Материалы доступны только для специалистов сферы здравоохранения.
Чтобы посмотреть материал полностью
Авторизуйтесь
или зарегистрируйтесь.
Связь кишечного микробиома и метаболома у лиц с сахарным диабетом 2-го типа и ожирением с динамикой лабораторных показателей после бариатрических вмешательств
Связь кишечного микробиома и метаболома у лиц с сахарным диабетом 2-го типа и ожирением с динамикой лабораторных показателей после бариатрических вмешательств
Шестакова Е.А., Клименко Н.С., Покровская Е.В., Синеокая М.С., Кошечкин С.И., Одинцова В.Е., Шестакова М.В. Связь кишечного микробиома и метаболома у лиц с сахарным диабетом 2-го типа и ожирением с динамикой лабораторных показателей после бариатрических вмешательств. Consilium Medicum. 2025;27(12):762–770. DOI: 10.26442/20751753.2025.12.203516
________________________________________________
Материалы доступны только для специалистов сферы здравоохранения.
Чтобы посмотреть материал полностью
Авторизуйтесь
или зарегистрируйтесь.
Аннотация
Обоснование. Известно, что кишечное микробное сообщество оказывает существенное влияние на здоровье организма хозяина. В частности, показано, что изменения в составе и метаболическом потенциале микробиоты имеют место при ожирении и сахарном диабете (СД). Однако открытым остается вопрос о влиянии микробиоты на изменение метаболических показателей после бариатрических операций.
Цель. Изучить влияние состава микробиома кишечника пациентов с ожирением и СД 2-го типа (СД 2) на динамику лабораторных показателей заболевания после бариатрической операции.
Материалы и методы. В исследование включались пациенты с СД 2 и ожирением ≥2-й степени, методом лечения которых выбрана бариатрическая операция (гастрошунтирование). До операции, а также через 6 и 12 мес у включенных пациентов исследованы антропометрические, лабораторные параметры, собран кал для исследования кишечной микробиоты. Состав микробиоты определен путем секвенирования гена 16S рРНК для образцов стула. Для ряда пациентов также исследован метаболом стула.
Результаты. После оперативного вмешательства наряду со снижением массы тела отмечались значимая положительная динамика гликемии, параметров липидного спектра, снижение инсулинорезистентности. По уровню 25(ОН) витамина D, кальция пациенты не достигали целевых значений. Найдены таксоны, представленность которых до операции ассоциирована с динамикой паратиреоидного гормона и 25(ОН) витамина D. Порядок Verrucomicrobiales отрицательно ассоциирован с положительной динамикой 25(ОН) витамина D, а порядок Fusobacteriales, включающий производителей сероводорода в кишечнике, – положительно с динамикой паратиреоидного гормона. Интересно, что данные бактерии также оказались повышены у пациентов с более высоким уровнем общего холестерина до вмешательства, а другие производители сероводорода в кишечнике – с уровнем С-пептида. Значимых ассоциаций между метаболомом и динамикой клинических показателей не получено, однако изучена корреляционная структура микробиомных и метаболомных данных у пациентов с ожирением.
Заключение. В исследовании выявлена ассоциация ряда представителей кишечной микробиоты и метаболических параметров после бариатрических вмешательств. Полученные результаты являются пилотными и при воспроизведении в будущем могут позволить прогнозировать эффекты хирургического лечения ожирения и СД 2 на основе состава микробиоты.
Ключевые слова: сахарный диабет 2-го типа, ожирение, бариатрические операции, кишечная микробиота, метаболом, 25(ОН) витамин D, паратиреоидный гормон
Aim. To assess the influence of the gut microbiome composition on metabolic parameters in patients with obesity and T2D after bariatric surgery.
Materials and methods. The study included patients with T2D and obesity, who were treated with bariatric surgery (gastric bypass). Before surgery, as well as 6 and 12 months after surgery, the anthropometric, laboratory parameters were measured, feces were collected for analysis of the intestinal microbiota. The microbiota composition was determined through sequencing of the 16S rRNA gene from stool samples. For a subset of patients, the stool metabolome was also studied.
Results. After surgery, there was a significant positive trend in weight loss, glycemia, lipid spectrum parameters, and insulin resistance. However, patients did not achieve target levels of 25(OH) vitamin D and calcium. Taxa were identified whose abundance before surgery was associated with the dynamics of parathyroid hormone and vitamin D. The order Verrucomicrobiales was negatively associated with vitamin D dynamics, while the order Fusobacteriales, which includes hydrogen sulfide producers in the gut, was positively associated with the increase in parathyroid hormone. Interestingly, these bacteria were also elevated in patients with higher total cholesterol levels prior to intervention, whereas other H2S producers in the gut correlated with C-peptide levels. No significant associations between the metabolome and clinical parameters' were found; however, the correlation structure of microbiome and metabolome data in patients with obesity was examined.
Conclusion. The study revealed an association between several intestinal microbiota species and metabolic parameters after bariatric interventions. These results are pilot and, if reproduced, may allow the prediction of the bariatric surgery effects on weight and glycemia based on the composition of the gut microbiota.
Keywords: type 2 diabetes, obesity, bariatric surgery, gut microbiota, metabolome, 25(OH) vitamin D, parathyroid hormone
Цель. Изучить влияние состава микробиома кишечника пациентов с ожирением и СД 2-го типа (СД 2) на динамику лабораторных показателей заболевания после бариатрической операции.
Материалы и методы. В исследование включались пациенты с СД 2 и ожирением ≥2-й степени, методом лечения которых выбрана бариатрическая операция (гастрошунтирование). До операции, а также через 6 и 12 мес у включенных пациентов исследованы антропометрические, лабораторные параметры, собран кал для исследования кишечной микробиоты. Состав микробиоты определен путем секвенирования гена 16S рРНК для образцов стула. Для ряда пациентов также исследован метаболом стула.
Результаты. После оперативного вмешательства наряду со снижением массы тела отмечались значимая положительная динамика гликемии, параметров липидного спектра, снижение инсулинорезистентности. По уровню 25(ОН) витамина D, кальция пациенты не достигали целевых значений. Найдены таксоны, представленность которых до операции ассоциирована с динамикой паратиреоидного гормона и 25(ОН) витамина D. Порядок Verrucomicrobiales отрицательно ассоциирован с положительной динамикой 25(ОН) витамина D, а порядок Fusobacteriales, включающий производителей сероводорода в кишечнике, – положительно с динамикой паратиреоидного гормона. Интересно, что данные бактерии также оказались повышены у пациентов с более высоким уровнем общего холестерина до вмешательства, а другие производители сероводорода в кишечнике – с уровнем С-пептида. Значимых ассоциаций между метаболомом и динамикой клинических показателей не получено, однако изучена корреляционная структура микробиомных и метаболомных данных у пациентов с ожирением.
Заключение. В исследовании выявлена ассоциация ряда представителей кишечной микробиоты и метаболических параметров после бариатрических вмешательств. Полученные результаты являются пилотными и при воспроизведении в будущем могут позволить прогнозировать эффекты хирургического лечения ожирения и СД 2 на основе состава микробиоты.
Ключевые слова: сахарный диабет 2-го типа, ожирение, бариатрические операции, кишечная микробиота, метаболом, 25(ОН) витамин D, паратиреоидный гормон
________________________________________________
Aim. To assess the influence of the gut microbiome composition on metabolic parameters in patients with obesity and T2D after bariatric surgery.
Materials and methods. The study included patients with T2D and obesity, who were treated with bariatric surgery (gastric bypass). Before surgery, as well as 6 and 12 months after surgery, the anthropometric, laboratory parameters were measured, feces were collected for analysis of the intestinal microbiota. The microbiota composition was determined through sequencing of the 16S rRNA gene from stool samples. For a subset of patients, the stool metabolome was also studied.
Results. After surgery, there was a significant positive trend in weight loss, glycemia, lipid spectrum parameters, and insulin resistance. However, patients did not achieve target levels of 25(OH) vitamin D and calcium. Taxa were identified whose abundance before surgery was associated with the dynamics of parathyroid hormone and vitamin D. The order Verrucomicrobiales was negatively associated with vitamin D dynamics, while the order Fusobacteriales, which includes hydrogen sulfide producers in the gut, was positively associated with the increase in parathyroid hormone. Interestingly, these bacteria were also elevated in patients with higher total cholesterol levels prior to intervention, whereas other H2S producers in the gut correlated with C-peptide levels. No significant associations between the metabolome and clinical parameters' were found; however, the correlation structure of microbiome and metabolome data in patients with obesity was examined.
Conclusion. The study revealed an association between several intestinal microbiota species and metabolic parameters after bariatric interventions. These results are pilot and, if reproduced, may allow the prediction of the bariatric surgery effects on weight and glycemia based on the composition of the gut microbiota.
Keywords: type 2 diabetes, obesity, bariatric surgery, gut microbiota, metabolome, 25(OH) vitamin D, parathyroid hormone
Полный текст
Список литературы
1. Алгоритмы специализированной медицинской помощи больным сахарным диабетом. Под ред. И.И. Дедова, М.В. Шестаковой, О.Ю. Сухаревой. 12-й вып. М., 2025 [Algoritmy spetsializirovannoi meditsinskoi pomoshchi bolnym sakharnym diabetom. Pod red. II Dedova, MV Shestakovoi, OYu Sukharevoi. 12-y vyp. Moscow, 2025 (in Russian)].
2. Cui BB, Wang GH, Li PZ, et al. Long-term outcomes of Roux-en-Y gastric bypass versus medical therapy for patients with type 2 diabetes: a meta-analysis of randomized controlled trials. Surg Obes Relat Dis. 2021;17(7):1334-43. DOI:10.1016/j.soard.2021.03.001
3. Liu C, Xu Q, Dong S, et al. New mechanistic insights of anti-obesity by sleeve gastrectomy-altered gut microbiota and lipid metabolism. Front Endocrinol (Lausanne). 2024;15:1338147. DOI:10.3389/fendo.2024.1338147
4. Le Chatelier E, Nielsen T, Qin J, et al. Richness of human gut microbiome correlates with metabolic markers. Nature. 2013;500(7464):541-6. DOI:10.1038/nature12506
5. Демидова Т.Ю., Лобанова К.Г., Ойноткинова О.Ш. Кишечная микробиота как фактор риска развития ожирения и сахарного диабета 2-го типа. Терапевтический архив. 2020;92(10):97-104 [Demidova TYu, Lobanova KG, Oinotkinova OS. Gut microbiota is a factor of risk for obesity and type 2 diabetes. Terapevticheskii Arkhiv (Ter. Arkh.). 2020;92(10):97-104 (in Russian)]. DOI:10.26442/00403660.2020.10.000778. EDN KEIMGW
6. Gibiino G, Binda C, Cristofaro L, et al. Dysbiosis and Gastrointestinal Surgery: Current Insights and Future Research. Biomedicines. 2022;10(10):2532. DOI:10.3390/biomedicines10102532
7. Hugerth LW, Wefer HA, Lundin S, et al. DegePrime, a program for degenerate primer design for broad-taxonomic-range PCR in microbial ecology studies. Appl Environ Microbiol. 2014;80(16):5116-23. DOI:10.1128/AEM.01403-14
8. Merkel AYu, Tarnovetskii IYu, Podosokorskaya OA, Toshchakov AV. Analysis of 16S rRNA Primer Systems for Profiling of Thermophilic Microbial Communities. Microbiology. 2019;88:671-80. DOI:10.1134/s0026261719060110
9. Fadrosh DW, Ma B, Gajer P, Sengamalay N, et al. An improved dual-indexing approach for multiplexed 16S rRNA gene sequencing on the Illumina MiSeq platform. Microbiome. 2014;2(1):6. DOI:10.1186/2049-2618-2-6
10. Efimova D, Tyakht A, Popenko A, et al. Knomics-Biota – a system for exploratory analysis of human gut microbiota data. BioData Min. 2018;11:25. DOI:10.1186/s13040-018-0187-3
11. Callahan BJ, McMurdie PJ, Rosen MJ, et al. DADA2: High-resolution sample inference from Illumina amplicon data. Nat Methods. 2016;13(7):581-3. DOI:10.1038/nmeth.3869
12. Bolyen E, Rideout JR, Dillon MR, et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nat Biotechnol. 2019;37(8):852-7. DOI:10.1038/s41587-019-0209-9
13. Bokulich NA, Kaehler BD, Rideout JR, et al. Optimizing taxonomic classification of marker-gene amplicon sequences with QIIME 2's q2-feature-classifier plugin. Microbiome. 2018;6(1):90. DOI:10.1186/s40168-018-0470-z
14. Quast C, Pruesse E, Yilmaz P, et al. The SILVA ribosomal RNA gene database project: improved data processing and web-based tools. Nucleic Acids Res. 2013;41(Database issue):D590-6. DOI:10.1093/nar/gks1219
15. Gloor GB, Macklaim JM, Pawlowsky-Glahn V, Egozcue JJ. Microbiome Datasets Are Compositional: And This Is Not Optional. Front Microbiol. 2017;8:2224. DOI:10.3389/fmicb.2017.02224
16. Odintsova VE, Klimenko NS, Tyakht AV. Approximation of a Microbiome Composition Shift by a Change in a Single Balance Between Two Groups of Taxa. mSystems. 2022;7(3):e0015522. DOI:10.1128/msystems.00155-22
17. Rivera-Pinto J, Egozcue JJ, Pawlowsky-Glahn V, et al. Balances: a New Perspective for Microbiome Analysis. mSystems. 2018;3(4):e00053-18. DOI:10.1128/mSystems.00053-18
18. Kurtz ZD, Müller CL, Miraldi ER, et al. Sparse and compositionally robust inference of microbial ecological networks. PLoS Comput Biol. 2015;11(5):e1004226. DOI:10.1371/journal.pcbi.1004226
19. Blondel VD, Guillaume J-L, Lambiotte R, Lefebvre E. Fast Unfolding of Communities in Large Networks. J Stat Mechan Theory Experiment. 2008;10:P10008. DOI:10.1088/1742-5468/2008/10/P10008
20. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559. DOI:10.1186/1471-2105-9-559
21. Дедов И.И., Мокрышева Н.Г., Мельниченко Г.А., и др. Клинические рекомендации «Ожирение» Минздрава России. Версия 2024 года. Вестник репродуктивного здоровья. 2025;4(2):14-30 [Dedov II, Mokrysheva NG, Melnichenko GA, et al. Klinicheskie rekomendatsii “Ozhirenie” Minzdrava Rossii. Versia 2024 goda. Vestnik reproduktivnogo zdorovia. 2025;4(2):14-30 (in Russian)]. DOI:10.14341/brh12763
22. Мазурина Н.В., Огнева Н.А., Трошина Е.А., и др. Нарушения метаболизма кальция в отдаленном периоде после бариатрических операций. Экспериментальная и клиническая гастроэнтерология. 2013;12:27-32 [Mazurina NV, Ogneva NA, Troshina EA, et al. Narusheniia metabolizma kaltsiia v otdalennom periode posle bariatricheskikh operatsii. Eksperimentalnaia i klinicheskaia gastroenterologiia. 2013;12:27-32 (in Russian)]. EDN SZUUGZ
23. Smelt HJM, Pouwels S, Smulders JF, Hazebroek EJ. Patient adherence to multivitamin supplementation after bariatric surgery: a narrative review. J Nutr Sci. 2020;9:e46. DOI:10.1017/jns.2020.41
24. Wong SH, Yu J. Gut microbiota in colorectal cancer: mechanisms of action and clinical applications. Nat Rev Gastroenterol Hepatol. 2019;16(11):690-704. DOI:10.1038/s41575-019-0209-8
25. Romanov VA, Karasev IA, Klimenko NS, et al. Luminal and Tumor-Associated Gut Microbiome Features Linked to Precancerous Lesions Malignancy Risk: A Compositional Approach. Cancers (Basel). 2022;14(21):5207. DOI:10.3390/cancers14215207
26. Lin H, Yu Y, Zhu L, et al. Implications of hydrogen sulfide in colorectal cancer: Mechanistic insights and diagnostic and therapeutic strategies. Redox Biol. 2023;59:102601. DOI:10.1016/j.redox.2023.102601
27. Goodrich JK, Waters JL, Poole AC, et al. Human genetics shape the gut microbiome. Cell. 2014;159(4):789-99. DOI:10.1016/j.cell.2014.09.053
28. Derrien M, Belzer C, de Vos WM. Akkermansia muciniphila and its role in regulating host functions. Microb Pathog. 2017;106:171-81. DOI:10.1016/j.micpath.2016.02.005
29. Rivière A, Selak M, Lantin D, et al. Bifidobacteria and Butyrate-Producing Colon Bacteria: Importance and Strategies for Their Stimulation in the Human Gut. Front Microbiol. 2016;7:979. DOI:10.3389/fmicb.2016.00979
2. Cui BB, Wang GH, Li PZ, et al. Long-term outcomes of Roux-en-Y gastric bypass versus medical therapy for patients with type 2 diabetes: a meta-analysis of randomized controlled trials. Surg Obes Relat Dis. 2021;17(7):1334-43. DOI:10.1016/j.soard.2021.03.001
3. Liu C, Xu Q, Dong S, et al. New mechanistic insights of anti-obesity by sleeve gastrectomy-altered gut microbiota and lipid metabolism. Front Endocrinol (Lausanne). 2024;15:1338147. DOI:10.3389/fendo.2024.1338147
4. Le Chatelier E, Nielsen T, Qin J, et al. Richness of human gut microbiome correlates with metabolic markers. Nature. 2013;500(7464):541-6. DOI:10.1038/nature12506
5. Demidova TYu, Lobanova KG, Oinotkinova OS. Gut microbiota is a factor of risk for obesity and type 2 diabetes. Terapevticheskii Arkhiv (Ter. Arkh.). 2020;92(10):97-104 (in Russian). DOI:10.26442/00403660.2020.10.000778. EDN KEIMGW
6. Gibiino G, Binda C, Cristofaro L, et al. Dysbiosis and Gastrointestinal Surgery: Current Insights and Future Research. Biomedicines. 2022;10(10):2532. DOI:10.3390/biomedicines10102532
7. Hugerth LW, Wefer HA, Lundin S, et al. DegePrime, a program for degenerate primer design for broad-taxonomic-range PCR in microbial ecology studies. Appl Environ Microbiol. 2014;80(16):5116-23. DOI:10.1128/AEM.01403-14
8. Merkel AYu, Tarnovetskii IYu, Podosokorskaya OA, Toshchakov AV. Analysis of 16S rRNA Primer Systems for Profiling of Thermophilic Microbial Communities. Microbiology. 2019;88:671-80. DOI:10.1134/s0026261719060110
9. Fadrosh DW, Ma B, Gajer P, Sengamalay N, et al. An improved dual-indexing approach for multiplexed 16S rRNA gene sequencing on the Illumina MiSeq platform. Microbiome. 2014;2(1):6. DOI:10.1186/2049-2618-2-6
10. Efimova D, Tyakht A, Popenko A, et al. Knomics-Biota – a system for exploratory analysis of human gut microbiota data. BioData Min. 2018;11:25. DOI:10.1186/s13040-018-0187-3
11. Callahan BJ, McMurdie PJ, Rosen MJ, et al. DADA2: High-resolution sample inference from Illumina amplicon data. Nat Methods. 2016;13(7):581-3. DOI:10.1038/nmeth.3869
12. Bolyen E, Rideout JR, Dillon MR, et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nat Biotechnol. 2019;37(8):852-7. DOI:10.1038/s41587-019-0209-9
13. Bokulich NA, Kaehler BD, Rideout JR, et al. Optimizing taxonomic classification of marker-gene amplicon sequences with QIIME 2's q2-feature-classifier plugin. Microbiome. 2018;6(1):90. DOI:10.1186/s40168-018-0470-z
14. Quast C, Pruesse E, Yilmaz P, et al. The SILVA ribosomal RNA gene database project: improved data processing and web-based tools. Nucleic Acids Res. 2013;41(Database issue):D590-6. DOI:10.1093/nar/gks1219
15. Gloor GB, Macklaim JM, Pawlowsky-Glahn V, Egozcue JJ. Microbiome Datasets Are Compositional: And This Is Not Optional. Front Microbiol. 2017;8:2224. DOI:10.3389/fmicb.2017.02224
16. Odintsova VE, Klimenko NS, Tyakht AV. Approximation of a Microbiome Composition Shift by a Change in a Single Balance Between Two Groups of Taxa. mSystems. 2022;7(3):e0015522. DOI:10.1128/msystems.00155-22
17. Rivera-Pinto J, Egozcue JJ, Pawlowsky-Glahn V, et al. Balances: a New Perspective for Microbiome Analysis. mSystems. 2018;3(4):e00053-18. DOI:10.1128/mSystems.00053-18
18. Kurtz ZD, Müller CL, Miraldi ER, et al. Sparse and compositionally robust inference of microbial ecological networks. PLoS Comput Biol. 2015;11(5):e1004226. DOI:10.1371/journal.pcbi.1004226
19. Blondel VD, Guillaume J-L, Lambiotte R, Lefebvre E. Fast Unfolding of Communities in Large Networks. J Stat Mechan Theory Experiment. 2008;10:P10008. DOI:10.1088/1742-5468/2008/10/P10008
20. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559. DOI:10.1186/1471-2105-9-559
21. Dedov II, Mokrysheva NG, Melnichenko GA, et al. Klinicheskie rekomendatsii “Ozhirenie” Minzdrava Rossii. Versia 2024 goda. Vestnik reproduktivnogo zdorovia. 2025;4(2):14-30 (in Russian). DOI:10.14341/brh12763
22. Mazurina NV, Ogneva NA, Troshina EA, et al. Narusheniia metabolizma kaltsiia v otdalennom periode posle bariatricheskikh operatsii. Eksperimentalnaia i klinicheskaia gastroenterologiia. 2013;12:27-32 (in Russian). EDN SZUUGZ
23. Smelt HJM, Pouwels S, Smulders JF, Hazebroek EJ. Patient adherence to multivitamin supplementation after bariatric surgery: a narrative review. J Nutr Sci. 2020;9:e46. DOI:10.1017/jns.2020.41
24. Wong SH, Yu J. Gut microbiota in colorectal cancer: mechanisms of action and clinical applications. Nat Rev Gastroenterol Hepatol. 2019;16(11):690-704. DOI:10.1038/s41575-019-0209-8
25. Romanov VA, Karasev IA, Klimenko NS, et al. Luminal and Tumor-Associated Gut Microbiome Features Linked to Precancerous Lesions Malignancy Risk: A Compositional Approach. Cancers (Basel). 2022;14(21):5207. DOI:10.3390/cancers14215207
26. Lin H, Yu Y, Zhu L, et al. Implications of hydrogen sulfide in colorectal cancer: Mechanistic insights and diagnostic and therapeutic strategies. Redox Biol. 2023;59:102601. DOI:10.1016/j.redox.2023.102601
27. Goodrich JK, Waters JL, Poole AC, et al. Human genetics shape the gut microbiome. Cell. 2014;159(4):789-99. DOI:10.1016/j.cell.2014.09.053
28. Derrien M, Belzer C, de Vos WM. Akkermansia muciniphila and its role in regulating host functions. Microb Pathog. 2017;106:171-81. DOI:10.1016/j.micpath.2016.02.005
29. Rivière A, Selak M, Lantin D, et al. Bifidobacteria and Butyrate-Producing Colon Bacteria: Importance and Strategies for Their Stimulation in the Human Gut. Front Microbiol. 2016;7:979. DOI:10.3389/fmicb.2016.00979
2. Cui BB, Wang GH, Li PZ, et al. Long-term outcomes of Roux-en-Y gastric bypass versus medical therapy for patients with type 2 diabetes: a meta-analysis of randomized controlled trials. Surg Obes Relat Dis. 2021;17(7):1334-43. DOI:10.1016/j.soard.2021.03.001
3. Liu C, Xu Q, Dong S, et al. New mechanistic insights of anti-obesity by sleeve gastrectomy-altered gut microbiota and lipid metabolism. Front Endocrinol (Lausanne). 2024;15:1338147. DOI:10.3389/fendo.2024.1338147
4. Le Chatelier E, Nielsen T, Qin J, et al. Richness of human gut microbiome correlates with metabolic markers. Nature. 2013;500(7464):541-6. DOI:10.1038/nature12506
5. Демидова Т.Ю., Лобанова К.Г., Ойноткинова О.Ш. Кишечная микробиота как фактор риска развития ожирения и сахарного диабета 2-го типа. Терапевтический архив. 2020;92(10):97-104 [Demidova TYu, Lobanova KG, Oinotkinova OS. Gut microbiota is a factor of risk for obesity and type 2 diabetes. Terapevticheskii Arkhiv (Ter. Arkh.). 2020;92(10):97-104 (in Russian)]. DOI:10.26442/00403660.2020.10.000778. EDN KEIMGW
6. Gibiino G, Binda C, Cristofaro L, et al. Dysbiosis and Gastrointestinal Surgery: Current Insights and Future Research. Biomedicines. 2022;10(10):2532. DOI:10.3390/biomedicines10102532
7. Hugerth LW, Wefer HA, Lundin S, et al. DegePrime, a program for degenerate primer design for broad-taxonomic-range PCR in microbial ecology studies. Appl Environ Microbiol. 2014;80(16):5116-23. DOI:10.1128/AEM.01403-14
8. Merkel AYu, Tarnovetskii IYu, Podosokorskaya OA, Toshchakov AV. Analysis of 16S rRNA Primer Systems for Profiling of Thermophilic Microbial Communities. Microbiology. 2019;88:671-80. DOI:10.1134/s0026261719060110
9. Fadrosh DW, Ma B, Gajer P, Sengamalay N, et al. An improved dual-indexing approach for multiplexed 16S rRNA gene sequencing on the Illumina MiSeq platform. Microbiome. 2014;2(1):6. DOI:10.1186/2049-2618-2-6
10. Efimova D, Tyakht A, Popenko A, et al. Knomics-Biota – a system for exploratory analysis of human gut microbiota data. BioData Min. 2018;11:25. DOI:10.1186/s13040-018-0187-3
11. Callahan BJ, McMurdie PJ, Rosen MJ, et al. DADA2: High-resolution sample inference from Illumina amplicon data. Nat Methods. 2016;13(7):581-3. DOI:10.1038/nmeth.3869
12. Bolyen E, Rideout JR, Dillon MR, et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nat Biotechnol. 2019;37(8):852-7. DOI:10.1038/s41587-019-0209-9
13. Bokulich NA, Kaehler BD, Rideout JR, et al. Optimizing taxonomic classification of marker-gene amplicon sequences with QIIME 2's q2-feature-classifier plugin. Microbiome. 2018;6(1):90. DOI:10.1186/s40168-018-0470-z
14. Quast C, Pruesse E, Yilmaz P, et al. The SILVA ribosomal RNA gene database project: improved data processing and web-based tools. Nucleic Acids Res. 2013;41(Database issue):D590-6. DOI:10.1093/nar/gks1219
15. Gloor GB, Macklaim JM, Pawlowsky-Glahn V, Egozcue JJ. Microbiome Datasets Are Compositional: And This Is Not Optional. Front Microbiol. 2017;8:2224. DOI:10.3389/fmicb.2017.02224
16. Odintsova VE, Klimenko NS, Tyakht AV. Approximation of a Microbiome Composition Shift by a Change in a Single Balance Between Two Groups of Taxa. mSystems. 2022;7(3):e0015522. DOI:10.1128/msystems.00155-22
17. Rivera-Pinto J, Egozcue JJ, Pawlowsky-Glahn V, et al. Balances: a New Perspective for Microbiome Analysis. mSystems. 2018;3(4):e00053-18. DOI:10.1128/mSystems.00053-18
18. Kurtz ZD, Müller CL, Miraldi ER, et al. Sparse and compositionally robust inference of microbial ecological networks. PLoS Comput Biol. 2015;11(5):e1004226. DOI:10.1371/journal.pcbi.1004226
19. Blondel VD, Guillaume J-L, Lambiotte R, Lefebvre E. Fast Unfolding of Communities in Large Networks. J Stat Mechan Theory Experiment. 2008;10:P10008. DOI:10.1088/1742-5468/2008/10/P10008
20. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559. DOI:10.1186/1471-2105-9-559
21. Дедов И.И., Мокрышева Н.Г., Мельниченко Г.А., и др. Клинические рекомендации «Ожирение» Минздрава России. Версия 2024 года. Вестник репродуктивного здоровья. 2025;4(2):14-30 [Dedov II, Mokrysheva NG, Melnichenko GA, et al. Klinicheskie rekomendatsii “Ozhirenie” Minzdrava Rossii. Versia 2024 goda. Vestnik reproduktivnogo zdorovia. 2025;4(2):14-30 (in Russian)]. DOI:10.14341/brh12763
22. Мазурина Н.В., Огнева Н.А., Трошина Е.А., и др. Нарушения метаболизма кальция в отдаленном периоде после бариатрических операций. Экспериментальная и клиническая гастроэнтерология. 2013;12:27-32 [Mazurina NV, Ogneva NA, Troshina EA, et al. Narusheniia metabolizma kaltsiia v otdalennom periode posle bariatricheskikh operatsii. Eksperimentalnaia i klinicheskaia gastroenterologiia. 2013;12:27-32 (in Russian)]. EDN SZUUGZ
23. Smelt HJM, Pouwels S, Smulders JF, Hazebroek EJ. Patient adherence to multivitamin supplementation after bariatric surgery: a narrative review. J Nutr Sci. 2020;9:e46. DOI:10.1017/jns.2020.41
24. Wong SH, Yu J. Gut microbiota in colorectal cancer: mechanisms of action and clinical applications. Nat Rev Gastroenterol Hepatol. 2019;16(11):690-704. DOI:10.1038/s41575-019-0209-8
25. Romanov VA, Karasev IA, Klimenko NS, et al. Luminal and Tumor-Associated Gut Microbiome Features Linked to Precancerous Lesions Malignancy Risk: A Compositional Approach. Cancers (Basel). 2022;14(21):5207. DOI:10.3390/cancers14215207
26. Lin H, Yu Y, Zhu L, et al. Implications of hydrogen sulfide in colorectal cancer: Mechanistic insights and diagnostic and therapeutic strategies. Redox Biol. 2023;59:102601. DOI:10.1016/j.redox.2023.102601
27. Goodrich JK, Waters JL, Poole AC, et al. Human genetics shape the gut microbiome. Cell. 2014;159(4):789-99. DOI:10.1016/j.cell.2014.09.053
28. Derrien M, Belzer C, de Vos WM. Akkermansia muciniphila and its role in regulating host functions. Microb Pathog. 2017;106:171-81. DOI:10.1016/j.micpath.2016.02.005
29. Rivière A, Selak M, Lantin D, et al. Bifidobacteria and Butyrate-Producing Colon Bacteria: Importance and Strategies for Their Stimulation in the Human Gut. Front Microbiol. 2016;7:979. DOI:10.3389/fmicb.2016.00979
________________________________________________
2. Cui BB, Wang GH, Li PZ, et al. Long-term outcomes of Roux-en-Y gastric bypass versus medical therapy for patients with type 2 diabetes: a meta-analysis of randomized controlled trials. Surg Obes Relat Dis. 2021;17(7):1334-43. DOI:10.1016/j.soard.2021.03.001
3. Liu C, Xu Q, Dong S, et al. New mechanistic insights of anti-obesity by sleeve gastrectomy-altered gut microbiota and lipid metabolism. Front Endocrinol (Lausanne). 2024;15:1338147. DOI:10.3389/fendo.2024.1338147
4. Le Chatelier E, Nielsen T, Qin J, et al. Richness of human gut microbiome correlates with metabolic markers. Nature. 2013;500(7464):541-6. DOI:10.1038/nature12506
5. Demidova TYu, Lobanova KG, Oinotkinova OS. Gut microbiota is a factor of risk for obesity and type 2 diabetes. Terapevticheskii Arkhiv (Ter. Arkh.). 2020;92(10):97-104 (in Russian). DOI:10.26442/00403660.2020.10.000778. EDN KEIMGW
6. Gibiino G, Binda C, Cristofaro L, et al. Dysbiosis and Gastrointestinal Surgery: Current Insights and Future Research. Biomedicines. 2022;10(10):2532. DOI:10.3390/biomedicines10102532
7. Hugerth LW, Wefer HA, Lundin S, et al. DegePrime, a program for degenerate primer design for broad-taxonomic-range PCR in microbial ecology studies. Appl Environ Microbiol. 2014;80(16):5116-23. DOI:10.1128/AEM.01403-14
8. Merkel AYu, Tarnovetskii IYu, Podosokorskaya OA, Toshchakov AV. Analysis of 16S rRNA Primer Systems for Profiling of Thermophilic Microbial Communities. Microbiology. 2019;88:671-80. DOI:10.1134/s0026261719060110
9. Fadrosh DW, Ma B, Gajer P, Sengamalay N, et al. An improved dual-indexing approach for multiplexed 16S rRNA gene sequencing on the Illumina MiSeq platform. Microbiome. 2014;2(1):6. DOI:10.1186/2049-2618-2-6
10. Efimova D, Tyakht A, Popenko A, et al. Knomics-Biota – a system for exploratory analysis of human gut microbiota data. BioData Min. 2018;11:25. DOI:10.1186/s13040-018-0187-3
11. Callahan BJ, McMurdie PJ, Rosen MJ, et al. DADA2: High-resolution sample inference from Illumina amplicon data. Nat Methods. 2016;13(7):581-3. DOI:10.1038/nmeth.3869
12. Bolyen E, Rideout JR, Dillon MR, et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nat Biotechnol. 2019;37(8):852-7. DOI:10.1038/s41587-019-0209-9
13. Bokulich NA, Kaehler BD, Rideout JR, et al. Optimizing taxonomic classification of marker-gene amplicon sequences with QIIME 2's q2-feature-classifier plugin. Microbiome. 2018;6(1):90. DOI:10.1186/s40168-018-0470-z
14. Quast C, Pruesse E, Yilmaz P, et al. The SILVA ribosomal RNA gene database project: improved data processing and web-based tools. Nucleic Acids Res. 2013;41(Database issue):D590-6. DOI:10.1093/nar/gks1219
15. Gloor GB, Macklaim JM, Pawlowsky-Glahn V, Egozcue JJ. Microbiome Datasets Are Compositional: And This Is Not Optional. Front Microbiol. 2017;8:2224. DOI:10.3389/fmicb.2017.02224
16. Odintsova VE, Klimenko NS, Tyakht AV. Approximation of a Microbiome Composition Shift by a Change in a Single Balance Between Two Groups of Taxa. mSystems. 2022;7(3):e0015522. DOI:10.1128/msystems.00155-22
17. Rivera-Pinto J, Egozcue JJ, Pawlowsky-Glahn V, et al. Balances: a New Perspective for Microbiome Analysis. mSystems. 2018;3(4):e00053-18. DOI:10.1128/mSystems.00053-18
18. Kurtz ZD, Müller CL, Miraldi ER, et al. Sparse and compositionally robust inference of microbial ecological networks. PLoS Comput Biol. 2015;11(5):e1004226. DOI:10.1371/journal.pcbi.1004226
19. Blondel VD, Guillaume J-L, Lambiotte R, Lefebvre E. Fast Unfolding of Communities in Large Networks. J Stat Mechan Theory Experiment. 2008;10:P10008. DOI:10.1088/1742-5468/2008/10/P10008
20. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559. DOI:10.1186/1471-2105-9-559
21. Dedov II, Mokrysheva NG, Melnichenko GA, et al. Klinicheskie rekomendatsii “Ozhirenie” Minzdrava Rossii. Versia 2024 goda. Vestnik reproduktivnogo zdorovia. 2025;4(2):14-30 (in Russian). DOI:10.14341/brh12763
22. Mazurina NV, Ogneva NA, Troshina EA, et al. Narusheniia metabolizma kaltsiia v otdalennom periode posle bariatricheskikh operatsii. Eksperimentalnaia i klinicheskaia gastroenterologiia. 2013;12:27-32 (in Russian). EDN SZUUGZ
23. Smelt HJM, Pouwels S, Smulders JF, Hazebroek EJ. Patient adherence to multivitamin supplementation after bariatric surgery: a narrative review. J Nutr Sci. 2020;9:e46. DOI:10.1017/jns.2020.41
24. Wong SH, Yu J. Gut microbiota in colorectal cancer: mechanisms of action and clinical applications. Nat Rev Gastroenterol Hepatol. 2019;16(11):690-704. DOI:10.1038/s41575-019-0209-8
25. Romanov VA, Karasev IA, Klimenko NS, et al. Luminal and Tumor-Associated Gut Microbiome Features Linked to Precancerous Lesions Malignancy Risk: A Compositional Approach. Cancers (Basel). 2022;14(21):5207. DOI:10.3390/cancers14215207
26. Lin H, Yu Y, Zhu L, et al. Implications of hydrogen sulfide in colorectal cancer: Mechanistic insights and diagnostic and therapeutic strategies. Redox Biol. 2023;59:102601. DOI:10.1016/j.redox.2023.102601
27. Goodrich JK, Waters JL, Poole AC, et al. Human genetics shape the gut microbiome. Cell. 2014;159(4):789-99. DOI:10.1016/j.cell.2014.09.053
28. Derrien M, Belzer C, de Vos WM. Akkermansia muciniphila and its role in regulating host functions. Microb Pathog. 2017;106:171-81. DOI:10.1016/j.micpath.2016.02.005
29. Rivière A, Selak M, Lantin D, et al. Bifidobacteria and Butyrate-Producing Colon Bacteria: Importance and Strategies for Their Stimulation in the Human Gut. Front Microbiol. 2016;7:979. DOI:10.3389/fmicb.2016.00979
Авторы
Е.А. Шестакова*1, Н.С. Клименко2, Е.В. Покровская1, М.С. Синеокая1, С.И. Кошечкин2, В.Е. Одинцова2, М.В. Шестакова1
1ФГБУ «Национальный медицинский исследовательский центр эндокринологии им. акад. И.И. Дедова» Минздрава России, Москва, Российская Федерация
2ООО «Нобиас Технолоджис», Москва, Российская Федерация
*katiashestakova@mail.ru
1Endocrinology Research Centre, Moscow, Russian Federation
2Nobias Technologies LLC, Moscow, Russian Federation
*katiashestakova@mail.ru
1ФГБУ «Национальный медицинский исследовательский центр эндокринологии им. акад. И.И. Дедова» Минздрава России, Москва, Российская Федерация
2ООО «Нобиас Технолоджис», Москва, Российская Федерация
*katiashestakova@mail.ru
________________________________________________
1Endocrinology Research Centre, Moscow, Russian Federation
2Nobias Technologies LLC, Moscow, Russian Federation
*katiashestakova@mail.ru
Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.