原創 yuan 微生態 2019-07-07
導讀
飲食是決定人體腸道微生物變異的關鍵因素。然而，日常食物選擇和人體腸道微生物組成之間的精確關係仍有待探索。本研究使用多元方法來整合34名健康人17天的24小時食物記錄和鳥槍法糞便宏基因組數據。研究發現，人體腸道微生物組成取決於多天的飲食史，並且和食物選擇的相關性強於傳統的營養成分。飲食對微生物的日常影響是高度個性化的。兩名只服用代餐飲料的受試者數據表明，單一飲食不會引起人體微生物的穩定，相反總體飲食的多樣性與微生物的穩定有關。本研究為未來的飲食-微生物研究提供了重要的方法學見解，表明為調節腸道微生物而施加的飲食干預措施可能需要針對個體的微生物進行量身定製。
論文ID
原名：Daily Sampling Reveals Personalized Diet-Microbiome Associations in Humans
譯名：每日取樣揭示了人類飲食與腸道菌群的個性化關聯
期刊：Cell Host & Microbe
IF：17.872
發表時間：2019.6
通信作者單位：美國明尼蘇達大學生物技術研究所
實驗設計
本研究旨在利用密集的、縱向的飲食-微生物數據來確定日常飲食攝入與微生物變化之間的關係。為了描述飲食和微生物組成之間的縱向關係，本研究連續17天收集了34名健康成年人（20名女性和14名男性）的飲食攝入數據和糞便樣本。根據性別分組的特徵如表1所示，女性體重、身高、腰圍、HDL-C明顯低於男性(Student’s t test, p<0.05)。
研究期間，受試者被要求保持日常飲食並使用24小時自我管理的飲食評估工具(ASA24)對第一次糞便樣本採集前一天至最後一次糞便樣本採集前一天的飲食詳細記錄。有趣的是，兩名受試者(11和12)的飲食報告主要是由4種不同口味的營養餐替代飲料組成的。按照食品編碼對食品進行分類，再根據美國農業部的食品編碼系統創建了食物樹狀圖，基於樹狀圖計算α多樣性和β多樣性指標。此外，受試者還被要求採用刺入法採集每天第一次排便的糞便樣本，放入預充1ml 95%乙醇的2ml冷凍瓶中混合均勻，在室溫保存10天后放入-80℃冷凍。由明尼蘇達大學基因組中心進行DNA提取、擴增和鳥槍法測序。本文重點分析了所有可用樣本的總體飲食-微生物的共變。
圖形摘要
實驗結果
1.每天的飲食攝入和微生物組成高度多樣化和個性化
在整個研究期間，一些受試者的微生物組成比其他受試者的變化更大(Fig.1A). 過去研究顯示KEGG註釋的最常見的微生物功能模塊在受試者內部和跨受試者之間是高度一致的(Fig.S2)；然而，我們發現一部分功能模塊在整體樣本中是高度可變的(變異係數高)(Fig.1B)。其中變化最大的三個模塊是BaeS-BaeR(包膜應激反應)雙組分調節系統模塊(M00450)、負責將硝酸鹽轉化為氮的脫氮模塊(M00529)和負責將甲酸鹽轉化為甲烷的甲烷生成模塊(M00347)。考慮平均功能模塊與平均營養和食物攝入時，我們發現高度可變的功能模塊與飲食特徵之間沒有顯著的相關性。我們假設這些宏基因組功能可能就是高度可變的，因為不包含在的本研究營養數據庫中的飲食成分對不同細菌的影響可能是個性化。另外，功能變異還可能是由於細菌數量的隨機波動和細菌間難以預測的共生/捕食關係。
Fig.1 每日微生物群變異和飲食攝入高度個體化(A)研究期間，每名受試者每天的腸道微生物(種級)相對丰度。低丰度菌被歸為“其他”。 Bacteroides屬成員是紅色或粉色; Rikenellacae科成員是綠色; Prevotellaceae科成員是黃色;Parabacteroides屬是藍色; Lacnospiraceae科成員是淺紫; Clostridiales目是深紫色。(B)研究期間，每名受試者每天的腸道微生物中20個最可變(變異係數最高)功能模塊的相對丰度。受試者按照微生物相似性進行排列。(C)研究期間，每名受試者每天的飲食攝入(以食物分組表示)相對丰度。所有的飲食數據都根據食物和營養數據庫的飲食研究食物編碼方案被分為9個食物組。(D)以每個受試者的宏量和微量營養素的克數計算飲食攝入的平方根(sqrt)相對丰度。*受試者11和12在研究期間主要攝入代餐飲料，兩人在研究期間的營養素攝入量的輕微變化是由於飲用咖啡(受試者11)或披薩和能量飲料(受試者12)。雖然這些受試者在圖中彼此相鄰，但並沒有基於微生物相似性聚在一起，這可以從Fig.S1聚類樹狀圖中看出。
2.從個人食物選擇中恢復飲食的多樣性
雖然本研究的受試者內部和受試者間的飲食攝入(就食物選擇而言)高度個性化且多變(Fig.1C)，但是整個研究期間的宏量和微量營養素卻相對穩定(Fig.1D)。因此，為了最大限度地將觀察到的飲食複雜性納入分析，我們選擇根據報告的食物選擇來進行飲食研究。所有受試者報告的食物中，有少數食物是20多個研究對象所共有的(即香蕉、咖啡、切達奶酪、生菜、胡蘿蔔和雞胸肉)，但大量食物在17天的研究期間是隻被一名受試者所食用的(Fig.2A)。這在飲食數據中是可以預料到的，因為就像微生物組數據一樣，飲食攝入數據通常是零膨脹且高度相關的。這意味著人們的食物搭配經常是傳統的不太變化的，偶爾才吃一些獨特的食物。為了解釋食物選擇的高度個性化的本質，我們借鑑了先前為微生物組的生態學分析而開發的概念。我們根據研究飲食的食物和營養數據庫(FNDDS)創建了一個食物樹狀圖(Fig.2B)，這使我們能夠將基於樹結構得到的β多樣性指標(UniFrac)和α多樣性指標(Faith’s系統發育多樣性)應用到飲食數據分析中。這種方法可以在相關食物之間共享統計信息，使我們能夠測量每對飲食成分之間的相似性(基於樹)、一個人攝入的所有食物的總體多樣性(基於樹)以及特定營養成分(如纖維)的食物來源種類的多樣性。
3. 受試者間的食物選擇與總體微生物組成有關
利用Aitchison’s距離進行的微生物組β多樣性分析可以顯示出很強的受試者分組能力 (Fig.2C; PERMANOVA; p=0.001; 999置換)。Aitchison’s距離被選作為微生物組β多樣性指標是為了考慮相對丰度的組合性。利用QIIME 1.9.1和食物層次樹，我們計算了食物的unweighted UniFracβ多樣性。食物β多樣性的受試者分組顯著 (Fig.2D; PERMANOVA; p=0.001; 999置換)。與研究隊列的其他成員相比，受試者分組中最明顯的是受試者8(右下象限)和28(左下象限)。
我們採用Procrustes分析來檢測受試者的微生物組變化和飲食變化。使用unweighted UniFrac食物距離和Aitchison’s微生物距離的分析結果表明，受試者的平均飲食攝入與其平均微生物組成一致(Fig.2E; Procrustes; Monte Carlo p=0.008)。有趣的是，當使用直接從食物選擇計算的食物距離 (Fig.S3E;標準化食物的Euclidean距離和微生物Aitchison’s距離的Procrustes分析; Monte Carlo p=0.6)，或通過使用65種宏量和微量營養素的平均攝入量得出的食物距離(Fig.2F;標準化營養成分的Euclidean距離和微生物Aitchison’s距離的Procrustes分析; Monte Carlo p=0.4)，都沒有發現平均微生物和平均飲食的上述相似的對應關係，進一步加強了在研究飲食與微生物關係時，採用基於樹計算的食物攝入指標取代傳統的營養指標的有效性。
除了分析受試者間的總體飲食變化外，我們還使用了基於食物樹的分析方法來比較受試者間在纖維來源和微生物組的變化。我們用unweighted UniFrac距離計算四個纖維含量高的食物組的纖維來源食物β多樣性，分別為穀物、水果、蔬菜和豆類。利用這些距離，我們分析了纖維來源食物β多樣性和微生物組β多樣性，發現受試者獲得水果纖維或穀物纖維的食物選擇越相似，其微生物結構往往越相似 (Fig.2和2H; Procrustes; Monte Carlo p=0.036和0.032)。
Fig. 2基於樹結構的食物選擇分析飲食多樣性與微生物組成關係(A)使用Cytoscape(edge-weighted spring embedded layout)構建食物選擇網絡圖。其中，白色圓圈代表受試者，彩色圓圈代表食物選擇。食物選擇按照9個主要食物組著色(見Fig.2B)。最接近圖像中心的是被眾多受試者共同食用的食物；在網絡邊緣的是隻被1或2名受試者食用的獨特食物。特別地，兩名代餐飲料受試者位於圖的右上象限，並且通過他們食用的少量其他食物與主體網絡相連。(B)為了研究飲食，根據食物和營養數據庫建立的能夠代表食物組的食物樹狀圖。每種食物都是樹末端的葉子並被分到9個一級食物組中。樹內的二級食物組突出每個食物組的特殊性(見圖例)。從外周延伸出來的黑色條形圖對應每種食物的平均纖維含量，以顯示樹在評估纖維來源多樣性方面的靈活性。(C和D) (C)每個樣本的微生物組成β多樣性(Aitchison’s 距離)和(D)每個飲食記錄的飲食選擇β多樣性(以樹為基礎的食物多樣性; unweighted UniFrac距離)，顯示受試者自身微生物組和飲食的相似性。灰色橢圓表示每個受試者點估計的95%置信區間。代餐飲料者不包括在內。(E)當採用食物樹的unweighted UniFrac值來確定食物攝入距離時，Procrustes分析表明平均飲食與平均微生物距離(Aitchison’s distance)之間一致性顯著(Monte Carlo p=0.008)。(F-H) (F)當從標準化營養攝入值確定食物攝入距離時，Procrustes分析表明平均飲食與平均微生物距離(Aitchison’s distance)之間一致性不顯著(Monte Carlo p=0.4)。當採用食物纖維含量確定食物樹距離(Unweighted UniFrac)時，平均微生物距離(Aitchison’s distance)與(G)穀物和(H)果實的纖維來源β多樣性之間一致性顯著(Monte Carlo p = 0.036和0.032)。
4.日常飲食-微生物關聯是個性化的
4.1受試者飲食和微生物共同變化
我們假設縱向上，每個受試者的微生物組成和食物選擇是匹配的。我們利用Procrustes分析對每個受試者縱向的微生物β多樣性和基於樹的食物β多樣性的配對進行了評估。我們完成了29名有習慣性飲食的受試者的分析，這些受試者保證至少有10個縱向時間點可用。對第n天的食物記錄以2-n加權計算得到的衰減加權飲食攝入平均值並將之與指定的微生物樣本配對進行分析，我們發現78%的受試者中飲食與微生物之間存在顯著的縱向配對關係(Monte Carlo p≤0.05; Fig.3A)。有趣的是，當我們對每個微生物樣本採用前一天的食物記錄進行配對時，只有21%的受試者配對顯著；但當增加了額外的食物記錄後配對效果得到了改善。當考慮所有受試者的p值中位數時，上述的衰減加權方法表現最佳，使用2、3、4或5天的食品記錄總和的效果與衰減加權平均值方法相似(Fig.3B)。並且2、3、4或5天的食品記錄總和方法對大部分衰減加權平均值方法顯著配對的受試者也發現了顯著配對(Fig.3C)。
Fig.3通過連續一天以上的飲食記錄改善個體縱向微生物-飲食一致性(A)個體內衰減加權飲食攝入均值與微生物樣本縱向顯著性配對的微生物-飲食一致性分析 (Procrustes分析; Monte Carlo p<0.05; 圖按p值由低到高進行左到右、從上到下排列)。(B)將受試者多天的飲食攝入進行組合後，對微生物與飲食配對進行Procrustes分析的Monte Carlo p值(log轉化)，結果表明對受試者縱向配對進行Procrustes分析時，超過一天的飲食情況的配對效果有明顯改善。點按受試者編號著色。虛線表示-log(0.05)。(C) 2、3、4天組合平均值方法和所有天衰減加權平均值方法的微生物-飲食一致性分析(Procrustes)顯著的數目的Venn圖(顯著性定義為Monte Carlo p<0.05)。
4.2食物-細菌之間的關係是個性化的
每天的縱向採樣使我們能夠直接檢驗每個受試者的飲食成分和微生物組成之間的關係。我們採用給定糞便樣本之前的衰減加權飲食攝入平均值(如上所述)，並將飲食選擇縮減放入FNDDS食物組。然後計算每個受試者的2級食物組的歷史衰減加權平均值(見Fig.2B)與每個種(或更高)水平細菌的Spearman相關性。由於代餐飲料受試者的飲食差異很小，我們將其排除在這項分析之外。通過對食物組和科水平細菌的相關性最顯著的關係進行可視化展示(錯誤發現率[FDR] < 0.1)，我們發現了幾個有趣的模式(Fig.4A)。有些受試者中，同一科的多個細菌與同一食物組的食物相關。另外一些受試者中，不同科的多個細菌與同一食物組的食物相關且相關性相似。兩名受試者(7號和32號)的食物-菌種相關性顯著的數量異常地多(超過60個顯著相關; FDR<0.1)。有趣的是進一步觀察可以看到，多個受試者的顯著相關聚集在一起，這表明這些關係在人群中是相對保守的。在29個有超過10個縱向數據點可用的受試者中，83%的個體至少有一組食物組和細菌之間的相關性是顯著的(FDR<0.2)，受試者食物-細菌相關性顯著的個數的中位數為9(第5和第95分位數分別為0和225)。有趣的是，這些食物-細菌關係的方向性在人群中並不總是保守不變的。例如，在至少2人中共同發現的8個顯著相關中，5個方向相反(Fig.4B中的兩個例子)，3個方向不變(Fig.4C中的一個例子)。
Fig.4 日常飲食-微生物關聯是個性化的(A)受試者內2級食物組與種水平細菌的相關性的可視化氣泡圖 (Spearman’s相關; FDR修正p<0.1)。為了展示方便，2級食物組和細菌之間的關係按照它們在1級食物組和目水平細菌中的關係來顯示。正相關在圖左側，負相關在圖右側，相關性更強的在圖的外側。每個氣泡的大小對應於-log (FDR修正p值)，氣泡較大的p值較低。氣泡按受試者著色。(B和C) (B)是2級食物組與種水平細菌在人群中兩個Spearman’s顯著相關的方向相反的例子，(C)是方向性保守的一個例子(所有FDR修正p<0.2)。
5.飲食模式有助於第二天細菌豐富度的預測
為了驗證飲食與細菌關係的個性化特徵，我們檢測了受試者的每日飲食是否能預測微生物組的每日變化。微生物組隨時間的變化是自相關的(p<0.001; 配對Mann-Whitney U t檢驗; Fig.5A)，並且我們用微生物組前五個主成分構建的線性模型可以相對準確地預測受試者第二天的細菌分佈(平均Pearson r=0.7) (Fig.5B)。為了確定結合近期飲食是否可以提高我們預測第二天微生物組的能力，我們採用飲食特徵來構建一個新模型來估計上述微生物組預測模型的殘差。飲食預測因子就是飲食的前5個主成分(基於樹的unweighted UniFrac距離進行衰減加權計算食物攝入平均值)。用飲食主成分對微生物組預測模型殘差進行迴歸，分離出飲食對第二天微生物組預測的單獨影響。和只用微生物的預測相比，添加同一受試者的飲食特徵使擬合度提高了13% (平均Pearson r=0.83; Tukey檢驗; α=0.05)。相反，添加隨機選擇的受試者的飲食特徵使擬合度降低了17% (平均Pearson r=0.53; Tukey檢驗; α= 0.05)，表明添加不相關的飲食特徵並不能提高預測的準確性。此外，添加同一受試者的隨機打亂的飲食特徵(打亂飲食日期的時間順序) 使擬合度下降(平均Pearson r=0.59)。綜上結果，一個人最近的飲食歷史和目前的微生物狀態可以用來相對準確地預測他第二天的微生物組狀態。
Fig.5 飲食模式有助於預測第二天的物種數量(A)連續樣本的微生物組平均Aitchison’s距離小於一天和其他所有天數之間的平均Aitchison’s距離(配對Wilcoxson符號秩檢驗; p<0.001)。(B)相比僅採用微生物組特徵、微生物組特徵結合同一受試者的打亂的飲食特徵和微生物組特徵結合另一受試者的飲食特徵，合併本人個性化的飲食特徵提高了預測第二天的最豐富的20個菌種的丰度的預測度。數據表示為Pearson相關均值±標準差; 不共享字母的組有顯著差異; Tukey檢驗; p<0.05。
6.穩定的飲食與穩定的微生物群無關
將飲用代餐飲料的受試者納入本數據集可以對微生物組穩定性和飲食穩定性及多樣性進行更深一步分析(Fig.6A)。在這裡，我們將每天重複測量的β多樣性的倒數的中位數作為微生物組和飲食穩定性的定義。我們將傳統定義，即每天食用的食物數量或食物之間的Jaccard距離，通過食物樹和基於樹的α多樣性度量(Faith’s系統發育多樣性)進行延伸作為飲食多樣性的定義。
從受試者10的代表性飲食攝入(Fig.6A)可以看出，大多數受試者的飲食攝入隨時間變化。例如，受試者10報告週末食用雞蛋。我們發現週末飲食比工作日飲食更多變(穩定性更差)。週六、日的平均飲食距離比一週內連續幾天的平均飲食距離大(配對Wilcoxson符號秩檢驗; p=0.008; Fig.6B)。然而，我們發現受週末影響的日子的微生物組距離 (即週一至週二，多樣飲食攝取效果3天可以抵消)，並不比受周內飲食影響的日子的微生物組距離大(即週三至週四，週四至週五，等)(Fig.6C)。並且食物穩定性中位數(即受試者每天的食物攝入的變化程度)與微生物組穩定性中位數無關(Fig.S5)。這一分析表明，飲食數據中的任何週期性變化都不能從微生物組數據中檢測到。
對飲用代餐飲料受試者的數據分析進一步支持了以下假設：飲食的單一性不足以使微生物組更穩定。這兩名飲用代餐飲料受試者的飲食穩定性異於常人(即高穩定性，每天堅持吃同樣的食物; Fig.6A和S5)，但與其他受試者相比，他們的微生物穩定性沒有異常。我們發現，這些受試者微生物組成的日常變化與其他受試者相似，並且研究期間連續時間的微生物組距離也沒有減少(Fig.6D)。因此，穩定性似乎是微生物組的一種內在屬性，是由微生物組成員而不是飲食的穩定性所決定。
增加飲食多樣性被認為有助於形成健康的腸道微生物組。與其他研究不同，我們發現微生物組多樣性與飲食多樣性之間並無關係。然而，為了瞭解飲食如何影響腸道生態和腸道微生物組的恢復能力，我們評估了飲食多樣性對微生物組成穩定性的貢獻。我們發現微生物的穩定性(Aitchison’s距離的倒數的中位數)與飲食的多樣性相關(Faith’s系統發育多樣性; Spearman’s 相關係數ρ=0.47; p=0.005; Fig.6E)，顯示習慣攝入多種食物的受試者(即每天攝入來自不同食物組的不同食物)有更穩定的腸道微生物。無論是否包括飲用代餐飲料受試者，這種相關性都存在。
Fig.6飲食多樣性與微生物穩定性有關(A)兩個飲用代餐飲料受試者(11和12號受試者)和一個有習慣性飲食的代表受試者(10號受試者)的每天的種水平微生物相對丰度和食物組相對丰度的擴展視圖。值得注意的是，受試者10的飲食攝入在週末有明顯的變化—蛋類攝入量顯著增加。11和12號受試者被強調為飲食多樣性異常值。(B)連續工作日(如週一至週二、週二至週三等)之間的飲食攝入(食物β多樣性; unweighted UniFrac)的相似性要大於連續週末(週六至週日) (配對Wilcoxson符號秩檢驗; p=0.008)。(C)受工作日影響的天數之間與受週末影響的天數之間(多樣飲食攝取效果3天可以抵消)的微生物組成(Aitchison’s距離)差異不大(配對Wilcoxson符號秩檢驗; p=0.45)。(D)每個受試者連續日期之間的微生物Aitchison’s距離用灰色表示，11和12名受試者用藍色表示。(E)每天的平均飲食(食物)多樣性(Faith’s系統發育多樣性)與微生物穩定性正相關。
討論
我們收集了34名受試者17天的每日飲食記錄和每日糞便樣本，研究了人體腸道微生物組成的每日變化及其與每日飲食攝入的關係。我們的縱向數據集允許我們檢驗每個受試者日常的飲食-微生物相互作用是否每個個體獨特的。我們發現，大多數受試者可以檢測到每日的食物變化和每日的細菌相對丰度變化之間存在相互作用。然而，這些食物-微生物相互作用在人群中很少是保守不變的。我們為每個受試者定製了一個預測模型，該模型可以僅使用當前微生物和該受試者近期的飲食來預測第二天的微生物組概況；而將該模型應用於另一受試者的飲食和微生物組則會預測失敗。這些發現表明，食物與微生物之間的相互作用是高度個性化的。這種個性化反應可能是人群水平研究中觀察到的飲食對於塑造腸道微生物組的影響有限的原因之一。換句話說，飲食的影響可能比這些研究顯示的要大得多，但如果相同的食物以個性化的方式影響不同的細菌種群，這種影響在橫斷面研究中可能無法檢測。
正如最近的研究結果表明益生菌干預對不同的人有不同的效果一樣，我們的研究結果也建議，旨在促進或抑制特定細菌種類的食物干預可能需要根據受試者微生物的特定組成進行調整。儘管如此，我們發現特定的膳食化合物很可能對某些微生物株或代謝途徑產生的影響始終一致。另一研究最近證明，血糖對食物的反應是個性化的，這可能取決於個人獨特的微生物組成。然而，除了與血糖控制標誌物的關係外，個性化飲食-微生物相互作用的其他細節還需要進一步研究。考慮到個體之間的差異也可能是由於胃腸道的細微解剖差異或人群免疫的差異，因此，未來的工作更應著重於設計良好的飲食研究。
在此，我們發現僅使用傳統的營養概況來評估飲食是不足以將飲食攝入和微生物變異聯繫起來的。我們認為這是由於與微生物相關的營養物質和底物的信息有限。我們在這項研究中使用的數據庫FNDDS報告了50多種宏量和微量營養素，如多不飽和脂肪、單不飽和脂肪以及許多其他維生素和礦物質。然而，這些營養信息忽略了數百種額外的化合物(甚至一片水果上)，和許多其他非營養成分(如防腐劑和食品添加劑)。事實上，我們的營養數據庫並不包含像甲酸鹽或硝酸鹽這樣的飲食基質的信息，這種缺乏可以解釋為什麼我們無法檢測微生物功能和營養攝入之間的關係。甚至對於我們營養數據庫中的食物成分，如纖維，也有許多不同的化學結構雖然被共同稱為“纖維”，但會被具有不同酶功能的不同細菌利用，因此模糊了我們檢測關係的能力。我們基於樹的飲食分析方法是替代分析方法的起點，考慮將相關食品作為相似化合物的複雜混合物。未來利用質譜法測定食物成分的工作很可能揭示食物之間有意義的聯繫，並可用於從生物化學的角度提高我們對食物相關性的理解。食品生物標誌物聯盟等項目已經開發了包括FooDB、Phenol-Explorer和Phytohub在內的已知食品代謝產物數據庫。這些項目正開始著手解決更好地描述食物來源的營養分子的需要。將這些食物代謝數據和其他糖代謝數據(研究纖維的複雜性)與微生物特徵聯繫起來，有可能在理解人群水平和個性化的飲食-微生物關係方面取得重大進展。
這項研究有一個有趣的發現，糞便樣本前的多天食物記錄在確定飲食和微生物之間縱向相互作用是否顯著時是必需的。模型採用指數衰減模擬飲食歷史對每日微生物變異的影響時的表現比前幾天的簡單平均好。這項發現支持以下說法：昨天的飲食對明天的微生物影響最大，前天影響中等，大前天的影響較小，以此類推。我們假設這一發現部分是由於運輸時間的變化。最近利用可食入傳感器進行的試點工作清楚地表明，纖維攝入與小腸和結腸運輸時間的不同有關。使用衰減平均值應該可以部分解釋這種變化。這一發現也可能有生態因素的影響：如果由於交叉餵養或競爭動態，某一飲食攝入量的變化引起生態擾動並持續數日，那麼當前的微生物狀態將會受到近期多日飲食歷史的共同影響。
結論
總的來說，我們的研究加深了我們對個性化飲食-微生物組相互關係的理解。雖然僅用傳統的基於營養的飲食分析不足以研究飲食與微生物的相互作用，但我們發現統計信息可以在相關食物之間共享以克服不同人所吃食物之間缺乏重疊的問題。這種方法，結合縱向採樣和多天飲食記錄，揭示了飲食-微生物組相互作用的個性化特徵，並可能在未來的旨在明確食物在塑造腸道微生物組中的確切作用的人群研究中發揮作用。
閱讀更多 糖尿病便祕腸炎管理 的文章
