2022, Vol. 29
2. 复旦大学附属中山医院心内科, 上海市心血管病研究所, 上海 200032;
3. 复旦大学义乌研究院, 义乌 322000
2. Department of Cardiology, Zhongshan Hospital, Fudan University, Shanghai Institute of Cardiovascular Diseases, Shanghai 200032, China;
3. Yiwu Research Institute of Fudan University, Yiwu, 322000, Zhejiang, China
高血压是一个全球性的公共卫生问题。据统计，全球约有31%的人口患有高血压，其中超过10亿的高血压人口生活在低收入和中等收入国家[1-2]。由于人口老龄化和生活方式改变等因素，全球高血压的患病率仍不断增加。高血压是中风、心力衰竭等心脑血管疾病的重要危险因素之一[3-4]。有研究[5-6]表明，在1990年至2015年之间，死于心脑血管疾病的人数显著增加，其中高血压引起的心脏病死亡和中风死亡分别占40.1%和40.4%。因此，对于高血压发生和发展机制的研究迫在眉睫。
高血压是一种受遗传和环境等因素影响的复杂疾病[7]。在遗传因素方面，目前已有研究[8-9]通过全基因组关联分析发现一系列与高血压相关的基因位点和通路。在环境因素当中，盐分摄入、饮酒和缺乏运动等，被证实也与高血压的发生有关[10-11]，但是由于高血压的复杂性和异质性，准确定位这种疾病的所有病因仍有挑战。
肠道菌群是生活在人类和动物消化道中的复杂微生物群落，由50多个不同门中的1 500多个物种组成[12-13]。肠道菌群在人体中具有多种重要功能，如抵御病原体、增强免疫系统[14]、参与食物消化和人体代谢[15]、改善胰岛素抵抗[16]、影响神经系统的功能[17]，并且与多种人体疾病相关[18-22]。近来有研究[23]表明，肠道菌群与高血压之间存在着一定的关联，高血压人群与健康人群相比有明显的肠道微生物失调，并且在分类学和功能方面均存在显著差异。也有研究[24]发现，肠道菌群的组成和结构对高血压的发生和发展有重要的预测价值。此外，肠道微生物相关的代谢组学研究已在不同种族、性别和年龄范围的队列中确定了24种与高血压相关的循环代谢物如丁酸盐、氧化三甲胺等[25]。
目前大部分关于高血压与肠道菌群的研究采用成本较低的16S rRNA测序[21, 26]，该方法只能检测到属水平的差异且不能对菌群功能进行准确注释。相比较而言，宏基因组测序可检测肠道菌群的整个基因组，提高了检测灵敏度和分辨率，能更加全面地揭示了肠道微生物的组成和功能[27]。在肠道微生物相关代谢组学研究中，采用靶向代谢组技术可选择定量或半定量分析方式，还可优化样品制备，减少分析中高丰度分子的优势[28]，能够更加灵活准确对代谢物进行研究。目前，在高血压患者中，肠道微生物的物种组成和种水平菌的相对丰度变化如何，以及肠道细菌的功能和代谢物的变化如何，尚未完全明确。
本研究利用宏基因组测序和靶向代谢组学，探讨高血压与非高血压人群肠道菌群在菌种水平和菌群相关代谢物上的差异，以期为进一步探索肠道菌群在高血压发生和发展中的机制研究提供人群层面的数据支持。
1 资料与方法 1.1 一般资料选取2017年3月到2018年6月期间复旦大学附属中山医院心血管内科收治的77例年龄大于18岁的住院就诊者。根据自报有无高血压疾病史分为高血压组（n＝55）和非高血压组（n＝22），高血压组中所有高血压患者都为原发性高血压患者，无继发性高血压患者。本研究通过复旦大学附属中山医院伦理委员会批准（B2017-501），所有患者均知情并签署知情同意书。
纳入标准：年龄18~85岁，冠状动脉造影未发现狭窄或冠状动脉狭窄＜30%。排除标准：（1）未提供粪便样本或血液样本；（2）在粪便采集前2周内使用或服用过抗生素类药物或益生菌；（3）有腹泻、肠炎、肠癌等肠道相关疾病；（4）有盆腔放疗、化疗史；（5）糖尿病病史；（6）有既往急性心肌损伤或任何既往冠状动脉疾病史；（7）电子病历中缺乏是否患高血压病史的记录或其他基本临床数据不完整；（8）拒绝参与此研究。
1.2 粪便样本采集入院后第1天使用MagPure Stool DNA KF kit B（Magen，China）收集粪便样本，并在收集后24 h内将其储存在－80℃冰箱中。
1.3 临床数据收集与实验室测量人口统计学数据（性别、年龄）、人体测量学数据（身高、体质量）、吸烟、高血压、高血脂疾病史和用药信息的基线数据通过中山医院心内科电子病历系统获得。
葡萄糖和血脂指标包括三酰甘油（triglyceride，TG）、总胆固醇（total cholesterol，TC）、高密度脂蛋白胆固醇（high-density lipoprotein cholesterol，HDL-C）和低密度脂蛋白胆固醇（low-density lipoprotein cholesterol，LDL-C）的基线循环水平使用自动分析仪AU5800（Beckman Coulter，法国）测量，通过高压液相色谱法测量糖化血红蛋白（glycated hemoglobin，HbA1c）。
1.4 菌群宏基因组测序分析采用DNeasy PowerSoil HTP 96 Kit提取试剂盒（Qiagen，德国）提取粪便样本中总微生物基因组DNA。采用Tn5转座酶DNA文库构建试剂盒（APE×BIO，美国）构建Illumina测序文库。委托南京诺禾致源生物信息科技有限公司采用Illumina Novaseq6000平台对所有宏基因组文库进行双端测序。平均每个样本的测序下机数据量为11.9 GB。
采用FastQC 0.11.8对原始下机数据进行质量检测，并通过Trimmomatic 0.33去除接头序列、引物序列和低质量的碱基。采用Bowtie2 2.3.4.3将质控后的数据与人类参考基因组（GRCH37）进行比对，进一步剔除这些污染序列。获得质控的数据之后，通过MetaPhlan2 2.7.5将测序数据与物种特异性标记基因数据库进行比对来进行物种分析，该数据库是通过来自7 000多个物种的17 000个参考基因组构建而成，包括100万个物种特异性标记基因。在大于10%样本中均存在的微生物纳入下游分析。基于UniRef直系同源基因家族、EC基因家族和MetaCyc代谢通路，通过HUMAnN2 0.11.2对物种特异性功能谱和代谢通路进行分析，相对丰度前75%的微生物代谢通路纳入下游分析。肠道菌群多样性分析：采用Shannon指数评估肠道菌群α多样性特征；采用Bray-Curtis距离矩阵对样本间群落结构β多样性差异进行计算，并用主坐标分析法（PCoA）对结果进行可视化。
1.5 血液和粪便样本靶向代谢组学检测用配备电喷雾离子源ESI的三重四级杆液质联用系统Agilent 6470 Triple Quadruple（Agilent，美国）对血液样本进行靶向代谢组学检测，测量血液中胆碱代谢通路产物（包括胆碱、甜菜碱、三甲胺、氧化三甲胺、肉碱和肌酐）的水平。
用气相色谱-质谱联用仪7890A-5975C（Agilent，美国）对经过宏基因组测序过的粪便样本进行短链脂肪酸（包括乙酸、丙酸、丁酸、异丁酸、戊酸和异戊酸）的靶向代谢组学检测。乙酸、异丁酸、戊酸和异戊酸的标准品购自Sigma-Aldrich（美国），丙酸和丁酸的标准品购自国药控股化学试剂有限公司。
1.6 统计学处理与图表绘制采用R 3.5.0进行统计学分析与图表绘制。符合正态分布的计量资料以x±s表示，不符合的计量资料以M（P25, P75）表示。对于正态分布且具有方差齐性的连续型变量采用独立样本t检验进行组间比较。非正态分布的连续型变量采用Wilcoxon秩和检验进行组间比较。计数资料以n（%）表示，组间比较采用χ2检验。用R包vegan进行PERMANOVA分析，计算各因素对于肠道菌群结构的解释度。两组间采用Wilcoxon秩和检验比较组间的α多样性、微生物相关代谢通路以及菌群相关代谢物水平。采用Adonis检验比较两组间β多样性。运用LEfSe比较2组间种水平细菌的相对丰度差异，LDA的筛选值为2。基于通过LEfSe分析得到的组间差异肠道菌，按其在人群中物种相对丰度的中位数进行分级赋分（对富集在非高血压组的菌种，其相对丰度大于中位数的参与者赋分为1，低于中位数的参与者赋分为0。富集在高血压组的，则反向赋分，即物种相对丰度低于中位数的赋分为1，高于中位数的赋分为0）并求和来构建肠道微生物综合评分（gut microbiota score，GMS）。采用多因素logistic回归分析，校正性别、年龄、BMI、LDL-C、降压药用药、吸烟因素，研究高血压与GMS的相关性。通过Spearman等级相关分析，研究种水平组间差异肠道菌与代谢物之间的关联。均采用双侧检验，检验水准（α）为0.05。
2 结果 2.1 一般资料分析结果（表 1）显示：年龄、性别比例、吸烟比例、高血脂比例、BMI、空腹血糖、HbA1c、TG、TC和HDL-C在组间差异均无统计学意义。高血压组人群使用钙通道阻断剂类降压药（calcium channel blocker，CCB）占50.9%，且血液LDL-C含量较非高血压组人群低（P＝0.02）。
| 指标 | 高血压组(n＝55) | 非高血压组(n＝22) | P值 |
| 年龄/岁 | 64(58, 69) | 58(55, 61) | 0.05 |
| 女性n(%) | 12(21.8) | 3(13.6) | 0.62 |
| 吸烟n(%) | 41(74.5) | 12(54.5) | 0.07 |
| 高血脂n(%) | 54(98.2) | 20(90.9) | 0.40 |
| BMI/(kg·m－2) | 25.7(24.0, 27.1) | 25.4(23.8, 27.6) | 0.57 |
| CCB n(%) | 28(50.9) | 0(0.0) | 0.001 |
| GLU/(mmol·L－1) | 5.7(5.0, 6.9) | 5.6(5.2, 7.2) | 0.14 |
| HbA1c/(mmol·L－1) | 5.6(5.4, 5.9) | 5.8(5.5, 6.2) | 0.16 |
| TG/(mmol·L－1) | 1.6(1.1, 2.5) | 1.9(1.2, 2.8) | 0.32 |
| TC/(mmol·L－1) | 3.7(3.2, 4.4) | 4.5(3.4, 4.9) | 0.07 |
| HDL-C/(mmol·L－1) | 1.04(0.90, 1.27) | 0.96(0.87, 1.31) | 0.58 |
| LDL-C/(mmol·L－1) | 1.8(1.3, 2.3) | 2.5(1.5, 2.9) | 0.02 |
| BMI：体质指数；CCB：钙通道阻滞剂类降压药；GLU：血糖值；HbA1c：糖化血红蛋白；TG：三酰甘油；TC：总胆固醇；HDL-C：高密度脂蛋白胆固醇；LDL-C：低密度脂蛋白胆固醇。 | |||
结果（图 1A）显示：非高血压组的肠道菌群Shannon指数显著高于高血压组（P＝0.039）。基于种水平计算得到的Bray-Curtis距离对所有样本进行主坐标分析，结果（图 1B）显示高血压组和非高血压组在β多样性上差异无统计学意义（Adonis：R2＝0.017 64，P＝0.117）。
|
| 图 1 肠道菌群的Shannon指数（A）和基于种水平的PCoA分析（B） 每个点代表一个样本，橙色代表高血压组，绿色代表非高血压组，箱型图展示了高血压组和非高血压组在PCoA1和PCoA2上的差异。使用Adonis进行统计检验。 |
通过PERMANOVA分析计算性别、年龄、高血压、吸烟、CCB、LDL-C、TC、TG对于肠道菌群结构解释度。结果（图 2）显示各因素对于菌群结构的解释度相对较低，其中高血压因素在所有分析因素中解释度最高（0.018%）。
|
| 图 2 各因素对肠道菌群结构解释度 CCB：钙通道阻滞剂类降压药；LDL-C：低密度脂蛋白胆固醇；TC：总胆固醇；TG：三酰甘油。 |
图 3分别显示了非高血压组和高血压组在门和属水平上的肠道菌群组成。在门水平上（图 3A），非高血压组与高血压组相比，占比肠道菌群按照相对丰度从高到低依次是拟杆菌门（Bacteroidetes，64.5% vs 66.5%，P＝0.35）、厚壁杆菌门（Firmicutes，25.3 % vs 24.4%，P＝0.66）、变形菌门（Proteobacteria，8.55% vs 6.6%，P＝0.99）和放线菌门（Actinobacteria，1.10% vs 1.13%，P＝0.74）。
|
| 图 3 高血压组和非高血压组人群在门层面（A）和属层面（B）的肠道菌群构成 柱状图（左）为高血压组和非高血压组全部样本的菌群组成情况。堆积图（右）为高血压组和非高血压组各样本的菌群组成情况。 |
在属水平上（图 5B），按照相对丰度从高到低，前十位依次是拟杆菌属（Bacteroides，42.3% vs 36.9%，P＝0.30），普雷沃菌属（Prevotella，3.65% vs 12.66%，P＝0.84），阿里斯菌属（Alistipes，10.67% vs 9.33%，P＝0.28），粪杆菌属（Faecalibacterium，7.47% vs 5.71%，P＝0.27），真杆菌属（Eubacterium，4.05% vs 5.13%，P＝0.95），副拟杆菌属（Parabacteroides，3.73% vs 5.21%，P＝0.38），埃希菌属（Escherichia，4.48% vs 2.62%，P＝0.91），罕见小球菌属（Subdoligranulum，2.98% vs 2.64%，P＝0.65），罗斯菌属（Roseburia，2.76% vs 2.37%，P＝0.15），布劳特菌属（Blautia，1.36% vs 1.64%，P＝0.50）。
2.4 组间差异菌分析通过LEfSe方法判定高血压组和非高血压组的差异菌。在种水平上，2组间有14种菌相对丰度存在显著差异（图 4A）。其中，诺氏拟杆菌（Bacteroides nordii）、食酸戴尔福特菌（Delftia acidovorans）、单形巨单胞菌（Megamonas funiformis）、多枝梭菌（Clostridium ramosum）、副流感嗜血杆菌（Haemophilus parainfluenzae）富集在高血压组。值得注意的是，多枝梭菌和单形巨单胞菌仅在高血压组人群中检测到。而粪便拟杆菌（Bacteroides stercoris）、马赛拟杆菌（Bacteroides massiliensis）、浑浊戴阿李斯特菌（Dialister invisus）、酸奶瘤胃球菌（Ruminococcus lactaris）、栖热粪杆菌（Coprobacter fastidiosus）、产甲酸草酸杆菌（Oxalobacter formigenes）、丝状霍尔德菌（Holdemania filiformis）、毛螺旋菌（Parasutterella excrementihominis）、伯克霍尔德氏菌1147（Burkholderiales bacterium 1147）在非高血压组富集。
|
| 图 4 高血压组与非高血压组的差异菌（A）和肠道微生物综合评分差异（B） A：左侧柱状图代表差异细菌的LDA值大小，LDA值的绝对值越大代表差异越显著，橙色代表细菌富集在高血压组，绿色代表细菌富集在非高血压组。右侧箱型图展示差异细菌在2组人群中的相对丰度分布。 |
为了综合评估肠道微生物对高血压疾病的整体作用，通过上述差异菌在总人群中的相对丰度中位数构建了GMS，富集在非高血压组的细菌种类越多，GMS得分越高（GMS的取值范围为0~14）。结果（图 4B）表明，非高血压组的肠道微生物评分显著高于高血压组（24.45±4.71 vs 18.64±4.75，P＜0.001）。通过多因素逻辑回归分析，校正性别、年龄、BMI、LDL-C、CCB、吸烟因素后，高血压与GMS之间存在显著相关性[OR 95%CI＝0.24 (0.08，0.57)，P＝0.004]，肠道微生物综合评分数值每增加1个标准差（standard deviation，SD），人群中可能患高血压人数的占比降低76%。
2.5 组间代谢通路差异运用Wilcoxon秩和检验比较2组间的差异代谢通路，发现部分肠道菌群代谢通路存在显著差异。差异分析结果（图 5）显示，2组间共有9个差异代谢通路，主要涉及核苷酸降解、氨基酸合成、丁酸盐合成以及糖酵解通路。与高血压组相比，非高血压组中腺苷核苷酸降解（adenosine nucleotides degradation）、UDP葡萄糖衍生的O抗原积木生物合成的超通路（superpathway of UDP-glucose-derived O-antigen building blocks biosynthesis）、鸟苷核苷酸降解（guanosine nucleotides degradation）、乙酰辅酶A发酵为丁酸盐通路（acetyl-CoA fermentation to butanoate）、L-异亮氨酸生物合成（L-isoleucine biosynthesis）、L-瓜氨酸代谢超通路（superpathway of L-citrulline metabolism）、L-谷氨酸降解（通过羟基谷氨酸，L-glutamate degradation V）、糖酵解和Entner-Doudoroff超通路（superpathway of glycolysis and Entner-aDoudoroff）等代谢通路相对丰度较高；L-赖氨酸发酵为醋酸盐和丁酸盐（L-lysine fermentation to acetate and butanoate）的代谢通路相对丰度较低。
|
| 图 5 高血压组和非高血压组代谢通路差异比较 |
高血压组和非高血压组粪便和血液代谢物水平差异见表 2（短链脂肪酸代谢物）和表 3（氧化三甲胺途径代谢物）。由于部分参与者在完成临床生化检测和粪便宏基因组检测后样本量不足，故代谢组研究只检测了样本量尚足粪便样本中的6种短链脂肪酸（short-chain fatty acids，SCFA）：乙酸、丙酸、丁酸、异丁酸、戊酸和异戊酸，以及血液样本中6种氧化三甲胺（Trimethylamine N-Oxide，TMAO）相关的代谢物：甜菜碱、胆碱、三甲胺、氧化三甲胺、肉碱、肌酐。结果显示：这些代谢物在高血压组和非高血压组两组之间差异均无统计学意义。
| 代谢物/(μmol·L－1) | 高血压组(n＝48) | 非高血压组(n＝18) | P值 |
| 乙酸 | 0.056(0.032, 0.082) | 0.048(0.012, 0.010) | 0.58 |
| 丙酸 | 0.009(0.009, 0.014) | 0.008(0.003, 0.021) | 0.59 |
| 丁酸 | 0.014(0.009, 0.028) | 0.016(0.004, 0.030) | 0.79 |
| 异丁酸 | 0.001(0.0006, 0.003) | 0.000 7(0.000 4, 0.004) | 0.21 |
| 戊酸 | 0.002(0.0005, 0.004) | 0.002(0.000 4, 0.008) | 0.71 |
| 异戊酸 | 0.002(0.001, 0.004) | 0.003(0.001, 0.006) | 0.94 |
| 代谢物/(μg·mL－1) | 高血压组(n＝47) | 非高血压组(n＝15) | P值 |
| 甜菜碱 | 32.91(26.27, 42.42) | 34.75(30.69, 41.49) | 0.53 |
| 胆碱 | 27.66(23.74, 37.64) | 23.84(20.16, 25.87) | 0.12 |
| 三甲胺 | 3.67(2.18, 4.59) | 3.19(2.68, 4.60) | 0.83 |
| 氧化三甲胺 | 1.54(1.07, 2.31) | 1.68(1.24, 2.43) | 0.65 |
| 肉碱 | 28.83(24.85, 34.19) | 26.84(25.23, 34.85) | 0.83 |
| 肌酐 | 60.13(51.69, 67.19) | 55.60(50.54, 67.08) | 0.66 |
种水平组间差异肠道菌与粪便中短链脂肪酸代谢物和血液中氧化三甲胺途径代谢物间关联分析结果（图 6）显示，毛螺旋菌（Parasutterella excrementihominis）与粪便中短链脂肪酸代谢物丙酸（r＝－0.36，P＝0.003）、醋酸（r＝－0.28，P＝0.02）、丁酸（r＝－0.26，P＝0.03）负相关。伯克霍尔德氏菌1147（Burkholderiales bacterium 1147）与丙酸负相关（r＝－0.28，P＝0.02）。血液中氧化三甲胺途径代谢物与组间差异肠道菌之间关联，毛螺旋菌（r＝0.39，P＝0.002）和伯克霍尔德氏菌1147（r＝0.37，P＝0.003）与氧化三甲胺正相关。
|
| 图 6 种水平组间差异肠道菌与粪便中短链脂肪酸（SCFA）代谢物和血液中氧化三甲胺（TMAO）途径代谢物间关联 **P＜0.01，*P＜0.05。 |
本研究共纳入77例受试者，根据患者自报有无高血压疾病史，分为高血压组和非高血压组。结果显示，非高血压组的α多样性显著高于高血压组，β多样性在组间差异无统计学意义。针对α多样性结果，此前也有研究得出类似结论，Li等[29]对46例健康对照、51例高血压前期受试者以及99例原发性高血压患者的粪便样本进行宏基因组学和代谢组学分析发现，肠道菌群的失调与宿主代谢改变密切相关。与健康对照组相比，高血压组和高血压前期组肠道菌群物种的丰富度和多样性显著降低。此外，Richards等[30]在一项包含11只大鼠和17例人类患者样本的研究中，同样发现高血压病例的肠道菌群α多样性较低。对于β多样性结果，王攀等[24]在之前样本量为52例的小样本人群研究中同样发现血压大幅升高人群肠道菌群β多样性与基线期相比无显著差异，与本研究结果类似。但是Palmu等[31]在对6 953例芬兰人群队列研究中发现，血压与肠道菌群β多样性显著相关，可能由于本研究样本量较少，未发现肠道菌群β多样性与血压之间的关联。
本研究采用宏基因组测序的方式，探讨肠道菌群在种水平和功能水平上与高血压之间的关联。结果显示，通过LEfSe分析得到的14种组间差异菌中，有2种仅存在于高血压人群当中，分别是多枝梭菌（Clostridium ramosum）和单形巨单胞菌（Megamonas funiformis）。有研究[32]表明，多枝梭菌对于促进饮食诱导的肥胖具有重要作用，靶向致肥胖细菌的药物可能有助于治疗肥胖和相关疾病如高血压、心血管疾病等。对于单形巨单胞菌，有文献[33]指出，其是克罗恩病的弱标志物，之前尚不清楚在人类肠道健康中的作用，但是目前有研究[34]表明可能与炎症性肠病（inflammatory bowel disease，IBD）的发病机制有关。IBD患者通常伴随肠道慢性炎症，而且不良饮食、吸烟、饮酒等风险因素会大大增加IBD患者的心血管疾病和高血压的患病风险。此外，富集非高血压组中粪便拟杆菌（Bacteroides stercoris）也值得关注，Luan等[35]对海南长寿老人队列进行研究，发现粪便拟杆菌在老年人群从相对稳定的健康状态到虚弱状态直至死亡的过程中，其相对丰度出现了显著下降。以上线索提示，多枝梭菌和单形巨单胞菌在高血压的发生和发展过程中可能起到一定的作用，粪便拟杆菌可能与人体健康状态的维持有密切关系。为了进一步综合评估肠道菌与高血压的关系，参考之前研究[36-37]，通过LEfSe分析得到的14种组间差异菌构建GMS发现，此评分每增加1个标准差，人群中可能患高血压人数的占比降低76%，综合评价了肠道微生物与高血压的整体关联。
在代谢功能特征方面，高血压组和非高血压组共有9个差异代谢途径，并且均富集在非高血压组。主要涉及核苷酸的降解、氨基酸的合成、丁酸盐的合成以及糖酵解通路。其中涉及丁酸盐的合成通路值得注意，肠道细菌的代谢产物丁酸盐在过去十年当中受到了广泛的关注，大多数研究认为其具有维持肠道健康的公认生物学特性。有研究[38]发现，丁酸盐会干扰肠道上皮细胞促炎信号的表达，从而抑制炎症反应的发生。由于许多炎症反应是潜在的高血压发病机制，丁酸盐可能在抑制高血压的发生和发展中起到一定作用。此外，对于氨基酸的代谢途径，有研究[39]表明，在代谢异常肥胖人群和代谢健康肥胖人群中异亮氨酸代谢通路在组间存在显著差异。Wang等[40]利用代谢组学手段，对原发性高血压大鼠和健康大鼠代谢途径和代谢物进行分析比较。通过代谢途径富集分析得出尿素循环（包括鸟氨酸、嘌呤、谷氨酸、瓜氨酸和2-氧代戊二酸代谢通路）是受影响最显著的代谢途径，在高血压发展过程中，参与尿素循环的鸟氨酸、谷氨酸、瓜氨酸等氨基酸含量高血压组高于对照组。这与本研究发现谷氨酸和瓜氨酸代谢通路在组间存在显著差异结果一致。
近年来，关于肠道菌群和高血压关系的研究层出不穷，有很多研究聚焦于肠道菌群代谢产物对于高血压的影响，认为肠道菌群代谢物在调节血压上起到关键作用。例如，有研究[41]表明共生肠道细菌进行碳水化合物和蛋白质的发酵或降解，导致形成短链脂肪酸（short-chain fatty acids，SCFA），这对于维持健康的肠道系统至关重要。此外，有研究[42-44]指出肠道微生物代谢产物氧化三甲胺（trimethylamine N-Oxide，TMAO）的长期增加与高血压以及各种心血管疾病如动脉粥样硬化、心肌梗死的发病风险增加存在显著相关性。在本研究中未观察到SCFA和TMAO途径代谢物在组间存在显著差异，未来研究中可增加样本量进一步探究。
组间差异肠道菌与代谢物关联分析显示毛螺旋菌（Parasutterella excrementihominis）与粪便中短链脂肪酸代谢物负相关，而与血液中TMAO正相关（P＝0.002）。有研究表明，该菌与炎症性肠病[45-46]、肥胖和脂肪肝[47]等各种人体疾病相关。然而，本研究发现毛螺旋菌富集在非高血压组中。Cuisiniere等[48]通过小鼠实验发现补铁饮食会导致毛螺旋菌相对丰度增加，从而促进肠道炎症和慢性衰弱症状，以及削弱黏膜屏障。以上因素提示，毛螺旋菌可能会受到饮食的影响并且与其他高血压相关疾病如肥胖等有关。此外，本研究还发现伯克霍尔德氏菌1147（Burkholderiales bacterium 1147）与丙酸负相关（P＝0.02），而与TMAO（P＝0.003）正相关，但目前尚未有关于该菌与代谢物和高血压疾病的研究报道，本结果可为未来进一步探索该菌作用机制提供一定的线索。
本研究的优势：采用具有较高灵敏度和分辨率的宏基因组测序进行分析，在种水平上揭示高血压与非高血压人群间肠道菌的差异；采用靶向代谢组学定量分析肠道菌群相关代谢物与高血压之间的关联。本研究的不足之处：（1）由于粪便样本的特殊性，该研究没有遵循匹配良好的病例对照研究设计。（2）没有全面考虑校正膳食因素等混杂因素。（3）本研究的样本量较小，未来进一步研究的过程中可以增加样本量，对于高血压和非高血压的人群有更加明确的划分，更加准确探究肠道菌群在高血压人群中的结构以及其在高血压发病机制中的作用。
综上所述，本研究采用宏基因组高通量测序和靶向代谢组学的方法，探讨高血压人群与非高血压人群肠道微生物组和微生物代谢物的差异。结果显示与非高血压人群相比，高血压人群肠道菌群多样性显著下降，多个肠道菌种在高血压患者中富集。本研究结果为进一步探索高血压与肠道菌群之间的因果关系以及治疗和预防高血压及其相关疾病提供新线索。
利益冲突：所有作者声明不存在利益冲突。
| [1] |
MITTAL B V, SINGH A K. Hypertension in the developing world: challenges and opportunities[J]. Am J Kidney Dis, 2010, 55(3): 590-598.
[DOI]
|
| [2] |
MILLS K T, BUNDY J D, KELLY T N, et al. Global disparities of hypertension prevalence and control: a systematic analysis of population-based studies from 90 countries[J]. Circulation, 2016, 134(6): 441-450.
[DOI]
|
| [3] |
WU Y, XU H, TU X, et al. The role of short-chain fatty acids of gut microbiota origin in hypertension[J]. Front Microbiol, 2021, 12: 730809.
[DOI]
|
| [4] |
LIM S S, VOS T, FLAXMAN A D, et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010:a systematic analysis for the Global Burden of Disease Study 2010[J]. Lancet, 2012, 380(9859): 2224-2260.
[DOI]
|
| [5] |
FOROUZANFAR M H, LIU P, ROTH G A, et al. Global burden of hypertension and systolic blood pressure of at least 110 to 115 mm Hg, 1990-2015[J]. JAMA, 2017, 317(2): 165-182.
[DOI]
|
| [6] |
FURIE K. Epidemiology and primary prevention of stroke[J]. Continuum (Minneap Minn), 2020, 26(2): 260-267.
|
| [7] |
ROSSIER B C, BOCHUD M, DEVUYST O. The hypertension pandemic: an evolutionary perspective[J]. Physiology (Bethesda), 2017, 32(2): 112-125.
|
| [8] |
XU K, MA L, LI Y, et al. Genetic and functional evidence supports lpar1 as a susceptibility gene for hypertension[J]. Hypertension, 2015, 66(3): 641-646.
[DOI]
|
| [9] |
LIU C, KRAJA A T, SMITH J A, et al. Meta-analysis identifies common and rare variants influencing blood pressure and overlapping with metabolic trait loci[J]. Nat Genet, 2016, 48(10): 1162-1170.
[DOI]
|
| [10] |
FUCHS F D, CHAMBLESS L E, WHELTON P K, et al. Alcohol consumption and the incidence of hypertension: The Atherosclerosis Risk in Communities Study[J]. Hypertension, 2001, 37(5): 1242-1250.
[DOI]
|
| [11] |
GRILLO A, SALVI L, CORUZZI P, et al. Sodium intake and hypertension[J]. Nutrients, 2019, 11(9): 1970.
[DOI]
|
| [12] |
QUIGLEY E M. Gut bacteria in health and disease[J]. Gastroenterol Hepatol (N Y), 2013, 9(9): 560-569.
|
| [13] |
ROBLES-ALONSO V, GUARNER F. Progress in the knowledge of the intestinal human microbiota[J]. Nutr Hosp, 2013, 28(3): 553-557.
|
| [14] |
MILLS S, LANE J A, SMITH G J, et al. Precision Nutrition and the Microbiome Part Ⅱ: potential opportunities and pathways to commercialisation[J]. Nutrients, 2019, 11(7): 1468.
[DOI]
|
| [15] |
ROSHANRAVAN N, ALAMDARI N M, JAFARABADI M A, et al. Effects of oral butyrate and inulin supplementation on inflammation-induced pyroptosis pathway in type 2 diabetes: a randomized, double-blind, placebo-controlled trial[J]. Cytokine, 2020, 131: 155101.
[DOI]
|
| [16] |
KELLY C J, ZHENG L, CAMPBELL E L, et al. Crosstalk between microbiota-derived short-chain fatty acids and intestinal epithelial HIF augments tissue barrier function[J]. Cell Host Microbe, 2015, 17(5): 662-671.
[DOI]
|
| [17] |
ZHENG P, ZENG B, LIU M, et al. The gut microbiome from patients with schizophrenia modulates the glutamate-glutamine-GABA cycle and schizophrenia-relevant behaviors in mice[J]. Sci Adv, 2019, 5(2): eaau8317.
[DOI]
|
| [18] |
NISHINO K, NISHIDA A, INOUE R, et al. Analysis of endoscopic brush samples identified mucosa-associated dysbiosis in inflammatory bowel disease[J]. J Gastroenterol, 2018, 53(1): 95-106.
[DOI]
|
| [19] |
MENTELLA M C, SCALDAFERRI F, PIZZOFERRATO M, et al. Nutrition, IBD and Gut Microbiota: a review[J]. Nutrients, 2020, 12(4): 944.
[DOI]
|
| [20] |
BUNYAVANICH S, SHEN N, GRISHIN A, et al. Early-life gut microbiome composition and milk allergy resolution[J]. J Allergy Clin Immunol, 2016, 138(4): 1122-1130.
[DOI]
|
| [21] |
CHU D M, MA J, PRINCE A L, et al. Maturation of the infant microbiome community structure and function across multiple body sites and in relation to mode of delivery[J]. Nat Med, 2017, 23(3): 314-326.
[DOI]
|
| [22] |
JIE Z, XIA H, ZHONG S L, et al. The gut microbiome in atherosclerotic cardiovascular disease[J]. Nat Commun, 2017, 8(1): 845.
[DOI]
|
| [23] |
YAN Q, GU Y, LI X, et al. Alterations of the gut microbiome in hypertension[J]. Front Cell Infect Microbiol, 2017, 7: 381.
[DOI]
|
| [24] |
王攀, 左琨, 韩春明, 等. 肠道菌群结构特征在血压大幅升高患者的预测价值[J]. 中华高血压杂志, 2021, 29(7): 700. WANG P, ZUO K, HAN C M, et al. The predictive value of the structural characteristics of intestinal flora in patients with significantly elevated blood pressure[J]. Chinese Journal of Hypertension, 2021, 29(7): 700. [CNKI] |
| [25] |
JIN L, SHI X, YANG J, et al. Gut microbes in cardiovascular diseases and their potential therapeutic applications[J]. Protein Cell, 2021, 12(5): 346-359.
[DOI]
|
| [26] |
DI SEGNI A, BRAUN T, BENSHOSHAN M, et al. Guided protocol for fecal microbial characterization by 16S rRNA-amplicon sequencing[J]. J Vis Exp, 2018(133): 56845.
|
| [27] |
LOUCA P, MENNI C, PADMANABHAN S. Genomic Determinants of Hypertension With a Focus on Metabolomics and the Gut Microbiome[J]. Am J Hypertens, 2020, 33(6): 473-481.
[DOI]
|
| [28] |
CAO G, SONG Z, HONG Y, et al. Large-scale targeted metabolomics method for metabolite profiling of human samples[J]. Anal Chim Acta, 2020, 1125: 144-151.
[DOI]
|
| [29] |
LI J, ZHAO F, WANG Y, et al. Gut microbiota dysbiosis contributes to the development of hypertension[J]. Microbiome, 2017, 5(1): 14.
[DOI]
|
| [30] |
RICHARDS E M, PEPINE C J, RAIZADA M K, et al. The gut, its microbiome, and hypertension[J]. Curr Hypertens Rep, 2017, 19(4): 36.
[DOI]
|
| [31] |
PALMU J, SALOSENSAARI A, HAVULINNA A S, et al. Association between the gut microbiota and blood pressure in a population cohort of 6953 individuals[J]. J Am Heart Assoc, 2020, 9(15): e016641.
[DOI]
|
| [32] |
WOTING A, PFEIFFER N, LOH G, et al. Clostridium ramosum promotes high-fat diet-induced obesity in gnotobiotic mouse models[J]. mBio, 2014, 5(5): e01530-14.
|
| [33] |
WINGFIELD B, COLEMAN S, MCGINNITY T M, et al. Robust microbial markers for non-invasive inflammatory bowel disease identification[J]. IEEE/ACM Trans Comput Biol Bioinform, 2019, 16(6): 2078-2088.
|
| [34] |
BIGEH A, SANCHEZ A, MAESTAS C, et al. Inflammatory bowel disease and the risk for cardiovascular disease: does all inflammation lead to heart disease?[J]. Trends Cardiovasc Med, 2020, 30(8): 463-469.
[DOI]
|
| [35] |
LUAN Z, SUN G, HUANG Y, et al. Metagenomics study reveals changes in gut microbiota in centenarians: a cohort study of Hainan centenarians[J]. Front Microbiol, 2020, 11: 1474.
[DOI]
|
| [36] |
LIU C, SUN Z, SHALI S, et al. The gut microbiome and microbial metabolites in acute myocardial infarction[J]. J Genet Genomics, 2021, S1673-8527(21)00377-5.
|
| [37] |
MEI Z, CHEN G C, WANG Z, et al. Dietary factors, gut microbiota, and serum trimethylamine-N-oxide associated with cardiovascular disease in the Hispanic Community Health Study/Study of Latinos[J]. Am J Clin Nutr, 2021, 113(6): 1503-1514.
[DOI]
|
| [38] |
STEMPELJ M, KEDINGER M, AUGENLICHT L, et al. Essential role of the JAK/STAT1 signaling pathway in the expression of inducible nitric-oxide synthase in intestinal epithelial cells and its regulation by butyrate[J]. J Biol Chem, 2007, 282(13): 9797-9804.
[DOI]
|
| [39] |
CHEN H H, TSENG Y J, WANG S Y, et al. The metabolome profiling and pathway analysis in metabolic healthy and abnormal obesity[J]. Int J Obes (Lond), 2015, 39(8): 1241-1248.
[DOI]
|
| [40] |
WANG H, WANG X, QI D, et al. Establishment of the circadian metabolic phenotype strategy in spontaneously hypertensive rats: a dynamic metabolomics study[J]. J Transl Med, 2020, 18(1): 38.
[DOI]
|
| [41] |
ROOK G, BÄCKHED F, LEVIN B R, et al. Evolution, human-microbe interactions, and life history plasticity[J]. Lancet, 2017, 390(10093): 521-530.
[DOI]
|
| [42] |
HEIANZA Y, MA W, DIDONATO J A, et al. Long-term changes in gut microbial metabolite trimethylamine N-Oxide and coronary heart disease risk[J]. J Am Coll Cardiol, 2020, 75(7): 763-772.
[DOI]
|
| [43] |
VERHAAR B J H, PRODAN A, NIEUWDORP M, et al. Gut microbiota in hypertension and atherosclerosis: a review[J]. Nutrients, 2020, 12(10): 2982.
[DOI]
|
| [44] |
ARUMUGAM M, RAES J, PELLETIER E, et al. Enterotypes of the human gut microbiome[J]. Nature, 2011, 473(7346): 174-180.
[DOI]
|
| [45] |
CHIODINI R J, DOWD S E, CHAMBERLIN W M, et al. Microbial population differentials between mucosal and submucosal intestinal tissues in advanced crohn's disease of the ileum[J]. PLoS One, 2015, 10(7): e0134382.
[DOI]
|
| [46] |
兰平, 吴锦杰, 何真. 肠道微生态与炎症性肠病[J]. 中华炎性肠病杂志, 2020, 4(1): 2-6. LAN P, WU J J, HE Z. Intestinal microbiome and inflammatory bowel disease[J]. Chin J Inflamm Bowel Dis, 2020, 4(1): 2-6. [CNKI] |
| [47] |
BLASCO-BAQUE V, COUPÉ B, FABRE A, et al. Associations between hepatic miRNA expression, liver triacylglycerols and gut microbiota during metabolic adaptation to high-fat diet in mice[J]. Diabetologia, 2017, 60(4): 690-700.
[DOI]
|
| [48] |
CUISINIERE T, CALVÉ A, FRAGOSO G, et al. Oral iron supplementation after antibiotic exposure induces a deleterious recovery of the gut microbiota[J]. BMC Microbiol, 2021, 21(1): 259.
[DOI]
|
