Những điểm nổi bật
- Mô hình đa omics, kết hợp dữ liệu vi sinh vật đường ruột và metabolome phân, vượt trội đáng kể so với mô hình kiểu hình truyền thống trong việc dự đoán việc giảm cân và tăng cân trở lại.
- Cách tiếp cận đa omics đạt được diện tích dưới đường cong (AUC) là 0.95 để dự đoán việc giảm cân có ý nghĩa lâm sàng (≥5%) trong giai đoạn hạn chế calo.
- Các yếu tố dự đoán chính, bao gồm N-acetyl-L-aspartic acid và các loài vi khuẩn cụ thể như Bifidobacterium adolescentis, được xác định là những dấu hiệu chung cho sự thay đổi cân nặng và thành phần cơ thể ở cả hai giai đoạn.
- Những phát hiện này cho thấy rằng các dấu hiệu sinh học cơ bản có thể phục vụ làm nền tảng cho các chiến lược quản lý cân nặng cá nhân hóa để giảm thiểu thách thức phổ biến của việc tăng cân trở lại.
Thách thức về việc tăng cân trở lại trong thực hành lâm sàng
Béo phì vẫn là một trong những thách thức sức khỏe cộng đồng lớn nhất trên toàn cầu, nhưng phản ứng lâm sàng đối với nó thường bị cản trở bởi tỷ lệ tăng cân trở lại cao. Mặc dù nhiều bệnh nhân có thể giảm cân thành công thông qua hạn chế calo, việc duy trì việc giảm cân đó là vô cùng khó khăn. Sự kháng cự sinh học này—thường được gọi là thích ứng chuyển hóa hoặc hiệu ứng “yo-yo”—cho thấy rằng việc điều chỉnh cân nặng là một sự tương tác phức tạp giữa di truyền, hành vi và các yếu tố sinh lý không được bao quát đầy đủ bởi kiểu hình lâm sàng đơn thuần.
Các dự đoán truyền thống về việc giảm cân, như chỉ số khối cơ thể (BMI) cơ bản, tuổi, hoặc tốc độ chuyển hóa, đã lịch sử cho thấy khả năng dự đoán giới hạn trong kết quả cá nhân. Trong khi chúng ta chuyển sang kỷ nguyên y học chính xác, có nhu cầu cấp bách cần xác định các dấu hiệu sinh học mạnh mẽ có thể dự báo cách một cá nhân sẽ phản ứng với các can thiệp chế độ ăn uống và, có lẽ quan trọng hơn, ai có nguy cơ cao nhất bị tăng cân trở lại sau khi can thiệp kết thúc.
Thiết kế nghiên cứu và phương pháp: Thử nghiệm LEAN-TIME
Phân tích sau hoc của thử nghiệm ăn kiêng hạn chế carbohydrate và ăn theo thời gian (LEAN-TIME), gần đây đã được xuất bản trong Diabetes Care, nhằm giải quyết khoảng trống này. Các nhà nghiên cứu đã đánh giá 88 người lớn thừa cân hoặc béo phì đã hoàn thành giai đoạn giảm cân 12 tuần hạn chế calo. Trong số này, 79 người tiếp tục qua giai đoạn tăng cân 28 tuần, cung cấp một tập dữ liệu ngang dọc độc đáo về sự biến đổi chuyển hóa.
Nghiên cứu này toàn diện trong việc thu thập dữ liệu. Tại cơ bản, các nhà nghiên cứu đã thu thập dữ liệu về khẩu phần ăn, các dấu hiệu chuyển hóa, hồ sơ metabolome phân, và chuỗi vi sinh vật đường ruột. Những dữ liệu này được sử dụng làm các dự đoán ứng viên cho sự thay đổi trong ba kết quả chính: tổng cân nặng, khối lượng mỡ cơ thể (BFM), và khối lượng nạc mềm (SLM). Để phát triển các mô hình dự đoán, nhóm đã sử dụng hồi quy đa biến và mô hình tối ưu hóa thu nhỏ tuyệt đối và lựa chọn (LASSO) để xác định các dự đoán quan trọng nhất và tạo ra các mô hình tổng hợp trọng số.
Những phát hiện chính: Sự vượt trội của sự tích hợp đa omics
Kết quả của phân tích cung cấp bằng chứng thuyết phục về giá trị của dữ liệu đa omics trong dự đoán chuyển hóa. Trong cả giai đoạn giảm cân và tăng cân, các mô hình tích hợp dữ liệu đa omics với các đặc điểm kiểu hình đã vượt trội đáng kể so với những mô hình chỉ dựa vào kiểu hình lâm sàng (P < 0.05).
Giai đoạn giảm cân (Tuần 0-12)
Trong 12 tuần đầu tiên hạn chế calo, mô hình đa omics và kiểu hình đã thể hiện hiệu suất dự đoán mạnh mẽ. Các giá trị R2—đại diện cho tỷ lệ phương sai được mô hình giải thích—là 0.49 cho sự thay đổi cân nặng, 0.61 cho BFM, và 0.54 cho SLM. Các lỗi bình phương trung bình (RMSEs) tương ứng là 1.59 kg, 1.41 kg, và 0.98 kg. Đáng chú ý, đối với phân loại nhị phân về việc liệu một bệnh nhân có đạt được việc giảm cân có ý nghĩa lâm sàng 5% hay không, mô hình đạt được AUC ấn tượng là 0.95, với độ nhạy là 94.12% và độ đặc hiệu là 86.79%.
Giai đoạn tăng cân (Tuần 12-40)
Sự chính xác dự đoán thậm chí còn cao hơn trong giai đoạn tăng cân. Các giá trị R2 đạt 0.72 cho sự thay đổi cân nặng, 0.73 cho BFM, và 0.66 cho SLM. Các RMSEs vẫn thấp (1.40 kg cho cân nặng), cho thấy rằng các dấu hiệu đa omics cơ bản có thể dự đoán chính xác xu hướng tăng cân của một cá nhân gần bảy tháng sau khi can thiệp ban đầu. Khả năng dự đoán cao này cho việc tăng cân trở lại là đặc biệt quý giá, vì nó xác định các cá nhân có nguy cơ cao trước khi họ bắt đầu chương trình giảm cân.
Các dấu hiệu chung: Vai trò của vi sinh vật và metabolome
Một trong những khía cạnh lâm sàng liên quan nhất của nghiên cứu này là việc xác định các dự đoán cụ thể cơ bản chung ở cả hai giai đoạn mất và tăng cân. Các dự đoán này chủ yếu được dẫn xuất từ vi sinh vật đường ruột và metabolome phân, củng cố lý thuyết rằng môi trường đường ruột đóng vai trò trung tâm trong sự cân bằng năng lượng.
Cụ thể, nghiên cứu đã nhấn mạnh Ruminococcus callidus và Bifidobacterium adolescentis là các dự đoán vi khuẩn quan trọng. Các loài Bifidobacterium thường được liên kết với sức khỏe đường ruột và đã được liên kết với các kết quả chuyển hóa tốt hơn trong các tài liệu trước đây. Về mặt chuyển hóa, N-acetyl-L-aspartic acid nổi lên là một dự đoán quan trọng. Sự hiện diện của các dấu hiệu chung này cho thấy rằng “khung cảnh” chuyển hóa và vi khuẩn cơ bản của một cá nhân đặt ra một lộ trình cho cách cơ thể họ sẽ quản lý sự biến động cân nặng trong dài hạn.
Bình luận chuyên gia: Hiểu biết cơ chế và tính hữu ích lâm sàng
Các phát hiện từ phân tích sau hoc LEAN-TIME đại diện cho một bước tiến quan trọng hướng tới dinh dưỡng chính xác. Khả năng dự đoán việc tăng cân trở lại với độ chính xác hơn 70% bằng dữ liệu cơ bản là một bước đột phá. Từ góc độ lâm sàng, điều này có thể cho phép bác sĩ điều chỉnh cường độ chăm sóc theo dõi. Ví dụ, một bệnh nhân có hồ sơ đa omics cơ bản cho thấy nguy cơ tăng cân cao có thể được ưu tiên cho tư vấn dinh dưỡng thường xuyên hơn, liệu pháp thuốc (như GLP-1 receptor agonists), hoặc giám sát chuyển hóa sau giai đoạn giảm cân ban đầu.
Tuy nhiên, mặc dù hiệu suất thống kê là mạnh mẽ, các chuyên gia lưu ý rằng việc triển khai các mô hình như vậy trong thực hành lâm sàng hàng ngày gặp khó khăn. Phân tích đa omics—đặc biệt là metabolomics và metagenomics—hiện đang đắt đỏ và yêu cầu hỗ trợ sinh tin học chuyên sâu. Hơn nữa, trong khi các đặc điểm cơ bản này có tính dự đoán, các cơ chế sinh học mà N-acetyl-L-aspartic acid hoặc các loài Ruminococcus cụ thể ảnh hưởng đến việc tăng cân trở lại vẫn chưa được làm sáng tỏ hoàn toàn. Có thể các dấu hiệu này chỉ ra tình trạng viêm hệ thống tiềm ẩn, mức độ nhạy cảm insulin, hoặc các thói quen ăn uống cụ thể kéo dài sau giai đoạn can thiệp.
Kết luận
Phân tích của thử nghiệm LEAN-TIME cho thấy dữ liệu đa omics và kiểu hình cơ bản rất hiệu quả trong việc dự đoán động lực cân nặng và thành phần cơ thể. Bằng cách xác định các cá nhân có xu hướng sinh học để tăng cân trở lại, các bác sĩ có thể chuyển từ các khuyến nghị chế độ ăn một kích thước phù hợp tất cả sang các can thiệp dựa trên bằng chứng và mục tiêu. Nghiên cứu trong tương lai nên tập trung vào việc xác nhận các mô hình này trong các nhóm lớn, đa dạng hơn và điều tra xem việc sửa đổi các yếu tố vi khuẩn hoặc chuyển hóa cơ bản có thể thay đổi các quỹ đạo giảm cân hay không.
Tài liệu tham khảo
- Li L, Li R, Qiu Z, et al. Dự đoán việc giảm cân và tăng cân dựa trên các đặc điểm đa omics và kiểu hình: Kết quả từ một thử nghiệm ăn kiêng hạn chế calo. Diabetes Care. 2026;49(1):68-77. doi:10.2337/dc25-0728.
- Hall KD, Kahan S. Duy trì cân nặng đã mất và dự đoán việc tăng cân trở lại: Một bài đánh giá. Med Clin North Am. 2018;102(1):183-197.
- Zmora N, et al. Cách tiếp cận từng bước cá nhân hóa để duy trì việc giảm cân. Nature. 2018;560(7719):494-498.