lol比赛押注平台(中国)官方网站科研 Gastroenterology (IF： 33)： 宏基因组学揭示多种药物对肠道微生物群的不同影响我们预计，本研究中确定的药物-微生物相关性可以作为一个目录，为未来的药物微生物学奠定基础，以提高治疗疗效并减少可能因肠道微生物组改变而导致的药物不良事件。

　　背景和目的：药物是肠道微生物群结构的主要决定因素，其过度使用会增加发病和死亡的风险。然而，某些常用处方药和多种药物对肠道微生物群的影响仍在研究中。

　　方法：本研究对日本4D(疾病、药物、饮食、日常生活)微生物组项目中4198名参与者的粪便样本进行了鸟枪法宏基因组分析。共分析了759种药物，并前瞻性收集了其他元数据，如测量学、生活方式、饮食、体育活动和疾病；收集243名参与者的第二份粪便样本，以评估药物启用和停药对微生物群的影响。

　　结果：不同治疗类别的许多药物会影响微生物组；我们分析的药物中有70%以上以前没有检测过。由于药物的叠加效应，暴露于多种药物(多重用药)的个体表现出不同的肠道微生物群结构，上消化道物种和几种院内致病菌明显增多。多重用药也与微生物功能有关，包括减少短链脂肪酸代谢和增加细菌应激反应。即使是非抗生素药物也与通过多种药物治疗增加的抗菌耐药性显著相关。值得注意的是，双时间点数据集揭示了微生物组在药物启用和停止后的变化和恢复，证实了横断面队列中观察到的药物-微生物相关性。

　　结论：本研究的大规模宏基因组研究揭示了单个和多种药物暴露对肠道微生物群的广泛和破坏性影响，提供了药物-微生物目录作为深入了解微生物组在药物疗效和毒性中的作用的基础。

　　本研究建立了日本4D(疾病、药物、饮食、日常生活)微生物组队列，对4,198名参与者(59%为男性，平均年龄66.4岁，补充表1)的粪便样本进行了测序和分析。宏基因组数据的分类和功能分析共确定了284个属、1773个物种和10,689个KEGG orthologies(KOs)(补充图1)。

　　我们详尽地描述了患者的药物使用情况，并根据ATC分类系统将759种常见的非抗生素和抗生素药物划分为第5级和第4级(补充表1)。

　　每个受试者服用的药物平均数量为5.1，87.0%(3654/4198)的受试者至少服用一种药物。最常见的处方药物是质子泵(PPIs)、二氢吡啶衍生物和HMG CoA还原酶。

　　我们的文献检索显示，91.2% (272/298)的ATC第5级药物和70.4% (112/159)的ATC第4级药物尚未报道与肠道微生物群相关(补充表4、5)。 在由测量学、生活方式、饮食、体育活动、疾病和药物组成的844个元数据中(补充表1)，药物对微生物组变异的解释能力最高，在属、种和KO水平上，药物对肠道微生物群落总变异的解释能力分别为10.4%、5.0%和8.0%(图1A)。

　　在基于解剖学或药理学组的药物类别中，消化道药物、糖尿病药物和全身使用的抗感染药物与肠道微生物群结构的协方差显著高于其他药物类别(图1B)。即使在药物类别中，我们也发现了对微生物组有或大或小影响的差异(图1D)。具体而言，具有较大影响的药物包括消化道药物中的PPIs和渗透性泻药、糖尿病药物中的α-葡萄糖苷酶、抗感染药物中的HIV感染抗病毒药物、抗血栓药物中的血小板聚集(包括阿司匹林)，而具有比较小影响的药物包括胰高血糖素样肽-1类似物、维生素B12、睾酮5α-还原酶和双膦酸盐(补充表6)。

　　与之前的研究结果一致，PPIs和渗透性泻药与微生物组的相关性相对较强(图1D)。由于我们的队列由相对年长的个体组成，我们测试了年龄如何影响药物-微生物的关联。

　　结果显示，每种药物对微生物组的影响大小在两个年龄组之间具有可比性(图1C)，这表明无论年龄如何，药物-微生物之间的关联都是稳健的。 控制可能的混杂变量影响的多元回归分析显示，每种药物与肠道微生物之间存在大量显著关联(图2A，补充表6-11)。在10个个体服用的298种药物(ATC第5级)中，128种(43.0%)与至少一个属独立相关(补充表7)，209种(70.1%)与至少一个物种独立相关(补充表9)。

　　在本研究新检查的药物中，几种常用处方药(ATC第4级)也显示出与微生物物种的显著关联，包括接触性泻药、盐类泻药、二氢吡啶衍生物、血管紧张素II拮抗剂、双膦酸盐、直接口服抗凝剂、维生素制剂和草药(补充表4、5)。我们进一步发现，一些可能长期使用的常用处方药物(如PPIs、渗透性泻药和5-ASA)，无论给药时间长短始终与同一物种相关(图2B和补充图2A)，这表明在治疗过程中肠道微生物群的变化持续存在。

　　对于这三种药物，低剂量和高剂量对肠道微生物群的影响没有显著差异(图2C和补充图2B)。 各种药物也与基于KOs的肠道微生物组的功能特征显著相关(补充表12-15)。在显示出最强关联的药物中，PPIs与各种氨基酸转运体(如丝氨酸、谷氨酰胺、蛋氨酸和赖氨酸)呈正相关，而AGIs与糖代谢相关的KOs呈正相关。

　　这些结果表明，由于PPI和AGI的作用，在上消化道中发现的未消化的营养物质可以到达结肠，肠道微生物在结肠中将其代谢(补充说明)。

　　此外，许多粘蛋白降解基因与PPIs、AGIs、氨基酸和衍生物(如透明质酸葡糖苷酶、α-L-岩藻糖苷酶和β-半乳糖苷酶)呈显著负相关，但很少与其他药物相关(补充表12)，这表明碳水化合物和氨基酸代谢增加与微生物组中粘蛋白周转抑制之间可能存在关联。

　　为了测试药物的作用机制如何参与肠道微生物组的变化，我们检查并比较了针对同一疾病开出的密切相关药物的效果。PPIs和钾竞争性酸阻滞剂(P-CABs)均能抑制胃酸，它们与乳杆菌(Lactobacillus)和链球菌(Streptococcus)显著相关(图2A)。在PPIs中，埃索美拉唑、兰索拉唑、奥美拉唑和雷贝拉唑均与同一属相关(补充表7)。

　　相反，同一类别的H2受体拮抗剂却与不同属相关，这可能是因为PPIs/P-CABs与H2受体拮抗剂之间的酸泵抑制活性强度存在差异(图2A和补充表6)。同样，与具有不同机制的药物(盐类泻药和接触性泻药)相比，机制相似的药物(渗透性泻药和氯离子通道激活剂)对肠道微生物群的影响相似(补充说明)。

　　这些数据表明，药物引起的肠道微生物群变化部分取决于药物对宿主生理影响的差异。 由于即使是非抗生素治疗(如PPIs)也可能与肠道中致病微生物的增加相关，我们接下来探索了各种药物与可能的致病菌之间的关联。多变量分析显示，26.8% (40/149)的非抗生素药物和70.0% (7/10)的ATC第4级抗生素与至少一种可能导致严重医院感染的病原菌呈正相关(图2A，补充表10、11)。PPIs经常与粪肠球菌(Enterococcus faecalis)、产酸克雷伯氏菌(Klebsiella oxytoca)和肺炎链球菌(Streptococcus pneumoniae)等致病菌相关。

　　此外，其他药物，如胆汁酸及其衍生物、褪黑素受体激动剂、其他神经系统药物和DPP-4与几种病原菌呈显著正相关(图2A)。

　　为了测试疾病是否会混淆上述药物-微生物相关性，我们检查了8种常用药物(100名使用者至少与3个属有显著相关性)的效果，并比较了5种常见疾病(糖尿病、血脂异常、高血压、代谢综合征和血栓栓塞)患者接受这些药物治疗和未接受治疗患者之间的肠道微生物群。

　　结果表明，大多数药物-微生物相关性在不同疾病中是一致的(补充图3)，表明药物-微生物相关性受疾病状态的影响不大。

　　图1A、B、D，条形图显示由元数据类别(A)、ATC第1级药物类别(B)和ATC第4级药物(D)解释的肠道微生物组的变异(Bray-Curtis距离，n=4198)。

　　(A)和(B)采用逐步冗余分析，(D)采用置换方差分析来估计微生物组在属、种和KO水平的累积效应量。(D)显示了50种与肠道微生物组密切相关的药物，并且至少有一种药物与该属存在显著关联(多元回归分析)。

　　热图显示了每种药物对微生物组Shannon多样性的效应大小。星号表示显著性(P 0.05)。本研究未对多重检验进行校正，因为单因素回归分析中只有FDR 0.05的变量被纳入多元回归分析。

　　括号中的数字表示服用该药物的人数。C，比较≥70岁和＜70岁人群中每种药物对微生物群的效应大小。

　　缩写：PPI，质子泵；AGI，α-葡萄糖苷酶；5-ASA，5-氨基水杨酸；KEGG，京都基因和基因组百科全书；GORD，胃食管反流病；RT，逆转录酶；HIV，免疫缺陷病毒。

　　A，热图显示了ATC第4级前50种药物与前32个属(平均相对丰度0.5%)以及通过多元回归分析确定的9种致病菌之间的关联。显示了与至少一个属显著相关的50种药物。星号表示显著性(P 0.05)。

　　本研究未对多重检验进行校正，因为单因素回归分析中只有FDR0.05的变量被纳入多元回归分析。括号中的数字表示服用该药物的人数。最上面的条形代表通过置换方差分析评估的药物的决定系数。

　　C，用药剂量与属丰度之间的关系。采用多元回归分析对未服用者与服用者(持续时间和剂量)进行比较。高剂量和低剂量根据剂量的中值来确定。

　　缩写：PPI，质子泵；AGI，α-葡萄糖苷酶；5-ASA，5-氨基水杨酸；GORD，胃食管反流病；RT，逆转录酶；HIV，免疫缺陷病毒。

　　为了探索这一点，我们通过校正有无药物信息的多变量分析，调查了该队列中微生物与35种疾病之间的关联(补充图4)。平均而言，不考虑药物的多元回归模型产生的显著关联是考虑药物的模型的1.9倍(图3)。在没有药物的模型中，共有11种疾病(如炎症性肠病、糖尿病和抑郁症)与微生物的相关性明显高于与药物的相关性，这表明许多这些显著相关性被药物混淆了。

　　例如，与之前的一项研究一致，我们发现糖尿病和乳杆菌之间存在显著关联，无需调整药物(补充图4)。

　　然而，当我们调整抗糖尿病药物时，这种相关性消失了。相比之下，DPP-4和AGIs等抗糖尿病药物与乳杆菌独立相关，这表明这些抗糖尿病药物混淆了糖尿病与乳杆菌的关联(图3)。

　　同样lol比赛押注平台，我们观察到抑郁症与真杆菌(Eubacterium)之间存在显著的负相关关系，而无需调整药物，但当我们调整抗抑郁药物苯二氮平时，这种关联消失了。

　　事实上，在之前的一项研究中，在体外实验中观察到苯二氮平(阿塞那平)对真杆菌的抗菌作用。当我们调整药物后，疾病和微生物之间的其他显著关联也消失了，如IBD-Akkermansia、HIV-Streptococcus和慢性肝炎-Alistipes。

　　这些结果显示了药物对疾病-微生物相关性的广泛影响，强调了控制药物效应以检测真正的微生物-疾病关联的重要性。

　　疾病和每种微生物之间的关联通过有(蓝色条)和无(橙色条)药物信息的多元回归模型进行评估。左侧条形图显示了每个模型检测到的与物种显著相关的数量(P 0.05)。

　　本研究未对多重检验进行校正，因为单因素回归分析中只有FDR0.05的变量被纳入多元回归分析。星号表示模型之间检测到的关联数量存在显著差异(P 0.05，Fisher精确检验)。

　　该分析包括队列中的35种当前和过去的疾病。热图显示了10种疾病和疾病治疗药物与肠道微生物组的关系。选择在没有药物信息的模型中与肠道微生物组有更显著关联的10种疾病。

　　血癌被排除在热图之外，因为该队列中没有纳入针对该疾病的特定药物。缩写：IBD，炎症性肠病；COPD，慢性阻塞性肺疾病；HIV，免疫缺陷病毒。

　　在本研究队列中，3,303人(78.7%)服用两种或两种以上的药物(补充表16)lol比赛押注平台，从而可以探索药物-药物相互作用对肠道微生物群的影响。

　　虽然单独使用PPIs或AGIs分别显著增加了乳杆菌和链球菌以及乳杆菌和双歧杆菌(Bifidobacterium)的相对丰度(图2A)，但同时使用这两种药物则增加了双歧杆菌、乳杆菌和链球菌的相对丰度(图4A)，表明药物对肠道微生物组的加性作用。PPIs和血小板聚集、PPIs和渗透性泻药、PPIs和止泻微生物、渗透性泻药和胆汁酸及其衍生物的组合也观察到了类似的效果(图4B-D和补充图5)。

　　A-C，药物对与肠道微生物组之间的显著相关性。箱线图显示所选属的相对丰度。图下方的黑色圆圈表示服用的药物。

　　括号中的数字表示服用药物或药物对的人数。星号表示由多元回归分析确定的药物或药物对的显著相关性(P 0.05)。本研究未对多重检验进行校正，因为单因素回归分析中只有FDR0.05的变量被纳入多元回归分析。D，ATC第4级药物组合与肠道微生物组的相关性。热图表示通过多元回归分析得到的药物效应大小。红色和蓝色分别表示正相关和负相关。星号表示显著相关性(P 0.05)。黑色圆圈表示服用的药物，由一条线连接的两个黑色圆圈表示药物组合。上面6行显示单一药物使用的结果，下面15行显示联合用药的结果。右侧条形图显示与Shannon指数的显著关联。分析包括与肠道微生物组相关性最强的3种药物(如质子泵、α-葡萄糖苷酶和渗透性泻药)和ATC第4级最常见的3种药物(如血管紧张素II拮抗剂、HMG CoA还原酶和二氢吡啶衍生物)(补充表1)。AGIs和渗透性泻药组合被排除在该分析之外，因为服用该药物对(n=13)的人数明显少于其他药物对(n50)。

　　在迅速老龄化的社会中，多重用药的流行在全球范围内不断增加，这可能会增加药物-药物相互作用导致的发病率和死亡率风险。通过多变量分析，我们研究了给药数量如何影响肠道微生物组，发现给药数量与Shannon指数呈轻微但显著的负相关关系(图5A、B)。此外，药物数量是影响肠道微生物群变异的第三大因素，仅次于年龄和性别(补充图6A)。

　　与多种药物相关的变化主要归因于与厚壁菌门物种的显著负相关，如Roseburia、unknownLachnospiraceae和Dorea，以及与在上消化道中占优势的几种链球菌和乳杆菌的正相关(图5C、E，补充图6B和补充表17、18)。

　　由于这些物种中的许多与PPI相关的物种重叠，我们在分析中排除了PPI使用者，并确认了一致的相关性，表明多药诱导的改变不是由PPI使用者驱动的(补充图7A)。在按年龄和性别分层的几个亚组中进一步验证了关联的稳健性(补充图7B-E)。服用的药物数量也与几种病原菌的丰度和流行率呈正相关(图5D和补充图6C、D)。

　　服用的药物数量与微生物功能显著相关(补充表19、20)，包括与C5类异戊二烯生物合成的MOs[M00095]、阳离子抗菌肽耐药性[M00725]和渗透保护剂转运系统[M00209]呈正相关(图5F)，其中一些可能与细菌应激反应有关。通路富集分析显示，药物服用数量与磷酸转移酶系统中的各种转运体及ABC转运体呈正相关，与卟啉、叶绿素代谢以及氨基酸生物合成呈负相关(图5G)。

　　相反，药物数量与氨基酸生物合成的KOs (K01089：组氨酸磷酸酶，K01755：精氨琥珀酸裂解酶和K01915：谷氨酰胺合成酶)以及丁酸生物合成的KO(K00929：丁酸激酶)呈负相关，这与产丁酸梭菌(Clostridia)的显著减少相一致(图5E)。

　　鉴于服用的药物数量与潜在疾病之间存在显著正相关关系(图5H)，我们检查了多重用药-微生物相关性中疾病数量的混杂效应。

　　多变量分析显示，药物数量和活动性疾病数量对肠道微生物群有不同的影响(图5I)；例如，药物数量与链球菌和乳杆菌保持显著相关，而活动性疾病数量与克雷伯氏菌、链球菌、乳杆菌和Oscillibacter显著相关。

　　A，根据该队列中服用的药物数量得出的个体数量(n=4198)。服用10种以上药物的个体被归为≥10类。

　　C、D，服用药物数量与丰度最高的32个属(平均相对丰度0.5%)和9种致病菌的丰度之间的关联。每行代表其丰度与未服用任何药物的个体的平均丰度相比的倍数变化。

　　橙色和蓝色分别显示显著增加和减少(C)。物种名称后的星号表示通过多元回归分析(D)确定的显著正相关性(P 0.05)未对多重检验进行校正，因为单因素回归分析中只有FDR0.05的变量被纳入多元回归分析。

　　E，多重用药与物种水平分类群之间的关联。系统发育树代表队列中平均相对丰度0.1%的158个物种的分类。

　　从中心向外，树中的圆圈代表门、纲、目、科、属和种水平分类。树外的橙色和蓝色圆圈和条形分别表示与服用药物数量显著正相关和负相关。条形高度显示效应大小。

　　F，通过多元回归分析评估服用药物数量与MOs之间的关系。G，显著相关KOs的通路富集分析。橙色和蓝色条表示与服用药物数量呈正相关和负相关的KO中的通路富集。显示了P0.05的通路(Fisher精确检验)。

　　H，该队列中个体的活动性疾病数量与药物摄入呈正相关。I，热图显示了菌属与服用药物数量和活动性疾病之间的关系，通过控制其他元数据的多元回归分析获得。星号表示统计显著性(P 0.05)。

　　为了进一步研究药物摄入和停止的影响，我们分析了243名参与者在两个时间点收集的486份粪便样本，其中一些参与者在第一次采样后开始或停止药物摄入(补充表21)。不同时间点的比较分析显示，开始PPI治疗显著改变了微生物组(图6A)。改变的微生物组中链球菌和乳杆菌显著增加(广义倍数变化[gFC]分别为0.43和0.46，图6B，补充方法)，与横断面分析一致(图2A)。

　　值得注意的是，这两个属显著减少，并且在停止PPI摄入后几乎恢复到基线B)。此外，一些病原菌在PPI摄入后显著富集，而在停用PPI后则减少(图6C)。这些结果表明，PPIs是改变肠道微生物群的致病因素，而改变的微生物群在停药后有恢复到其原始状态的能力。

　　同样，对渗透性泻药和P-CAB给药前后采集的样品进行比较，显示瘤胃球菌(Ruminococcus)和链球菌分别显著增加(gFC分别为0.37和0.47，补充图8A、B)，验证了横断面分析中观察到的变化(图2A)。

　　从服药数量来看，我们发现在第一次采样后服药数量增加的个体的第二个样本中链球菌和乳杆菌显著富集(gFC分别为0.22和0.20，图6D)。

　　相反，在减少服用药物数量的个体的第二个样本中，这两个属略有减少，但显著(gFC分别为-0.25和-0.13，图6D)。

　　由于PPI摄入也会增加链球菌和乳杆菌的丰度，我们在分析中排除了两个时间点的PPI使用者，并发现这两个属的变化保持一致(补充图8C)。除了这两个属外，还有几个物种(如Ruminococcus gnavus、Enterobacter sp.和unknown Clostridiales)(图6E)和功能(如C5类异戊二烯生物合成[M00095]、阳离子抗菌肽耐药性[M00725]和多药耐药性[M00717])与药物摄入的增加或减少显著相关(图6E)。

　　总体而言，这些结果揭示了微生物组对单个药物和多种药物启用和停药的动态响应，验证了横断面分析中的药物-微生物相关性(图2和5)。

　　A-C，第一次采样后开始服用质子泵(PPIs)(n=34)和停止摄入PPI(n=15)的个体微生物组成的变化。

　　A，在两个时间点(n=243)从同一个体采集的两个时间点样本的散点图。红色和蓝色分别代表采样时经过和未经PPI治疗的样品。x轴和y轴显示从偏最小二乘判别分析中获得的分数，以区分PPIs使用者和未使用者的微生物特征。绿色箭头显示服用PPI或停止摄入PPI后每个人的微生物特征的变化。

　　B，箱线图显示服用PPI或停止摄入PPI后链球菌和乳杆菌相对丰度的变化。来自同一个体的样本由箱线图之间的线连接，其中红色或蓝色分别表示增加或减少。

　　C，热图显示服用PPI或停止摄入PPI后Shannon多样性和微生物分类群丰度的倍数变化。星号表示P0.05。D,E，第一次采样后增加(n=102)或减少(n=90)服用药物数量的个体微生物组成的改变。

　　D，箱线图显示增加或减少服用药物数量后链球菌和乳杆菌相对丰度的变化。E，热图显示增加或减少服用药物数量后，属、种和MOs丰度的倍数变化。星号表示P0.05(Wilcoxon配对秩和检验)。

　　最近的体外和临床研究报道称，肠道微生物组中抗生素耐药基因(ARGs)的丰度与一些非抗生素药物以及抗生素的使用呈正相关。

　　为了利用本研究数据集进一步探索这一点，我们研究了药物摄入与ARGs之间的关系(补充表22-25)。我们数据集中最丰富的ARGs是针对四环素和大环内酯类药物的ARG，以及主要促进因子超家族和耐药结节细胞分化超家族外排泵的ARG(图7A，补充图9A、B)。冗余分析显示，药物是影响肠道耐药基因组的最强因素，解释了肠道中ARG谱的最大差异(肠道耐药基因组；图7B)。

　　在所有药物类别中，全身使用的抗感染药物(如抗生素)在肠道耐药基因组中的变异最大(图7C)，尽管它只是解释微生物组分类和功能特征变异的第三大类别，仅次于消化道药物和糖尿病药物(图1B)。 多变量分析显示，49.7%(74/149)的非抗生素和70.0%(7/10)的ATC第4级抗生素与至少一个ARG显著相关(补充表22)。

　　除抗生素外，非抗生素药物(如渗透性泻药、胆汁酸及其衍生物、神经系统药物和褪黑素受体激动剂)与ARGs呈显著正相关(图7A和补充表22)。在最近的一项临床研究中也报道了类似的发现，例如tetA、tetB和mel与PPI摄入呈正相关，mdtC、emrY和PmrF与二甲双胍摄入呈正相关(补充表24、25)。

　　我们还发现，服用的药物数量与ARGs总丰度之间存在显著的正相关关系(补充表26、27)，特别是与氨基糖苷类和β-内酰胺类药物，包括几种外排泵(如主要促进因子超家族和ABC转运蛋白)(图7E和补充图9C)。

　　这种显著的正相关与年龄无关(图7F)。总体而言，这些结果表明，广泛的非抗生素药物与人类肠道耐药基因组的改变有关。

　　B、C，条形图显示由元数据类别(B)和ATC第1级(C)药物类别解释的肠道耐药基因组的差异。进行逐步冗余分析以估计每个类别的累积效应量。

　　D，ARGs与ATC第4级药物之间的显著关联。热图显示了每种药物对肠道耐药基因组的效应大小。星号表示多元回归分析得出的统计显著性(P 0.05)。括号中的数字表示服用该药物的人数。

　　E，ARGs总丰度与服用药物数量呈显著正相关。条形图显示了每组个体中ARGs的平均丰度。图中的蓝线表示回归线。

　　在日本4D(疾病、药物、饮食、日常生活)队列研究中，我们使用从4198个深度表型个体收集的大规模宏基因组数据集和服用药物前后收集的双时间点数据集，揭示了单个和多种药物(多重用药)对肠道微生物组的广泛影响。

　　我们分析的70%以上的药物以前没有被检查过，这使我们能够揭示许多以前研究无法涵盖的关于单个药物和多种药物之间的以前未知的关联(图1)。

　　首先，我们揭示了对微生物组影响较大的各种药物，以及对微生物组影响较小的药物，不仅在药物类别中，而且在药物类别内(图1、2)。

　　例如，较大的影响与PPIs、AGIs和渗透性泻药相关，其中一些与之前的研究一致，而影响较小的药物包括胰高血糖素样肽-1类似物、维生素B12和双膦酸盐(补充表6)。

　　考虑到影响较大的药物会显著改变胃肠道生理和营养成分，它们对微生物组的巨大影响可能是由肠道的这种生理变化引起的。

　　我们还揭示了药物-微生物关联的相似性和差异性，即使在密切相关的药物中也是如此(图2)，其中一些药物(如酸和泻药)可以通过药物作用机制来解释。

　　这一结果也表明，这些药物不是直接接触和抑制肠道内微生物的生长，而是通过改变宿主的生理机能间接影响肠道微生物群。

　　其次，我们发现即使是非抗生素药物也与已知导致医院感染的病原菌显著相关(图2)，这会增加患者的发病率和死亡率。PPIs是与这些致病菌表现出最强正相关关系的药物类型之一。

　　鉴于病原菌与具有不同作用机制的各种非抗生素药物呈正相关，肠道微生物群的定殖抗性降低可能是造成这一结果的部分原因。

　　由于医院感染会带来严重的健康和经济负担，因此有必要在未来的研究中阐明相互作用的机制。第三，我们证明药物在很大程度上混淆了疾病-微生物相关性(图3)。

　　据我们所知，这是第一次全面评估，包括广泛的各种药物和疾病，它大大扩展了以往小规模研究中显示的药物混淆效应的知识。当考虑药物治疗时，许多疾病-微生物相关性并不显著，这强调了需要控制药物治疗以检测真正的疾病-微生物相关性。

　　有趣的是，我们的结果显示了多种药物使用对肠道微生物组的强烈影响(图5)，可能是通过每种药物的累加效应(图4)。多重用药改变的肠道微生物组的特征是链球菌和乳杆菌显著增加，以及Shannon指数和短链脂肪酸产生菌减少(图5)。

　　丁酸生产基因的显著减少可能会将肠道转变为有利于某些兼性厌氧菌(包括致病菌)生长的厌氧和氧化环境(图5D)。

　　鉴于药理作用对宿主生理的多样性和变化，例如改变胃肠道环境(如pH和转运时间)或肠道完整性和通透性，或通过直接抑制细菌生长，单个药物的作用可能会累积影响肠道微生物组。已有多项研究报道药物引起的微生物失调会导致腹泻、肠道感染、胃肠道粘膜损伤等多种不良事件。

　　值得注意的是，在药物治疗前后从同一个体收集的双时间点数据集揭示了由于单个药物(PPIs、P-CAB和渗透性泻药)和多种药物的启用和停药而引起的肠道微生物组改变和恢复的动力学(图6)。

　　这些结果强调了减少患者处方数量作为恢复肠道微生物群的一种方式的重要性，这可能有助于降低医疗成本和因过度处方而导致的不良事件。

　　事实上，高达70%的PPI给药被报告为过度处方，而在≥65岁的人群中，37.5%的处方可能是不适当的药物，应根据Beers标准谨慎使用。

　　除了抗生素药物外，我们的宏基因组数据还揭示了人类靶向药物与肠道耐药基因组的密切关联(图7)。特别是，服用的药物数量与ARGs的总丰度呈正相关(图7E)。

　　先前的研究表明，人类靶向药物可以到达肠道并对细菌造成压力，并且细菌的耐药机制与抗生素的耐药机制部分重叠。

　　虽然我们不能排除之前接触过抗生素(我们无法完全评估)可能对肠道微生物群产生长期影响的可能性，但我们的结果表明，即使是非抗生素药物也会选择肠道中能够为细菌提供竞争优势的ARGs。

　　为了证明这种因果关系，未来还需要建立其他动物实验模型。尽管考虑潜在混杂因素的多变量分析是本研究的优势，但存在一些信息偏差。

　　例如，饮食问卷包括回忆偏差，因为受试者被要求回忆一个月前的信息。一些疾病信息是从电子病历中收集的，可能存在收集者的观察者偏差。

　　综上所述，这个大规模的横断面数据集与前瞻性的双时间点数据集相协调，综合评估元数据和宏基因组数据，揭示了单个药物和多种药物暴露对肠道微生物群生态的广泛影响，强调了减少过度处方的问题。

　　我们预计lol比赛押注平台，本研究中确定的药物-微生物相关性可以作为一个目录，为未来的药物微生物学奠定基础，以提高治疗疗效并减少可能因肠道微生物组改变而导致的药物不良事件。