴随神经炎症反应、氧化应激失衡等病理过程共同推动疾病进展；在临床特征方面^［5］，AD患者在疾病早期多以近事记忆减退为主要临床表现，随着病情进展，逐渐出现全面的记忆障碍，并伴随语言功能下降和执行功能受损。鉴于目前尚缺乏根治性治疗手段，深入阐明AD的病理机制并挖掘潜在的干预靶点，已成为神经退行性疾病研究领域亟待突破的关键问题。

肠道菌群（GM）^［6］是定植于人体肠道内的复杂微生物群落，近年来研究发现，GM可以通过神经、免疫及代谢途径调控脑内的病理生理进程，该相互作用机制被概括为“肠-脑轴”^［7］。一方面GM可通过“肠-脑轴”调控脑内病理进程^{［8， 9］}，例如其代谢产物可通过血液循环影响脑内神经炎症反应与Aβ沉积^{［10， 11］}，另一方面AD患者常存在GM结构与功能失衡，表现为有益菌丰度降低及潜在致病菌增加，该菌群紊乱状态可能进一步加重认知功能障碍并促进疾病进展^［12］。上述发现提示，GM可能成为AD预防与干预的重要潜在靶点，也为从“肠-脑轴”相互作用视角深入探讨AD发病机制提供了新的研究方向。

233种循环代谢物是存在于血液、脑脊液等体液中的一类小分子物质，包括代谢产物、激素及氨基酸等，能够较为实时地反映机体的代谢状态^［13］。近年来研究表明，233种循环代谢物与AD的发病风险及疾病进展密切相关。其中部分标志物^{［14， 15］}（如特定脂质类物质及氨基酸衍生物）在AD临床症状出现之前即表现出异常水平变化，具有作为早期诊断潜在指标的可能性。此外，AD相关脑内病理改变亦可反向影响机体代谢状态，导致循环代谢物失衡。上述“代谢-神经”双向调控关系提示，循环代谢物既可能参与AD的病理过程，也为深入解析其发病机制及筛选潜在干预靶点提供了重要研究切入点。

然而，现有研究在揭示GM、循环代谢物与AD之间关系方面仍存在明显局限。一方面，既往研究多集中于GM与AD之间的直接关联，或单独探讨循环代谢物对AD的影响，而对“GM-循环代谢物-AD”这一潜在链式因果关系关注不足，尤其缺乏对代谢物中介作用的系统性解析。例如，Huang等^［16］通过数据分析证实了循环载脂蛋白B等代谢物与AD风险之间的因果关联，但其研究仅限于代谢物的独立作用；Tettevi等^［17］在构建AD小鼠GM失调模型的研究中发现，GM耗竭可显著加重AD相关病理改变，不仅导致认知功能下降，还伴随皮层与海马区胆碱能相关基因表达紊乱及促炎因子水平升高，然而该研究也仅仅只关注于菌群与AD病理之间的直接关联。另一方面，传统观察性研究易受到混杂因素及反向因果关系的影响，难以准确判定GM、循环代谢物与AD之间的真实因果方向。例如雷雯慧等^［18］在AD早期筛查研究中发现，早期AD患者肠道拟杆菌属丰度降低且厚壁菌门/拟杆菌门比值升高，但无法确定上述菌群变化究竟是AD发生的原因还是疾病进展的结果。尽管已有“脑-肠轴”相关研究^［19］构建了GM失调影响AD的机制框架，涵盖神经内分泌调控、免疫炎症反应等途径，但尚未结合遗传工具变量对其因果关系进行验证，这一研究空白在一定程度上限制了对肠-脑轴介导AD代谢机制的深入认识。

基于上述研究背景与不足，本研究创新性地采用两样本孟德尔随机化（MR）中介分析框架，系统探讨GM、循环代谢物与AD之间的链式因果关系。研究在方法学上通过多种策略严格筛选并验证工具变量的有效性，为低遗传力性状的MR分析提供更加适配的参数设置；在研究设计上，首次构建“GM-循环代谢物-AD”三变量中介模型，系统解析233种循环代谢物在473种GM与AD发生发展过程中的中介作用；在结果可靠性方面，通过双向MR分析验证因果关系方向，并结合多种敏感性分析方法有效控制潜在混杂与水平多效性，显著提升因果推断的稳健性。综上，本研究从遗传因果推断角度旨在揭示GM、循环代谢物与AD之间的协同作用及其潜在代谢中介通路，为深入理解AD的复杂病理机制提供了新的理论视角，也为以GM调控或特定循环代谢物为靶点的AD预防与早期干预策略奠定了重要理论基础。

1 资料和方法

1.1 研究设计

本研究采用双向MR分析策略，以单核苷酸多态性（SNP）作为工具变量，系统评估473种GM作为暴露因素与AD作为结局变量之间的因果关系，并进一步探讨233种循环代谢物在其中的潜在中介作用。SNP的筛选严格遵循MR分析的3项核心假设：工具变量与暴露因素之间具有显著且稳健的关联性；工具变量与潜在混杂因素相互独立；工具变量仅通过暴露因素影响结局变量，即不存在直接作用于结局的其他途径。

在此基础上，整体MR分析流程先分别分析GM与AD、循环代谢物与AD的单向因果关系，筛选出因果稳定的GM和循环代谢物，经敏感性分析验证稳健性且反向MR分析（AD为暴露、筛选出的GM /循环代谢物为结局）无因果关联后，进一步分析筛选出的GM与循环代谢物的因果关系，最终通过计算GM对AD的总效应（β_all）、GM与循环代谢物的效应（β₁）及循环代谢物与AD的效应（β₂），来量化循环代谢物在GM影响AD过程中的中介效应及占比。

1.2 数据来源

本研究采用的473种GM的GWAS数据集来源于欧洲生物信息研究所（EBI）数据库（https：//www.ebi.ac.uk/gwas/），该数据库包含了完整的GM原始数据^［20］，具体包括10个门、18个纲、24个目、58个科、143个属、213个种及7种未分类。AD的GWAS汇总数据获取于芬兰数据库R12版（https：//www.finngen.fi/en/access_resultsr12）公开的数据集，包括13 964例AD病例和486 384例对照组对象。233种循环代谢物相关的汇总数据来自于Karjalainen等^［21］发布的一项全基因组关联研究，该研究荟萃分析了33个队列的136 016例参与者的233个循环代谢特征，233种血清循环代谢生物标志物作为暴露因素，包含213个脂质、脂蛋白参数以及脂肪酸等。本研究严格遵守数据使用协议，汇总数据均源自公开发布的、可通过开放渠道获取的数据库。

1.3 工具变量的选择

根据MR分析的类似研究^{［13， 22］}，为确保因果关系推测的完整性与准确性，得到稳定且足够适合MR分析的SNP，473种GM及233种循环代谢物统一的筛选标准设置依据如下：研究证实，GM具备复杂的表型特征，且其遗传力通常较低，单个SNP对菌群丰度的调控效应也相对微弱^{［23， 24］}。与此同时，MR分析对SNP数量存在明确要求，需充足的遗传标记方可保障因果推断结果的稳健性^［25］，在本研究初始筛选阶段，曾将全基因组层面的统计学显著性阈值设定为 P＜1×10^-8，但实践发现，该阈值下筛选获得的SNP数量有限，难以满足MR分析对遗传工具变量数量的需求，可能导致推断结果可靠性不足。为此，通过检索国际上同类相关研究^{［26，27］}，最终将筛选阈值调整为 P<1×10^-5。这一调整不仅与GM遗传关联的生物学特性相契合，更能为后续MR分析提供足量的SNP，从而有效提升因果推断结果的可信度。选择参数为r²=0.001、Kb=10000来去除连锁不平衡的SNP，通过该标准去除存在强连锁关系的冗余SNP，减少混杂因素对工具变量独立性的影响。研究进一步通过LD trait工具对初步获得的SNP进行处理，以剔除存在冗余混杂的遗传位点；同时，针对回文序列等可能引入分析偏差的SNP类型进行专项移除。最后计算每个SNP的F统计量以评估SNP的强度，保留F>10的SNP，以减少弱工具变量带来的偏倚。F统计量的计算公式为F=［R²×（N-1-K）］/［K×（1-R²）］，各参数定义如下：N代表GM的GWAS数据库的总样本量，K代表SNP的数量，R²代表单个SNP占暴露因素方差的比例，计算公式为［R²=2×（1-EAF）×EAF×β²］，EAF为效应等位基因频率，β为SNP对暴露因素的标准化效应值。当计算的F>10时，可初步认定所选工具变量满足强相关的假设、不存在弱工具变量的偏倚。

1.4 孟德尔随机化中介分析

本研究整合多种MR分析方法进行交叉验证，包括逆方差加权法（IVW）、MR-Egger回归法及加权中位数法。其中，IVW方法以各SNP效应估计值的方差倒数为权重进行合并，在所有工具变量均满足MR核心假设的前提下，无需引入截距项即可获得偏倚较小的因果效应估计，兼具较高的统计效能与估计精度，是当前MR研究中评估暴露与结局因果关系的主流分析方法^［28］。基于IVW方法，本研究分别对GM、循环代谢物与AD开展双向MR分析，以筛选与AD存在稳健因果关联的菌群及代谢物。

在此基础上，采用两步法MR中介分析评估循环代谢物在GM影响AD过程中的中介作用。在确定β_all、β₁、β₂后；进而计算中介效应（β₁₂ =β₁×β₂）、直接效应（β_dir =β_all-β₁₂）及中介效应比（β_12-p=β₁₂/β_all）。其中，总效应反映选定GM对AD的整体影响，可分解为不经代谢物介导的直接效应与经循环代谢物介导的间接效应；中介效应表示GM通过特定循环代谢物对AD产生的间接影响；中介效应比则用于量化该中介路径在总效应中所占的比例，揭示循环代谢物在GM影响AD过程中的相对贡献。

1.5 敏感性分析

在完成MR中介分析并筛选出显著的暴露-结局关联后，进一步开展多种敏感性分析以评估结果的稳健性。首先，采用Cochran's Q检验评估工具变量间的异质性^［29］，其次，利用MR-Egger回归及MR-PRESSO方法检测并校正潜在的水平多效性^［30］，在此基础上，采用“留一法”进行敏感性分析^［31］，通过依次剔除单个SNP，评估因果效应估计是否由某一特定SNP主导，从而检验结果的稳定性。尽管本研究通过上述多种敏感性分析方法控制潜在偏倚，但仍需注意不可完全排除多效性因素的影响，尤其是部分SNP可能同时作用于多个暴露因素，从而对因果效应估计产生一定干扰。研究结果结合敏感性分析进行综合解读。

1.6 统计学分析

本研究所有MR分析均在R Studio 4.5.0软件环境中完成，以确保统计分析过程的规范性与结果的可重复性。因果效应评估采用IVW法、MR-Egger回归法及加权中位数法相结合的分析策略，其中以IVW法结果作为主要参考依据。效应量以比值比（OR）及其95% 置信区间（CI）表示，用于量化暴露因素与结局变量之间的关联强度。当 P<0.05 时认为差异具有统计学意义。

2 结果

2.1 473种肠道菌群与阿尔茨海默症的关系

在GM-AD开展的两样本MR分析中，以IVW法作为主要分析方法显示，共有19个GM表型与AD存在显著关联（P<0.05），其中蓝细菌（P=0.043）、放线菌门（P=0.001）、弗朗西斯氏菌目（P=0.009）、密螺旋体科（P=0.01）、真杆菌属 Q 型（P=0.006）、克雷伯氏菌属（P=0.044）、固氮根瘤菌属（P=0.019）、青春双歧杆菌（P=0.036）、马赛阴性杆菌（P=0.028）、CAG-110（P=0.044）、CAG-488（P=0.016）、假链状双歧杆菌（P=0.005）、GCA-900066135群sp900066135（P=0.02），这13种GM与AD存在正向关联；而副衣原体目（P=0.036）、孢子梭菌目（P=0.046）、脱硫弧菌科（P=0.037）、螺孢菌属（P=0.042）、CAG-449（P=0.022）、马赛微生物群sp002160815（P=0.039），这6种GM与AD存在负向的关联。上述19种GM与AD因果关联的IVW效应量及其95% CI以森林图形式展示（图1）。MR-Egger回归法及加权中位数法所得效应方向与IVW分析结果基本一致（图2）。在敏感性分析中未发现显著异质性与水平多效性（P>0.05，表1）。此外，上述19种GM的留一法敏感性分析显示，逐一剔除单个SNP后，因果效应估计未发生实质性改变（图3）。另一方面，上述19种GM作为结局变量开展的反向MR分析结果均未发现AD对GM丰度具有显著因果影响（P>0.05，表2）。

2.2 233循环代谢物与阿尔茨海默症之间的关系

在233种循环代谢物与AD之间开展的MR分析结果显示，共有159种循环代谢物与AD风险呈现统计学意义上的因果关联（P<0.05），但在3种MR方法中均达到统计学显著性水平（P<0.05）的循环代谢物共计59种，这些代谢物与AD之间的因果关系具有较高的一致性。本研究在反向MR分析中发现，仅有极小型极低密度脂蛋白中游离胆固醇与总脂质的比值（v-VLDL FC/TL）未检测到显著的反向因果效应（P=0.547，表3）。在v-VLDL FC/TL-AD的敏感性分析中未观察到显著异质性和水平多效性（P>0.05，表4），留一法分析亦未发现单个SNP对总体因果效应估计产生主导性影响。v-VLDL FC/TL与AD之间的MR因果效应森林图与留一法详见（图4A、C）。基于上述分析结果的综合证据，本研究最终选定v-VLDL FC/TL作为关键循环代谢物，并将其作为潜在中介变量，进一步探讨其在GM与AD之间的中介作用。

2.3 循环代谢物介导肠道菌群与阿尔茨海默症之间的联系

在19 GM与v-VLDL FC/TL开展的双样本MR分析结果显示，在19组GM-代谢物因果关系检验中，仅有马赛阴性杆菌与v-VLDL FC/TL之间存在统计学显著的因果关联（P=0.029），二者之间的MR因果效应森林图与留一法详见（图4B、D）。马赛阴性杆菌与v-VLDL FC/TL的敏感性分析结果未发现显著异质性和水平多效性（P>0.05，表4），马赛阴性杆菌相关SNP特征（表5）。

在“马赛阴性杆菌→v-VLDL FC/TL→AD”的因果中介模型中，两步MR中介分析结果显示，马赛阴性杆菌与AD风险呈显著正向因果关联［OR=1.204，P=0.028，95% CI：1.020~1.421，β_all=0.185］；马赛阴性杆菌与v-VLDL FC/TL同样呈显著正相关［OR=1.058，P=0.029，95% CI：1.006~1.112，β₁=0.056］；v-VLDL FC/TL与AD风险之间亦表现为显著正向因果关系［OR=1.245，P=0.042，95% CI：1.008~1.539，β₂=0.219］。中介效应分析表明，暴露对结局的总效应（β_all=0.185）与经由v-VLDL FC/TL介导的间接效应（β₁₂=β₁×β₂= 0.012）方向一致，其中中介效应占总效应的比例为6.63%。

3 讨论

本研究基于两样本MR及中介MR分析框架，从遗传因果推断层面系统评估了473种GM、233种循环代谢物与AD之间的潜在因果关联。研究结果提示，马赛阴性杆菌与AD发病风险之间存在稳定的正向因果关联，且反向MR分析未发现AD对该菌群丰度的显著反向作用，支持该菌群可能作为上游因素参与AD风险的调控过程。进一步的中介分析显示，循环代谢物v-VLDL FC/TL可能在马赛阴性杆菌与AD之间发挥部分中介作用，其中中介效应约占总效应的6.63%。上述结果从遗传因果角度为“肠道菌群—脂质代谢异常—AD”这一潜在作用通路提供了支持性证据。

近年来，研究表明GM失调与神经退行性疾病的发生发展密切相关，马赛阴性杆菌是一类革兰氏阴性、兼性厌氧的短杆菌，部分菌株可从人类口腔、肠道等黏膜表面及环境样本中分离获得^［32］。尽管既往研究中其与AD的直接关联证据相对有限，但已有多项研究提示革兰氏阴性菌相关的炎症反应可能参与AD的病理进程。Tran等^［33］发现含有革兰氏阴性菌的培养基可诱导人源神经细胞中小胶质细胞活化，并促进一氧化氮生成，从而引发神经退行性改变。上述研究为革兰氏阴性菌介导的神经炎症反应参与AD病理提供了实验依据，与本研究的遗传因果推断结果在方向上具有一致性。从潜在机制角度分析，马赛阴性杆菌可能通过多条病理通路参与AD的发生发展。一方面，其产生的LPS可与小胶质细胞表面的TLR4结合^［34］，激活MyD88依赖性信号通路，进一步促进NF-κB转录因子活化^［35］，诱导IL-1β、TNF-α等促炎因子持续释放。长期慢性神经炎症状态可导致突触结构破坏和神经元损伤，也会诱导星形胶质细胞过度活化形成胶质瘢痕，从而影响神经信号传导；另一方面，马赛阴性杆菌在肠道内的异常定植可能通过改变菌群结构，减少短链脂肪酸等有益代谢产物的生成，削弱肠道屏障功能，促进内毒素进入血液循环，引发全身性低度炎症。此外，其代谢产物还可能经血液循环或迷走神经途径影响中枢神经系统，调控下丘脑—垂体—肾上腺轴功能，从而加剧神经细胞的应激损伤^［36］。

本研究进一步从代谢中介角度揭示了v-VLDL FC/TL在GM与AD之间的潜在桥梁作用。v-VLDL是VLDL家族中粒径最小、密度相对较高的亚型^［37］，其v-VLDL FC/TL是反映该脂蛋白颗粒脂质组成稳态的重要指标。当v-VLDL FC/TL升高时，v-VLDL内游离胆固醇的异常积累可能引发一系列不利效应：一方面可激活神经元内β-分泌酶活性，促进淀粉样前体蛋白向Aβ40/Aβ42的切割转化，增加毒性Aβ的生成；另一方面，过量游离胆固醇还可与Aβ单体结合，改变其构象稳定性，加速形成具有较强神经毒性的寡聚体和纤维结构^［38］，此外，这些Aβ聚集体与v-VLDL颗粒结合后，可能更易在海马及皮层区域沉积，促进老年斑形成，从而进一步损害神经元功能。

本研究通过中介MR分析，从遗传因果推断角度为AD的潜在发病机制提供了新的证据，但仍存在一定局限性。首先，本研究基于公共数据库的遗传学与代谢组学汇总数据开展分析，不能替代直接的生物学实验验证，相关中介通路的生物学意义仍有待在人群研究及临床检测中进一步确认。其次，尽管本研究采用多种敏感性分析方法以尽量降低水平多效性及混杂偏倚对因果推断结果的影响，但MR方法本身仍难以完全排除潜在偏倚的存在。此外，本研究未进一步区分马赛阴性杆菌的具体菌株差异，不同菌株在脂多糖结构及代谢产物谱方面可能存在异质性，其对AD风险的影响亦可能存在差别，仍需在后续研究中结合宏基因组测序及菌株分离培养予以深入探讨。未来研究有必要结合体外实验及动物模型，从功能层面对“肠道菌群—代谢物—疾病”通路进行进一步验证。总体而言，本研究从遗传因果推断层面提示，马赛阴性杆菌可能通过影响v-VLDL FC/TL水平，与AD发病风险升高相关，为阐明“肠道菌群—脂质代谢—AD”之间的潜在交互机制提供了新的研究线索，并为AD早期风险评估及潜在干预靶点的探索提供了参考依据。

参考文献

[1] Scheltens P, De Strooper B, Kivipelto M, et al. Alzheimer's disease[J]. Lancet, 2021, 397(10284): 1577-90. doi：10.1016/s0140-6736(20)32205-4

[2] Twarowski B, Herbet M. Inflammatory processes in Alzheimer's disease-pathomechanism, diagnosis and treatment: a review[J]. Int J Mol Sci, 2023, 24(7): 6518. doi：10.3390/ijms24076518

[3] Ossenkoppele R, van der Kant R, Hansson O. Tau biomarkers in Alzheimer’s disease: towards implementation in clinical practice and trials[J]. Lancet Neurol, 2022, 21(8): 726-34. doi：10.1016/s1474-4422(22)00168-5

[4] Rostagno AA. Pathogenesis of Alzheimer's disease[J]. Int J Mol Sci, 2022, 24(1): 107. doi：10.3390/ijms24010107

[5] Bomasang-Layno E, Bronsther R. Diagnosis and treatment of Alzheimer's disease: : an update[J]. Dela J Public Health, 2021, 7(4): 74-85. doi：10.32481/djph.2021.09.009

[6] Li SP, Han WF, He QC, et al. Relationship between intestinal microflora and hepatocellular cancer based on gut-liver axis theory[J]. Contrast Media Mol Imaging, 2022, 2022: 6533628. doi：10.1155/2022/6533628

[7] Socała K, Doboszewska U, Szopa A, et al. The role of microbiota-gut-brain axis in neuropsychiatric and neurological disorders[J]. Pharmacol Res, 2021, 172: 105840. doi：10.1016/j.phrs.2021.105840

[8] O’Riordan KJ, Moloney GM, Keane L, et al. The gut microbiota-immune-brain axis: Therapeutic implications[J]. Cell Rep Med, 2025, 6(3): 101982. doi：10.1016/j.xcrm.2025.101982

[9] Lu X, Xue ZY, Qian Y, et al. Changes in intestinal microflora and its metabolites underlie the cognitive impairment in preterm rats[J]. Front Cell Infect Microbiol, 2022, 12: 945851. doi：10.3389/fcimb.2022.945851

[10] Silva YP, Bernardi A, Frozza RL. The role of short-chain fatty acids from gut microbiota in gut-brain communication[J]. Front Endocrinol, 2020, 11: 25. doi：10.3389/fendo.2020.00025

[11] He M, Wei WQ, Zhang YC, et al. Gut microbial metabolites SCFAs and chronic kidney disease[J]. J Transl Med, 2024, 22(1): 172. doi：10.1186/s12967-024-04974-6

[12] Wang YL, Li L, Zhao XD, et al. Intestinal microflora changes in patients with mild Alzheimer's disease in a Chinese cohort[J]. J Alzheimers Dis, 2022, 88(2): 563-75. doi：10.3233/jad-220076

[13] Elmas A, Spehar K, Do R, et al. Associations of circulating biomarkers with disease risks: a two-sample Mendelian randomization study[J]. Int J Mol Sci, 2024, 25(13): 7376. doi：10.3390/ijms25137376

[14] Bhattacharyya U, John J, Lam M, et al. Circulating blood-based proteins in psychopathology and cognition: a Mendelian randomization study[J]. JAMA Psychiatry, 2025, 82(5): 481-91. doi：10.1001/jamapsychiatry.2025.0033

[15] Lv YC, Cheng X, Dong Q. SGLT1 and SGLT2 inhibition, circulating metabolites, and cerebral small vessel disease: a mediation Mendelian Randomization study[J]. Cardiovasc Diabetol, 2024, 23(1): 157. doi：10.1186/s12933-024-02255-6

[16] Huang SY, Yang YX, Zhang YR, et al. Investigating causal relations between circulating metabolites and Alzheimer's disease: a Mendelian randomization study[J]. J Alzheimers Dis, 2022, 87(1): 463-77. doi：10.3233/jad-220050

[17] Tettevi EJ, Simpong DL, Maina M, et al. Antibiotic-induced gut dysbiosis modulates Alzheimer's disease-associated gene expression and protein aggregation in 3xTg-AD mice via the gut–brain axis[J]. Brain Behav, 2025, 15(10): e70946. doi：10.1002/brb3.70946

[18] 雷雯慧, 高 婕, 徐 鹏, 等. 阿尔茨海默病肠道细菌和真菌菌群结构和组成改变研究[J]. 中国微生态学杂志, 2024, 36(5): 577-83. doi：10.13381/j.cnki.cjm.202405013

[19] Loh JS, Mak WQ, Tan LKS, et al. Microbiota-gut-brain axis and its therapeutic applications in neurodegenerative diseases[J]. Signal Transduct Target Ther, 2024, 9(1): 37. doi：10.1038/s41392-024-01743-1

[20] Qin YW, Havulinna AS, Liu Y, et al. Combined effects of host genetics and diet on human gut microbiota and incident disease in a single population cohort[J]. Nat Genet, 2022, 54(2): 134-42. doi：10.1038/s41588-021-00991-z

[21] Karjalainen MK, Karthikeyan S, Oliver-Williams C, et al. Genome-wide characterization of circulating metabolic biomarkers[J]. Nature, 2024, 628(8006): 130-8.

[22] Li PS, Wang HY, Guo L, et al. Association between gut microbiota and preeclampsia-eclampsia: a two-sample Mendelian random-ization study[J]. BMC Med, 2022, 20(1): 443. doi：10.1186/s12916-022-02657-x

[23] Wu J, Li CS, Huang WY, et al. Gut microbiota promote the propagation of pathologic α-syn from gut to brain in a gut-originated mouse model of Parkinson's disease[J]. Brain Behav Immun, 2025, 128: 152-69. doi：10.1016/j.bbi.2025.04.001

[24] Yadav S, Raj RG. Parkinson's disease and the gut microbiota connection: unveiling dysbiosis and exploring therapeutic horizons[J]. Neuroscience, 2025, 581: 1-15. doi：10.1016/j.neuroscience.2025.07.003

[25] Yan ZZ, Yang F, Cao JW, et al. Alterations of gut microbiota and metabolome with Parkinson's disease[J]. Microb Pathog, 2021, 160: 105187. doi：10.1016/j.micpath.2021.105187

[26] Kalyanaraman B, Cheng G, Hardy M. Gut microbiome, short-chain fatty acids, alpha-synuclein, neuroinflammation, and ROS/RNS: Relevance to Parkinson's disease and therapeutic implications[J]. Redox Biol, 2024, 71: 103092. doi：10.1016/j.redox.2024.103092

[27] Aho VTE, Houser MC, Pereira PAB, et al. Relationships of gut microbiota, short-chain fatty acids, inflammation, and the gut barrier in Parkinson's disease[J]. Mol Neurodegener, 2021, 16(1): 6. doi：10.1186/s13024-021-00427-6

[28] Chen Z, Chen ZY, Jin XL. Mendelian randomization supports causality between overweight status and accelerated aging[J]. Aging Cell, 2023, 22(8): e13899. doi：10.1111/acel.13899

[29] Lv XF, Liang FQ, Liu SS, et al. Causal relationship between diet and knee osteoarthritis: a Mendelian randomization analysis[J]. PLoS One, 2024, 19(1): e0297269. doi：10.1371/journal.pone.0297269

[30] Liang Z, Zhao L, Lou Y, et al. Causal effects of circulating lipids and lipid-lowering drugs on the risk of epilepsy: a two-sample Mendelian randomization study[J]. QJM, 2023, 116(6): 421-8. doi：10.1093/qjmed/hcad048

[31] Zhu X, Huang SJ, Kang WY, et al. Associations between polyunsaturated fatty acid concentrations and Parkinson's disease: a two-sample Mendelian randomization study[J]. Front Aging Neurosci, 2023, 15: 1123239. doi：10.3389/fnagi.2023.1123239

[32] Ndongo S, Dubourg G, Bittar F, et al. Marseillibacter massiliensis gen. nov., sp. nov., a new bacterial genus isolated from the human gut[J]. New Microbes New Infect, 2017, 16: 30-1. doi：10.1016/j.nmni.2016.12.006

[33] Tran VTA, Kang YJ, Kim HK, et al. Oral pathogenic bacteria-inducing neurodegenerative microgliosis in human neural cell platform[J]. Int J Mol Sci, 2021, 22(13): 6925. doi：10.3390/ijms22136925

[34] Wu LC, Du LL, Ju QQ, et al. Silencing TLR4/MyD88/NF‑κB signaling pathway alleviated inflammation of corneal epithelial cells infected by ISE[J]. Inflammation, 2021, 44(2): 633-44. doi：10.1007/s10753-020-01363-1

[35] Shi J, Wang F, Tang L, et al. Akkermansia muciniphila attenuates LPS-induced acute kidney injury by inhibiting TLR4/NF‑κB pathway[J]. FEMS Microbiol Lett, 2022, 369(1): fnac103. doi：10.1093/femsle/fnac103

[36] Wu XY, Wei JJ, Ran W, et al. The gut microbiota-xanthurenic acid-aromatic hydrocarbon receptor axis mediates the anticolitic effects of trilobatin[J]. Adv Sci, 2025, 12(10): 2412234. doi：10.1002/advs.202412234

[37] Yu X, Shen GX, Zhang Y, et al. Genetically predicted small dense low-density lipoprotein cholesterol and ischemic stroke subtype: multivariable Mendelian randomization study[J]. Front Endocrinol, 2024, 15: 1404234. doi：10.3389/fendo.2024.1404234

[38] Hashemi M, Banerjee S, Lyubchenko YL. Free cholesterol accelerates aβ self-assembly on membranes at physiological concentration[J]. Int J Mol Sci, 2022, 23(5): 2803. doi：10.3390/ijms23052803

基金资助

河南省自然科学基金(242300420111)

河南省首批中医药拔尖人才培养对象(豫中医科教（2018）35号)

河南省中医院（河南中医药大学第二附属医院）博士启动基金(2024BSJJ11)

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021