iMetaMed | 西湖大学陶亮组-解析皮肤微生物-宿主互作

点击蓝字 关注我们皮肤微生物组作为酒精摄入的“镜像”揭示生活习惯对皮肤菌群的主导作用iMetaMed主页https://onlinelibrary.wiley.com/journal/3066988x研究论文● 期刊:iMetaMed● 英文题目The human skin microbiome as a reflective mirror of alcohol intake● 中文题目皮肤微生物组作为酒精摄入的“镜像”揭示生活习惯对皮肤菌群的主导作用●原文链接https://onlinelibrary.wiley.com/doi/10.1002/imm3.70034● DOIhttps://doi.org/10.1002/imm3.70034● 2026年3月22日西湖大学陶亮组在iMetaMed在线发表了题为“The human skin microbiome as a reflective mirror of alcohol intake”的文章。● 本研究通过整合分析大规模公共数据库与本地队列的皮肤微生物组数据系统评估了多种宿主及环境因素对皮肤菌群的影响发现生活习惯尤其是酒精摄入是塑造皮肤微生物群落结构的关键驱动因素其效应大小与传统因素如年龄、地理位置相当为利用皮肤微生物组作为评估个体生活方式与生理状态的“镜像”提供了重要参考。● 第一作者徐杨羽双● 通讯作者陶亮taoliangwestlake.edu.cn● 主要单位西湖大学医学院浙江全省感染与免疫多重组学重点实验室亮 点● 通过整合全球大规模公共数据集全面描绘了人类皮肤微生物组的特征图谱● 量化比较了多种宿主和环境因素对皮肤微生物组的影响发现生活习惯尤其是酒精摄入的效应与年龄、地理位置等传统因素相当● 通过本地队列验证了酒精摄入与皮肤微生物组组成的稳健关联并识别出Lawsonella和Streptococcus等菌属作为潜在的生物标志物● 构建了基于皮肤微生物组的机器学习模型实现了对酒精摄入状态的双向精准预测。摘 要人类皮肤微生物组因其与健康的关联而受到越来越多的关注。然而关于各种因素对皮肤微生物组变异的影响及其相对重要性的全面认识仍有待研究。本研究通过对公共数据集进行整合分析描绘了人类皮肤微生物组的特征。皮肤微生物组表现出高度的多样性并具有独特的共现模式基于此可将其划分为几个模块。我们评估了关键宿主和环境因素与微生物组的关联发现生活习惯如酒精摄入和体力活动具有显著影响。我们随后建立了一个本地队列进行验证结果高度一致。通过基于机器学习的分析我们进一步识别了潜在的微生物标志物并展示了基于皮肤微生物组或酒精摄入进行双向精准预测的能力。我们的研究揭示酒精摄入是塑造皮肤微生物群落结构的一个主要驱动因素其效应大小与传统的宿主因素相当。这项工作通过揭示皮肤特异性生态学并将其确立为有前景的生活方式镜像和生理状态预测指标推动了皮肤微生物组领域的发展。视频解读Bilibilihttps://www.bilibili.com/video/BV1fSDJB7Ewh/Youtubehttps://youtu.be/ZG--YAr80Q4中文翻译、PPT、中/英文视频解读等扩展资料下载请访问期刊官网https://onlinelibrary.wiley.com/journal/3066988x全文解读引 言皮肤是人体最大的器官作为保护屏障与外部环境相互作用。正常成人皮肤表面积约为1.8平方米包含众多褶皱、凹陷和特化的生态位。人体皮肤也是多样化微生物的栖息地据估计每平方厘米皮肤上栖息着104到106个细菌形成了一个动态平衡的生态系统即皮肤微生物组。显然致病菌的异常定植和过度增殖通常会导致皮肤疾病。例如某些葡萄球菌在皮肤微生物组失调时可能引发痤疮和脂溢性皮炎。过去几年多项独立研究表明人类皮肤微生物群落的组成与某些人口统计学特征相关如年龄、性别和清洁习惯。另一方面饮食、酒精摄入和体育活动等生活方式因素由于与皮肤的联系看似微弱研究相对不足。这种差距主要归因于这些影响通常被视为次要于局部皮肤环境的系统性特征。不同身体部位多样化的、生态位特异的生理环境也影响着常驻微生物群落。根据采样部位的差异人类皮肤环境有时被分为四种主要类型湿润、干燥、皮脂腺和足部每种类型的皮肤微生物组都具有不同的分类组成。皮肤微生物组组成随皮肤生理状态变化显著。皮脂腺区域的物种丰富度最低而干燥区域则展现出最高的多样性。Cutibacterium在皮脂腺区域占主导地位而Staphylococcus和Corynebacterium在湿润区域最常见。Actinobacteria,Proteobacteria,Bacillota(formerly calledFirmicutes),Bacteroides主导干燥皮肤部位。在足部Corynebacterium和Staphylococcus通常占优势。作为人体不可分割的组成部分皮肤微生物组可能反映和影响人体健康、生活方式及基本生理特征。然而目前尚缺乏对宿主和环境因素如何定量塑造皮肤微生物组的全面评估这限制了对皮肤微生物组与健康状况关联的深入研究以及特异性微生物标志物的发现。我们整合了公共数据集N3,306来自9项研究进行了综合性的整合分析以描绘并表征人类皮肤核心微生物组。我们密切考察了主要的宿主和环境因素包括年龄、性别、护肤习惯、饮食、居住环境和药物使用等及其与人类皮肤微生物组的关系。此外我们建立了一个本地皮肤微生物组队列N168用于独立验证。同时我们还进行了基于机器学习的分析以辅助模式预测并识别潜在的微生物标志物。结 果全球人类皮肤微生物组的整合为获得全球人类皮肤微生物组的全景图我们收集了2005年至2024年间发表的人群队列研究中的16S rRNA扩增子测序数据。下载的数据集经过质量控制、格式标准化和合并处理。具体而言排除了超过50%序列无法识别的微生物测序数据。此过程最终获得了来自3,306个个体的特征明确的皮肤微生物组数据包括1,648名男性和1,569名女性年龄范围从婴儿到老年人图1a。对整合的皮肤微生物组数据的分类群累积曲线分析显示纲、目、科、属的数量分别趋近于95、246、655和3045图1b附图1。这可能反映了人类皮肤微生物组中存在的细菌纲、目、科、属的最大数量。与属水平或更高分类等级即科、目、纲相反物种数量随着样本量的增加而持续缓慢增加表明现有样本量不足以完全覆盖所有物种图1b附图1。估算的外推物种丰富度为11,683.37 ± 84.62附图1。使用仅基于出现率的方法我们观察到Staphylococcus、Corynebacterium、Cutibacterium和Streptococcus是人类皮肤微生物组中最普遍且最丰富的细菌属但均未达到90%的出现率。为便于后续分析我们参考肠道微生物组的方法将出现率超过60%的细菌定义为核心皮肤常驻菌属图1c附图2a-b。选择60%的阈值是因为它是维持群落代表性同时聚焦于稳定分类学特征的最佳拐点附图2c。图1.全球皮肤微生物组的特征描述与整合(a) 质量控制流程概览。此图展示了质量控制过程。共纳入31项皮肤微生物组队列研究未提供原始元数据的研究被排除。下载剩余队列研究的序列及其原始元数据。之后合并高reads数的序列并进行分类学注释过滤掉超过50%分类单元未识别的序列。(b) 特征累积曲线。该图描绘了随着样本量增加观测到的特征例如物种、属的累积数量。每条曲线达到平台期表明该数据集样本量充足。(c) 核心微生物群选择分析。核心细菌属定义为出现率该属存在的样本百分比超过60%的细菌属。该图展示了每个属的出现率与其在所有样本中的平均相对丰度。点大小对应于该属丰度的标准差。(d) 共现网络分析。节点代表细菌属显著的成对相关性皮尔逊r 0.3P值 0.05BH校正由连接边表示。边宽反映相关性的绝对强度节点大小与平均相对丰度成正比。网络的划分将具有强正共现的属组分成五个独立的模块每个模块用不同颜色编码。重要的枢纽属用黑色边框突出显示。(e) α多样性分析。使用Simpson和Shannon指数计算的α多样性在四种不同的皮肤部位之间进行比较。差异的统计显著性通过Kruskal-Wallis秩和检验确定。条形表示标准差。(f) 冗余分析。该图展示了微生物群落组成与前10个核心属之间的关系。点代表单个样本按皮肤部位着色。箭头代表前10个核心属。箭头方向表示该属丰度增加的方向。箭头长度与排序轴关系的强度成正比。人类皮肤微生物组的特征描述对于构建的细菌-细菌关联网络在分布于12个细菌门/纲的96个细菌属之间我们识别出471对强相关性大多为正相关图1d附图2d。人类皮肤细菌的正相关网络包含96个节点属和471条边连接。对该网络的拓扑学分析揭示了一个强大的模块化结构modality 0.534并呈现出更详细的属间确定性共现模式可划分为五个主要模块标记为I至V图1d附图2d。模块I由来自多个门的几个细菌属组成包括Streptococcus、Prevotella、Haemophilus和Fusobacterium展现出最高的内部交互性。模块II主要由假单胞菌门细菌组成包括Sphingomonas和Paracoccus。模块III由芽孢杆菌门细菌组成包括Ruminococcus和Blautia。模块IV主要由三个优势属组成Staphylococcus、Corynebacterium和Anaerococcus它们之间的连接相对松散。模块V围绕Micrococcus属组织。这些模块也与先前在中国人群中的一项研究部分一致。由于我们分析了更广泛的人群因此识别出了额外的模块。我们还检查了从干燥、湿润、皮脂腺和足部皮肤部位采集的微生物组之间的差异。这些皮肤部位微生物组的分类学结构在门水平上总体相似仅在相对丰度上存在部分差异附图2e。在我们选择的9项研究中属水平的微生物组分类学结构具有相似的模式附图3。有趣的是干燥皮肤的α多样性明显高于皮脂腺皮肤而湿润皮肤的α多样性最低图1e。我们进行了基于距离的冗余分析以识别与特定皮肤部位密切相关的微生物分类群。样本间差异主要由核心细菌驱动如Staphylococcus、Cutibacterium、Corynebacterium和Streptococcus图1f这些可能是这些皮肤部位的特征标志。皮肤微生物组相关协变量的评估接下来我们试图探究一般因素对皮肤微生物组的影响程度。为实现定量比较我们对从元数据中提取的相关信息进行了标准化处理并统一了格式附表1-2。格式化后的信息被定义为29个协变量因子分为四大类人口统计学特征、健康相关行为、卫生习惯和生活方式习惯图2a。为最小化其他因素的影响我们进行了典型对应分析CCA来评估各协变量对皮肤微生物组的贡献同时进行了共线性检验以检查变量间的相关性附图4。地理位置按大洲划分和年龄是与人类皮肤微生物组最相关的两个协变量R² 0.6远超其他分析的因素图2b。当将皮肤部位或研究ID作为控制变量时附图5a-b或者当我们仅针对一个皮肤部位的样本分别检验所有因素时附图6-7CCA得到了相似的结果。我们接下来计算了基于Bray-Curtis距离的相异矩阵并对这两个因素进行了主坐标分析PCoA图2c图2d。这种分析根据更具体的变量约束排序空间从而有助于在更精细的分辨率上评估它们对皮肤微生物组的影响。有趣的是澳大利亚居民的皮肤微生物组与其他人群明显不同图2c显示出明显的区域独特性。我们发现来自澳大利亚的样本在门水平上具有显著更高丰度的蓝藻菌门和假单胞菌门附图8a。在年龄分析中我们观察到儿童皮肤微生物组与成人和老年人明显不同而中年人和老年人之间的差异较小图2d。与其他两个年龄组相比儿童样本中放线菌门和假单胞菌门的丰度显著较低附图8b。我们还探讨了大洲和年龄与核心皮肤常驻微生物组的关联附图8d。图2.皮肤微生物组协变量的评估与比较(a) 元数据摘要。该面板描述了队列的元数据分为4组人口统计学特征、健康相关行为、卫生习惯和生活方式因素。(b) 典型对应贡献R²排序。条形图显示了每个解释变量对微生物群落组成的贡献R²该贡献来自典型对应分析CCA。变量按其单独解释的方差比例排序通过envfit()置换检验999次评估。变量按解释力降序排列。(c) 大洲PCoA图。排序基于Bray-Curtis相异性展示了整体微生物群落结构与分类变量“大洲”之间的关系。点代表单个样本按大洲着色。使用置换多元方差分析PERMANOVAR² 0.0283P 0.001评估大洲组间组成差异的统计显著性。(d) 年龄PCoA图。排序基于Bray-Curtis相异性展示了整体微生物群落结构与分类变量“年龄”之间的关系。点代表单个样本按年龄着色。使用置换多元方差分析PERMANOVAR² 0.0647P 0.001评估年龄组间组成差异的统计显著性。酒精摄入与人类皮肤微生物组高度相关除地理位置和年龄外我们对酒精摄入与皮肤微生物组的关系特别感兴趣。这不仅因为它是在前两大因素之后的一个显著协变量还因为它可能反映了个体的生理和代谢状态。经常每天饮酒、偶尔至少每周一次或很少每周少于一次饮酒的个体表现出明显不同的皮肤微生物模式如PCoA所示图3a。基于我们先前定义的微生物模块在不同酒精摄入频率包括少量、偶尔和经常的人群中观察到更明显的差异图3b。如果我们仅比较不同酒精摄入频率的门水平丰度则无法发现如此显著的模式附图8c。为了进一步剖析关联特征我们探讨了酒精摄入与特定皮肤常驻细菌之间的相关性。我们发现Micrococcus一个核心皮肤常驻菌属与酒精摄入主要呈负相关图3c。此外多个可变皮肤常驻细菌属被发现与酒精摄入呈负相关如Snodgrassella、Conchiformibius和Streptobacillus或正相关如Lactococcus、Rothia和Dermacoccus图3d。图3.酒精摄入与皮肤微生物组的评估(a) 酒精摄入PCoA图。排序基于Bray-Curtis相异性展示了整体微生物群落结构与分类变量“酒精摄入”之间的关系。点代表单个样本按酒精摄入频率着色。使用置换多元方差分析PERMANOVAR² 0.0209P 0.001评估不同酒精摄入组间组成差异的统计显著性。(b) 酒精摄入的模块丰度图。该图描绘了在不同酒精摄入组中每个网络模块的标准化丰度得分分布。使用Kruskal-Wallis秩和检验评估中位丰度差异的统计显著性。(c) 核心皮肤常驻菌属与酒精摄入的相关性分析。热图展示了使用MaAsLin2微生物组多变量关联线性模型识别出的核心属之间的显著关联该模型采用线性回归根据酒精摄入调整将微生物属丰度与酒精摄入的有序类别相关联。系数代表关联的方向和强度。例如在“少量偶尔”行中Micrococcus在“少量”组中的丰度显著更高系数约为2。所有呈现的P值经Benjamini-Hochberg校正后均显著。(d) 可变皮肤常驻菌属与酒精摄入的相关性分析。热图展示了使用MaAsLin2微生物组多变量关联线性模型识别出的除核心属之外的所有属之间的显著关联该模型采用线性回归根据酒精摄入调整将微生物属丰度与酒精摄入的有序类别相关联。系数代表关联的方向和强度。所有呈现的P值经Benjamini-Hochberg校正后均显著。本地皮肤微生物组队列验证为独立验证上述协变量对皮肤微生物组的影响我们启动了一项本地皮肤微生物组队列研究注册号20230103TL001临床试验NCT05804851。共招募了168名年龄在21至56岁之间的参与者他们来自西湖大学校园。我们收集了他们的面部皮肤微生物样本并进行测序同时通过问卷收集了相关信息图4a附图9a附表3-4。接下来我们使用不同的模型进行CCA以确定所研究协变量与皮肤微生物组之间的关联。同样年龄和酒精摄入成为影响皮肤微生物组组成的两个首要因素图4b附图9b这与之前基于公共数据的分析结果一致在本地队列中无法将地理位置作为协变量。为了进一步验证每个变量的边际效应我们进行了偏典型对应分析。对于每个变量我们构建了一个偏模型将所有其他变量作为条件因子。酒精摄入再次显示出与皮肤微生物组显著且独立的相关性附图10。比较本地队列与公共数据库的分析结果我们发现每个协变量对皮肤微生物组的影响总体上呈现一致的趋势图4c表明这些关联是可重复且稳定的。图4.高影响协变量的验证(a) 元数据摘要。这是一项于2024年1月29日进行的横断面队列研究。收集面部皮肤微生物组样本。本研究包含的元数据类别为人口统计学特征、健康相关行为、卫生习惯和生活方式因素。(b) 典型对应贡献R²排序。条形图显示了每个解释变量对微生物群落组成的贡献R²该贡献来自典型对应分析CCA。变量按其单独解释的方差比例排序通过envfit()置换检验999次评估。变量按解释力降序排列。(c) 在线数据集与本地队列研究的R²比较。散点图比较了两个研究中共享元数据变量对微生物组方差的解释力R²值。强且显著的相关性皮尔逊r 0.74P值 0.001表明两个队列中变量的效应大小高度一致。Lawsonella和Streptococcus是酒精摄入的微生物标志物在我们自己的队列研究中我们发现饮酒量不同的个体也表现出明显不同的皮肤微生物模式图5a但三组间的物种丰富度由α多样性反映相似附图11a。接下来我们研究了酒精摄入与门水平皮肤微生物组以及先前定义的皮肤细菌模块水平之间的关联。如预期我们在门水平未发现明显相关性附图11b。相反我们定义的皮肤微生物模块能够有效区分频繁饮酒人群和非饮酒人群图5b-c表明基于共现的模块分类是进行皮肤微生物组功能分析的稳健工具。我们进一步考察了本地队列中酒精摄入与每个特定皮肤常驻细菌属的关系。我们发现四个属与酒精摄入量呈线性正相关附图11c。为了更深入地剖析酒精摄入与皮肤微生物组的关系我们提取了高酒精摄入和低无酒精摄入亚组并再次分析数据。我们发现近一半的核心皮肤常驻微生物组在酒精摄入量变化时表现出一致的趋势图5d。Streptococcus、Lawsonella和Staphylococcus这三个非常丰富的属在在线数据集和本地队列中其丰度随酒精摄入量的变化呈现出相同的模式图5e。Lawsonella与酒精摄入呈负相关而Streptococcus和Staphylococcus呈正相关附图11d。我们接下来合并了两个数据集并进行了线性判别分析效应大小LEfSe分析以识别不同酒精摄入状态的生物标志物。与之前的结果相似Streptococcus似乎是高酒精摄入组的代表性菌属而Lawsonella则指示低酒精摄入组图5f。基于皮肤微生物组的酒精摄入机器学习预测为了进一步验证皮肤微生物组与酒精摄入之间的关系我们开发了一个随机森林模型该模型能够基于皮肤微生物组在物种水平的组成有效预测饮酒状态。我们基于在线数据开发了随机森林模型然后用我们自己的队列进行测试。该模型达到了0.804的准确率附图11e。我们注意到由于低酒精摄入组样本量较大模型对其灵敏度较高而对高酒精摄入组灵敏度较低附图11f。因此需要更多高酒精摄入组的样本来提高模型的准确性和灵敏度。这些结果表明皮肤微生物组可以作为预测饮酒状态的工具。有趣的是随机森林模型中最重要的特征与LEfSe结果一致图5gh。高酒精摄入量的顶级物种指标是Dermacoccus nishinomiyaensis、Lactococcus lactis和Brevibacterium aurantiacum图5gh。图5.酒精对皮肤微生物组的影响(a) β多样性差异分析。小提琴图描绘了组内β多样性Bray-Curtis相异性的分布。差异的统计显著性通过Kruskal-Wallis秩和检验确定。(b) 酒精摄入的模块丰度图。该图描绘了在不同酒精摄入组中每个网络模块的标准化丰度得分分布。使用Kruskal-Wallis秩和检验评估中位丰度差异的统计显著性。(c) M4模块与酒精摄入的Mantel相关性。每个点代表一对样本的比较。x轴显示基于酒精摄入水平的样本间欧氏距离y轴显示M4模块的微生物群落相异性Bray-Curtis。线代表线性回归拟合。Mantel检验结果表明M4模块的丰度谱与酒精摄入呈正相关Mantelr 0.074P值 0.089。(d) 核心皮肤常驻菌属丰度热图。该热图显示了来自在线和本地数据集的样本在酒精摄入量高或低时核心皮肤常驻菌属的丰度。红色表示相对丰度高蓝色表示相对丰度低。带有黑色边框的7个属在低酒精和高酒精摄入情况下从两个数据集中均显示出一致的趋势。(e) 前10个最丰富属的条形图。该条形图展示了来自两个数据集的低酒精和高酒精摄入时前10个最丰富的细菌属。加粗的属表示从两个数据集中其丰度在低酒精和高酒精摄入之间呈现一致趋势。(f) LEfSe线性判别分析效应大小LDA得分图属水平。该图突出显示了在每个酒精摄入组中统计上富集的微生物生物标志物属水平。该图显示LDA得分大于3.5的特征。红色条代表在高酒精摄入队列中富集的分类群而蓝色条代表在低酒精摄入对照组中富集的分类群。(g) LEfSe线性判别分析效应大小LDA得分图种水平。该图突出显示了在每个酒精摄入组中统计上富集的微生物生物标志物种水平。该图显示LDA得分大于3的特征。红色条代表在高酒精摄入队列中富集的分类群而蓝色条代表在低酒精摄入对照组中富集的分类群。物种LDA图的阈值是3属LDA图的阈值是3.5。(h) 随机森林模型中细菌物种的特征重要性排序。基于模型中的基尼不纯度平均下降量列出了最重要的细菌物种。前3个物种加粗因为它们是LDA图中高酒精摄入组中重复出现的物种图5g。讨 论人类皮肤微生物组作为人体内第二大微生物群落正受到越来越多的关注。本研究旨在概述人类皮肤微生物组并评估各种相关因素对其影响的强度。与肠道微生物组类似人类皮肤微生物组在属水平上也共享一些常见细菌其中Staphylococcus、Corynebacterium、Streptococcus和Cutibacterium的平均丰度和出现率最高。这些共有细菌对于维持皮肤微生物群落的基本结构和抵抗扰动具有重要作用。在此我们手动将出现率超过60%的细菌定义为核心皮肤常驻菌。识别出约3000个属突显了人类皮肤上存在的巨大微生物多样性这明显高于在肠道微生物组中观察到的多样性。不同细菌属对不同皮肤环境的偏好可能对理解皮肤健康和疾病具有重要意义。例如某些分类群如Staphylococcus在湿润或皮脂腺区域的普遍存在可能与痤疮或皮炎等疾病相关为治疗干预提供了潜在靶点。我们利用横断面观察分析评估了各种相关因素。年龄似乎是影响人类皮肤微生物组的最具影响力的因素这与先前的研究结果一致。具体来说儿童和成人的皮肤微生物组差异很大而中年人和老年人之间的差异则较小。地理位置是另一个值得注意的因素特别是对于来自不同大洲的样本。澳大利亚人群的特征与其他地区显著不同这可能归因于其独特的生态环境和气候。年龄和地理位置是远超其他因素影响的两个因素在未来的皮肤微生物组研究中需要严格控制。微生物种群的年龄相关变异可能反映了宿主潜在生理变化。特别是皮肤衰老的特征是皮脂分泌、汗液产生和水分含量减少这破坏了已建立的微生物生态位。另一个值得注意的发现是饮食和抗生素使用不属于影响人类皮肤微生物组的主要因素。相比之下饮食和抗生素的影响在肠道微生物组研究中经常被强调。我们的分析表明虽然药物确实会影响皮肤微生物组但其影响相对较小。口服抗生素与肠道腔持续直接接触形成高浓度环境从而极大地改变了居住其中的微生物。另一方面抗生素通过循环系统进入皮肤到达皮肤表面的浓度较低且更分散——而皮肤表面本身已具有较高的微生物稳定性和恢复力。偶然地我们发现酒精摄入、运动频率和体重对皮肤微生物组具有显著影响甚至强于许多与皮肤接触的因素如淋浴频率和护肤品使用。值得注意的是这些因素属于生活习惯可能反映个体的生理状况。因此我们将研究重点放在酒精摄入这一代表性的生活习惯上因为它与人类皮肤微生物组存在强相关性这一观察结果极大地引起了我们的兴趣。为进一步深入分析我们构建了一个精心挑选的本地队列其变量受到严格控制包括年龄主要是青少年和中年人、地理位置同一城市内和药物使用无长期药物摄入。该队列提供了关于酒精摄入的更量化信息使我们能够独立验证其与皮肤微生物组的关联。我们结合了在线和本地队列的数据以寻找酒精摄入的生物标志物。从随机森林模型和LEfSe结果来看Lawsonella和Streptococcus是属水平的潜在生物标志物而D. nishinomiyaensis、L. lactis和B. aurantiacum是种水平的潜在生物标志物。有趣的是这三种细菌的基因组中都含有乙醇代谢基因如醇脱氢酶。已知Streptococcus也能将乙醇作为食物来源进行代谢。尽管在不同队列中酒精摄入是通过饮酒量或频率来量化的但我们将这些数据统一为高摄入和低摄入类别进行联合分析可能会引入一些不准确性。尽管酒精摄入影响皮肤微生物组的具体机制尚不清楚我们推测存在一种血液介导的营养机制。酒精摄入后乙醇及其主要代谢物乙醛在全身循环中增加。这些小分子可溶性分子能从真皮毛细血管扩散并通过汗液分泌到皮肤表面为常驻微生物提供了潜在的新型碳源。拥有特定分解代谢酶如醇脱氢酶和醛脱氢酶的皮肤细菌可通过利用这些化合物获得选择性生长优势。这也可能解释了为什么运动等个人生活习惯会影响皮肤微生物组。当人们运动增多时出汗增多可能改变皮肤pH值从而导致皮肤微生物组发生变化。我们的发现可能受到队列代表性的限制因为本地样本来自大学环境涉及更年轻、受教育程度更高的人群他们可能具有不同的生活方式和饮酒模式。荟萃分析中使用的公共数据集是根据可用性和兼容性选择的可能引入人口统计学偏差。尽管有统计控制这些因素共同限制了我们结果的普适性。社会经济地位和压力水平也是潜在因素未来的皮肤微生物组队列研究应考虑纳入这些因素。此外微生物丰富度分析图1b表明物种多样性尚未达到平台期观察到超过10,000个物种表明存在大量未被捕获的多样性。物种水平分辨率的不足限制了对特定细菌关联的信心需要更深的测序或更大的样本来全面表征低丰度分类群及其功能作用。总之我们的整合研究提供了各种因素对人类皮肤微生物组相对影响的平行比较这可能为未来皮肤微生物组研究中设定条件和控制变量提供指导性建议。此外我们提出皮肤微生物组不仅是皮肤健康的指标也反映了受内环境影响的人体系统性生理状况。沿着这个方向进行进一步的研究将非常引人入胜且前景广阔。方 法伦理批准与知情同意本研究获得西湖大学伦理委员会的伦理批准标识号2220230103TL001。临床试验注册号NCT05804851。本研究的所有人类参与者均签署了知情同意书。所有参与者均以其母语中文签署了知情同意书。本地队列设计本地队列是在浙江杭州西湖大学云谷校区进行的一项前瞻性观察性研究。本研究从该队列中选取一个单一时间点进行横断面分析。参与者通过在线注册随机招募纳入标准为年龄10岁及以上并愿意在整个研究过程中配合。排除标准包括有严重疾病史如手术、癌症、肝病、肾病或颅脑外伤。排除有严重疾病的个体有助于最大限度地减少研究期间的风险。同时纳入有严重疾病的参与者可能会混淆研究结果。最终入组人数为168人。这是基于现有数据本研究所需的有效样本量。招募后收集面部皮肤微生物群样本。评估内容包括基本信息问卷、国际体力活动问卷IPAQ-Short Form和随访问卷。伦理批准来自西湖大学伦理委员会标识号20230103TL001临床试验号NCT05804851。面部皮肤微生物组采样将一块5 cm²的预湿润棉垫敷在面部皮肤表面30秒以收集皮肤样本。然后使用一块干净的2 cm²干棉垫在先前湿润的皮肤表面来回擦拭约30次以采集样本。面颊和前额使用三块湿润棉垫而同一块干棉垫用于擦拭这三个区域。之后将棉垫卷起并放入采样管中保存。样本在细菌DNA提取前储存于-80 ºC。受试者元数据自行填写的电子问卷收集了每位受试者的生活方式、用药情况、生理和心理信息。自行填写的电子问卷包括基本信息问卷、皮肤微生物组随访问卷和国际体力活动问卷。基本信息问卷主要询问受试者的基本用药和生理状况。皮肤微生物组随访问卷主要询问受试者近期的生活方式和皮肤相关问题。国际体力活动问卷关注每位受试者的运动状况。16S rRNA基因扩增子测序16S rRNA基因包含可提供物种特异性特征序列的高变区这些区域可用于鉴定细菌。在本研究中使用正向引物341F (5’-CCTACGGGNGGCWGCAG-3’) 和反向引物805R (5’-GACTACHVGGGTATCTAATCC-3’) 在50 μL反应体系中扩增细菌16S rRNA基因的V3-V4高变区反应体系包含25 μL VAHTS HiFi Amplification MixVazyme并使用五条形码系统附表5。每个样本我们扩增一个重复。扩增条件如下95°C 3分钟然后进行30个循环95°C 30秒55°C 30秒72°C 50秒最后72°C延伸10分钟并在10°C保持。扩增子通过磁珠纯化法进行纯化。纯化的扩增子使用Qubit 2.0荧光计定量并混合用于Illumina测序。使用TruSeq Nano DNA LT Library Prep Kit构建测序文库。测序在Illumina NovaSeq 6000平台武汉上进行采用2 x 250 bp双端测序模式。数据分析在线数据集的16S rRNA序列数据准备与过滤每个样本的16S rRNA序列从网上下载。不同研究测试的16S rRNA序列高变区不同因此我们首先使用Flash软件对具有双端序列R1和R2的序列进行合并然后从数据集中删除低reads数的样本。序列直接使用BLAST (2.13.0) 比对到NCBI 16S rRNA数据库经策展以包含皮肤微生物组。如果样本中超过一半的序列无法与参考皮肤微生物组数据库比对我们则继续过滤掉这些样本。最后为每个样本生成物种计数表并通过独立地将每条序列与参考数据库分类生成完整的分类学表界至属。本地队列的16S rRNA序列数据准备与过滤原始扩增子数据使用R语言R版本4.3.1中实现的一系列生物信息学工具进行处理。首先使用fastq_multx软件根据设计的条形码对序列进行解复用。然后将得到的序列载入R使用Dada2 (1.28.0) R包进行质量过滤。通过BLAST (2.13.0) 参考皮肤微生物组数据库NCBI 16S rRNA数据库对得到的高质量序列进行分类学注释。然后使用Phyloseq R包 (1.44.0) 构建一个phyloseq对象以便于下游分析。该phyloseq对象包含每个样本的分类组成信息以及与每个样本相关的各种元数据已评估因素信息表和面部健康状态信息表。特定分类等级累积曲线与多样性估计分析基于观测数据的经验稀疏曲线使用vegan包 (2.6.4) 中的specaccum函数方法 “random”构建。为了定量估计观测采样努力之外的丰富度使用R中的iNEXT包 (3.0.1) 分析了跨分类等级的丰富度累积模式。对于每个分类等级门、纲、目、科过滤后的phyloseq对象通过以下步骤转换为出现频率矩阵(1) 移除在所有样本中出现次数为零的分类单元(2) 对丰度数据进行二值化存在 1缺失 0(3) 计算行和代表每个分类单元被观测到的样本数量。选择希尔数q0物种丰富度当量来估计每个等级下的预期丰富度。生成稀疏内插和外推曲线时使用100次bootstrap重复以推导95%置信区间。为了标准化不同等级间的采样努力x轴被重新缩放以反映样本量而非个体数量公式如下其中m表示iNEXT基于大小的采样单位中的个体数。这种转换使得在异质分类学分辨率下进行有生物学意义的累积模式比较成为可能。核心微生物组分析为了鉴定核心微生物组使用了microbiome R包 (1.22.0) 中基于出现率的核心微生物组分析方法。在本文中核心属被定义为在样本中检测到的出现率最低阈值为60%的微生物特征属。共现网络分析使用R中的microeco包 (1.3.0) 构建属水平共现网络。首先将分类学特征在属水平汇总并过滤保留平均相对丰度 ≥ 0.05%的分类群。使用皮尔逊相关性cor_method “pearson”计算成对关联使用Benjamini-Hochberg校正的P值阈值0.05排除统计上不显著的关联。通过自动阈值选择优化网络拓扑以最大化模块化同时最小化虚假连接。或者应用保守的绝对相关系数阈值0.3进行稳健性比较检查。得到的无向网络通过快速贪婪模块度优化算法method “cluster_fast_greedy”划分为模块。网络在Gephi中使用Fruchterman-Reingold布局算法进行可视化节点大小与相对丰度成比例边宽与相关性强度成比例。排序分析冗余分析RDA进行基于距离的冗余分析db-RDA以检查不同皮肤部位中皮肤微生物群落组成与顶级核心属之间的关系。该分析使用vegan包中的capscale函数基于物种水平丰度数据生成的Bray-Curtis相异矩阵并针对代表核心细菌属相对丰度的环境变量进行建模。通过置换检验999次评估整体模型的统计显著性。我们重点关注前10个核心属的可视化。使用Type 1缩放提取排序结果。典型对应分析CCACCA评估了微生物群落对分类元数据变量例如年龄组的单峰响应。物种丰度表使用vegan::cca()与变量相关联。对于包含协变量例如皮肤分组的分析我们进行了偏CCA使用Condition()参数进行调整。对于每个模型我们使用envfit函数进行了基于置换的显著性检验999次置换以评估微生物群落结构与每个元数据变量之间关系的强度和统计显著性。从每个环境拟合检验中提取拟合优度统计量R²和相关的P值以量化每个变量独立于皮肤部位差异的解释力。边际效应分析使用vegan::cca()函数中的Condition()参数我们依次为每个目标变量构建了一个偏CCA模型将目标变量作为约束并以其他元数据变量作为条件。我们计算了调整后的R²值RsquareAdj()以估计每个变量独特归因的群落方差比例。使用基于置换的ANOVAanova.cca()999次置换评估统计显著性。主坐标分析PCoA偏PCoA基于Bray-Curtis相异性使用cmdscale()进行可视化。从物种水平丰度表计算Bray-Curtis相异矩阵以量化样本间的β多样性。然后使用偏PCoAdbRDA模型检验因素例如酒精摄入对微生物组组成的影响该模型使用capscale函数实现将目标因素例如酒精摄入作为约束变量同时将诸如护肤品使用和运动频率等因素作为条件变量进行部分消除。使用vegan:adonis2()999次置换评估每个检验因素的统计显著性。“皮肤分组”作为酒精摄入的协变量。“护肤品使用”和“运动频率”作为酒精摄入的协变量。所有用于酒精摄入分析的样本均来自同一皮肤部位。“大洲”作为年龄组的协变量。相关性分析核心微生物属例如Staphylococcus、Corynebacterium与元数据变量人口统计学、生活方式、皮肤部位分组之间的关联使用R包MaAsLin2 (1.14.1) 进行检验。通过皮尔逊相关性计算微生物丰度与连续变量之间的成对线性相关性。使用Benjamini-Hochberg FDR校正进行P值调整。使用Mantel检验评估环境梯度对微生物群落结构的影响。将来自微生物组丰度数据的Bray-Curtis相异矩阵与目标变量如酒精摄入的欧氏距离矩阵进行比较。对于LEfSe线性判别分析效应大小分析我们使用了microeco包中的trans_diff函数。选择“lefse”参数并设置alpha显著性阈值为0.05。使用Benjamini-Hochberg FDR校正进行P值调整。模块差异分析从整体属表中提取所有样本的属丰度表包含来自五个识别模块的所有重要物种。基于五个模块将属丰度表分成5个表。然后对于每个模块的属丰度表进行无约束冗余分析并提取每个样本的第一主成分PC1。这个PC1代表每个样本中每个模块的整体丰度。为了绘制模块差异丰度图将一个因素的每个模块的丰度归一化到0到1之间以便于可视化。对每个因素执行Kruskal-Wallis秩和检验作为显著性检验。随机森林分析用于酒精摄入的基于微生物组的分类模型使用随机森林算法开发使用R中的randomForest和caret包。模型在数据集1上训练并在数据集2上独立验证。为确保队列间的特征对齐验证集中缺失的特征用零填充并应用近零方差NZV过滤以去除非信息性变量。为了优化模型简约性并防止过拟合我们采用了特征选择策略使用Boruta R包中的Boruta算法识别所有相关特征。模型训练采用5折重复交叉验证以受试者工作特征曲线下面积作为主要优化指标。我们调整了mtry参数范围2–30同时保持每片森林500棵树。通过灵敏度、特异性和总体准确率评估模型在独立验证集上的性能。使用基尼系数的平均下降量来量化特征重要性以识别驱动分类的关键细菌物种。代码和数据可用性宏基因组和16S rRNA读数的序列数据已存入NCBI Sequence Read Archive登录号为PRJNA1359764。引文格式Y.Xu, J.Luo, X.Guo, et al., “The Human Skin Microbiome is a Reflective Mirror of Alcohol Intake,” iMetaMed0 (2026): e70034. https://doi.org/10.1002/imm3.70034.作者简介徐杨羽双第一作者● 西湖大学医学院在读博士研究生。陶亮通讯作者● 西湖大学医学院长聘副教授博士生导师。● 陶亮博士致力于研究微生物和宿主之间的互作关系和机理关注从分子微生物、生化、细胞、遗传、组学等多角度研究细菌及其重要组分和产物毒素、效应蛋白、代谢物等对宿主功能的影响和作用机制。在基础研究的同时还从事开发各类细菌衍生物用于科研、医学及商业领域。以第一或通讯作者在Nature, Science, Cell, Nat Metab, Nat Microbiol, Nat Electron, Nat Commun, Cell Res, Cell Discov等期刊上发表学术论文四十余篇申请或授权专利10项。获得中国科学院院长奖、哈佛华人生命医学优秀学术奖、杭州市十大青年科技英才提名奖等荣誉入选“国家海外高层次人才引进计划”青年项目、“浙江省海外高层次引进计划”创新长期项目、浙江省杰出青年项目及延续项目等。● 课题组主要研究方向包括1细菌毒素对宿主细胞功能的影响和作用机制的研究2微生物在宿主内的适应及与宿主环境平衡的研究3细菌蛋白和代谢物的工程改造及应用开发。共同主办单位更多推荐▼ 点击跳转高引文章 ▸▸▸▸iMeta | 引用20000海普洛斯陈实富发布新版fastp更快更好地处理FASTQ数据高引文章 ▸▸▸▸iMeta | 兰大张东组使用PhyloSuite进行分子系统发育及系统发育树的统计分析高引文章▸▸▸▸iMeta | 唐海宝/张兴坦-用于比较基因组学分析的多功能分析套件JCVIiMeta封面1卷1期1卷2期1卷3期1卷4期2卷1期2卷2期2卷3期2卷4期3卷1期3卷2期3卷3期3卷4期3卷5期3卷6期4卷1期4卷2期4卷3期4卷4期4卷5期4卷6期5卷1期iMetaOmics封面1卷1期1卷2期2卷1期2卷2期2卷3期2卷4期3卷1期iMetaMed封面1卷1期1卷2期期刊简介“iMeta” 是由威立、宏科学和本领域数千名华人科学家合作出版的开放获取期刊主编由中科院微生物所刘双江研究员和荷兰格罗宁根大学傅静远教授担任。目的是发表所有领域高影响力的研究、方法和综述重点关注微生物组、生物信息、大数据和多组学等前沿交叉学科。目标是发表前10%(IF 20)的高影响力论文。期刊特色包括中英双语图文、双语视频、可重复分析、图片打磨、60万用户的社交媒体宣传等。2022年2月正式创刊相继被Google Scholar、PubMed、SCIE、ESI、DOAJ、Scopus等数据库收录2025年6月影响因子33.2中科院分区生物学1区Top位列全球SCI期刊前千分之三(65/22249)微生物学科2/163仅低于Nature Reviews学科研究类期刊全球第一中国大陆5/585“iMetaOmics” 是“iMeta” 子刊主编由中国科学院北京生命科学研究院赵方庆研究员和香港中文大学于君教授担任。iMetaOmics相继被PubMed、ESCI、DOAJ、Crossref和EZB等数据库收录目标是成为影响因子大于10的高水平综合期刊欢迎投稿iMetaMed 是“iMeta” 子刊专注于医学、健康和生物技术领域目标是成为影响因子大于15的医学综合类期刊欢迎投稿iMeta主页http://www.imeta.science姊妹刊iMetaOmics主页http://www.imeta.science/imetaomics/出版社iMeta主页https://onlinelibrary.wiley.com/journal/2770596x出版社iMetaOmics主页https://onlinelibrary.wiley.com/journal/29969514出版社iMetaMed主页https://onlinelibrary.wiley.com/journal/3066988xiMeta投稿https://wiley.atyponrex.com/journal/IMT2iMetaOmics投稿https://wiley.atyponrex.com/journal/IMO2iMetaMed投稿https://wiley.atyponrex.com/submission/dashboard?siteNameIMM3邮箱officeimeta.science