上海
超重和肥胖已成为全球性公共卫生挑战。尽管膳食干预等体重管理手段日益完善，但是不同个体对同一干预措施的反应存在显著差异。例如，部分人减重效果显著，而部分人减重困难。另外，干预后体重反弹也存在较大个体差异。因此，深入探索影响体重管理个体差异的关键因素，建立减重效果及体重反弹风险的预测模型，对于实现精准减重具有重要意义。
近期，国际权威期刊
Diabetes Care发表了华中科技大学公共卫生学院刘刚教授团队题为“Prediction of Weight Loss and Regain Based on Multiomic and Phenotypic Features: Results From a Calorie-Restricted Feeding Trial”的最新研究成果。为了解析“谁易减重？谁易反弹”这一体重精准管理的核心问题，该研究基于全餐干预设计（提供一日三餐）的随机对照膳食干预试验（LEAN-TIME），发现个体干预前的肠道菌群、粪便代谢物等特征会显著影响膳食减重效果及体重反弹风险，并进一步结合机器学习算法和表型、粪便代谢等数据构建了减重效果和体重反弹的高性能预测模型，建立了个体化膳食减重策略。研究申请了中国国家发明专利（CN202411331775.7）。另外，刘刚教授作为主要起草人参与制定《人群营养健康干预研究实施指南》团体标准。
Diabetes Care同期配发了美国医学科学院院士、哈佛大学营养系主任Frank B. Hu教授题为“Multiomics to Predict Individual Responses to Weight Loss Interventions: A Promising Strategy to Enable Precision Nutrition”的述评，指出该研究的新颖发现为精准营养干预和体重管理提供了新的思路。
截图来源：Diabetes Care
研究团队前期开展了一项2×2析因设计的（LEAN-TIME），共纳入96名超重或肥胖成人，实施为期12周的等能量膳食干预（提供一日三餐），并在干预后随访28周。研究发现，健康型低碳水化合物膳食和限时饮食干预这两种膳食模式在能量限制25%的基础上仍有额外的减重效果，并显著影响肠道微生物的组成。在干预结束28周后，健康型低碳水化合物膳食降低体脂的效果仍然显著（
Cell Reports Medicine2024，唯一通讯）。
本研究在此基础上，结合机器学习算法和表型、粪便代谢组等数据，构建了减重效果和体重反弹的高性能预测模型，建立了个体化膳食减重策略。具体发现包括：
膳食干预后的效果存在显著个体差异：减重期体重变化范围为-10.2 kg至+1.6 kg；反弹期变化范围达-2.0 kg至+14.2 kg。
基线肠道菌群、粪便代谢物、膳食因素、临床代谢特征与个体减重效果及体重反弹密切相关。例如，受试者基线肠道微生物
Parabacteroides merdae
、粪便代谢物dimethylglycine的水平越高，膳食干预的减重效果越好；而基线粪便代谢物hyocholic acid、vanillic acid的水平越高，减重效果越差。另外，受试者基线肠道微生物Ruminococcus bicirculans
的丰度越高，膳食干预后体重反弹越少。
与传统预测模型相比，基于多组学数据构建的减重和体重反弹预测模型的性能显著提升。包括：1）更有效区分受试者可否实现具有临床意义的减重（即体重降低≥初始体重的5%），其预测性能表现优异，AUC从0.58提升到0.95，灵敏度为94.12%，特异度为86.79%。同时，该模型对减重期间体重、体脂量、瘦体重变化的连续值预测同样具有较高准确性。2）对体重、体脂量、瘦体重的反弹预测能力显著提升，R2分别达到0.72、0.73和0.66。
▲针对体重、体脂率（BFM）和骨骼肌量（SLM）的减重干预效果的预测模型构建。A、E和H为瀑布图，柱状图中每个柱子代表1名参与者；B、F和I：火山图，描绘个体基线特征与各指标变化的关联；D：ROC曲线，评估模型的减重预测性能；C、G和J：累积拟合图，显示随着预测因子的依次添加，各指标的估计变化。（图片来源：参考资料[1]）
部分肠道菌群、粪便代谢物在减重和体重反弹的预测模型中为稳定的预测因子。例如
Ruminococcus callidus
Bifidobacterium adolescentis
、N-乙酰-L-天冬氨酸。
▲减重和体重反弹的共同预测因子的网络图（图片来源：参考资料[1]）
上述研究表明，肠道菌群、粪便代谢物在预测个体减重效果和体重反弹风险方面具有重要应用潜力。研究成果为肥胖人群的精准减重干预提供了新思路。
华中科技大学公共卫生学院博士研究生李琳为第一作者，刘刚教授为唯一通讯作者。研究得到中国国家重点研发计划项目、国家自然科学基金等资助。
题图来源：123RF
参考资料
[1] Lin Li, Ruyi Li, Zixin Qiu, Kai Zhu, Rui Li, Shiyu Zhao, Jiajing Che, Tianyu Guo, Kun Xu, Tingting Geng, Yunfei Liao, An Pan, Gang Liu; Prediction of Weight Loss and Regain Based on Multiomic and Phenotypic Features: Results From a Calorie-Restricted Feeding Trial. Diabetes Care 2 January 2026; 49 (1): 68–77. https://doi.org/10.2337/dc25-0728
[2] Danielle E. Haslam, Frank B. Hu; Multiomics to Predict Individual Responses to Weight Loss Interventions: A Promising Strategy to Enable Precision Nutrition. Diabetes Care 2 January 2026; 49 (1): 63–65. https://doi.org/10.2337/dci25-0075
免责声明：本文仅作信息交流之目的，文中观点不代表药明康德立场，亦不代表药明康德支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导，请前往正规医院就诊。
版权说明：欢迎个人转发至朋友圈，谢绝媒体或机构未经授权以任何形式转载至其他平台。转载授权请在「医学新视点」微信公众号留言联系。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
