Исследование показало, что состав кишечной микрофлоры помогает прогнозировать инсулинорезистентность при диабете 2-го типа.

Автор: Уго Франсиско де Соуза                                                                                                                           19 февраля 2026 г.

Рецензент: Суша Чериетат, магистр наук. 

Новое исследование показало, что характеристики микробиома кишечника, проанализированные с помощью передовых методов машинного обучения, могут помочь выявить людей с более выраженной инсулинорезистентностью. Это позволяет по-новому взглянуть на биологические связи между дисбактериозом и метаболическими нарушениями.

В недавнем исследовании, опубликованном в журнале Frontiers in Nutrition, ученые изучали связь между инсулинорезистентностью (ИР), основным фактором развития сахарного диабета 2-го типа(СД2), и составом микробиома (МБ) кишечника. Используя данные секвенирования 16S рибосомальной РНК (рРНК) из фекалий и метаболические маркеры крови 116 участников, команда обучила модели машинного обучения (МО), чтобы определить, можно ли по составу кишечного микробиома отличить людей с повышенной инсулинорезистентностью от здоровых участников.

Исследование показало, что модели экстремального градиентного бустинга (Extreme Gradient Boosting, XGBoost) могут с умеренной точностью отличать людей с повышенной резистентностью к инсулину от контрольной группы. Эти результаты позволяют предположить, что воздействие на определенные группы кишечных бактерий может стать перспективной дополнительной стратегией улучшения метаболической регуляции у пациентов с сахарным диабетом 2-го типа, но это требует дальнейшего подтверждения.

Инсулинорезистентность и микробиом кишечника при диабете 2-го типа

Сахарный диабет 2-го типа — это хроническое нарушение обмена веществ, характеризующееся стойкой гипергликемией, которая при отсутствии лечения значительно повышает риск сердечно-сосудистых заболеваний и других серьезных метаболических осложнений. Инсулинорезистентность считается основным патофизиологическим фактором развития сахарного диабета 2-го типа. Она возникает, когда периферические ткани, в том числе мышцы и печень, не реагируют должным образом на инсулин, что приводит к нарушению углеводного и липидного обмена.

Несмотря на то, что фармакологические препараты, такие как метформин, воздействуют на эти метаболические пути, появляется все больше доказательств того, что микробиом может быть дополнительной терапевтической мишенью, а не более эффективной альтернативой. Поэтому все больше исследований направлено на изучение взаимодействия микробиома и инсулинорезистентности, а также на выявление ключевых бактериальных сообществ, связанных с метаболическими нарушениями.

Данные о микробиоме по своей природе многомерны и сложны, что затрудняет выявление конкретных микроорганизмов, связанных с разной степенью тяжести воспалительных заболеваний кишечника, с помощью традиционных вычислительных подходов. Достижения в области машинного обучения позволяют интегрировать и анализировать большие мультимодальные наборы данных, выявляя закономерности, которые сложно обнаружить с помощью традиционных статистических методов.

Дизайн исследования: секвенирование 16S рРНК и классификация на основе машинного обучения

В исследовании приняли участие 116 человек из Чэнду, Китай, в том числе 78 человек с клинически диагностированным сахарным диабетом 2-го типа и 38 здоровых участников из контрольной группы. У них взяли образцы крови для метаболического профилирования, а образцы кала подвергли секвенированию гена 16S рРНК для определения состава микробиома кишечника.

Метаболический статус оценивался с помощью стандартных клинических биомаркеров, включая уровень глюкозы в крови натощак (ГН), триглицеридов (ТГ) и холестерина липопротеинов высокой плотности (ХС-ЛПВП). Поскольку прямое измерение инсулинорезистентности в клинических условиях затруднительно, исследователи рассчитали четыре проверенных составных индекса для оценки степени инсулинорезистентности.

• Индекс атерогенности плазмы (ИАП).
• Метаболический индекс резистентности к инсулину (METS-IR).
• Индекс триглицеридов и глюкозы (TyG).
• Индекс массы тела TyG (TyG-ИМТ).

Модели XGBoost были обучены для определения того, можно ли по сигнатурам микробиома кишечника классифицировать людей с высокой инсулинорезистентностью в сравнении с контрольной группой. Анализ значимости признаков позволил выявить таксоны бактерий, наиболее тесно связанные с метаболической дисфункцией.

Метаболические различия между пациентами с сахарным диабетом 2-го типа и контрольной группой

Хотя индекс массы тела (ИМТ) достоверно не отличался между пациентами с СД2 и контрольной группой (25,48 по сравнению с 24,84 кг / м2, p> 0,05), наблюдались существенные метаболические различия. У лиц с СД2 наблюдался повышенный уровень ТГ (2,60 против 1,49 ммоль /л, р <0,0001) и ВБР (8,32 против 5,10 ммоль /л, р <0,0001), наряду со сниженным уровнем ХС ЛПВП (0,91 против 1,27 ммоль/л, р <0,0001). Все четыре рассчитанных индекса IR были достоверно выше в когорте больных сахарным диабетом (р < 0,0001), подтверждая выраженное метаболическое различие между группами.

Эффективность машинного обучения и результаты AUC

Модели XGBoost продемонстрировали умеренную способность выявлять тяжелую инсулинорезистентность только на основе данных секвенирования микробиома кишечника. Наилучшие результаты показал классификатор на основе METS-IR с площадью под кривой рабочих характеристик (AUC) 0,84. Несмотря на многообещающие результаты, такой уровень дискриминации не соответствует диагностическим пороговым значениям, но подтверждает возможность стратификации метаболических рисков на основе данных о микробиоме.

Изменения в микробиоме, связанные с инсулинорезистентностью

Анализ значимости признаков выявил явные изменения в микробиоме, связанные с метаболической дисфункцией. У людей с сахарным диабетом 2-го типа значительно сократилось количество полезных бактерий, вырабатывающих короткоцепочечные жирные кислоты. Например, относительное содержание Bacteroides у пациентов с диабетом составляло 9,39 % по сравнению с 25,33 % в контрольной группе.

В группе пациентов с сахарным диабетом 2-го типа значительно повысился уровень потенциально патогенных бактерий, таких как Escherichia-Shigella (8,48 % против 1,97 %). Эти изменения в составе кишечной микрофлоры коррелировали с нарушениями гликемического и липидного обмена, хотя поперечный срез не позволяет сделать выводы о причинно-следственных связях.

Клинические последствия, ограничения и перспективы

Это исследование демонстрирует потенциальную пользу моделей машинного обучения для выявления особенностей микробиома кишечника, связанных с инсулинорезистентностью и метаболическими нарушениями. Определенные таксоны, в том числе Faecalibacterium и Escherichia-Shigella, могут служить микробными маркерами, указывающими на тяжесть заболевания.

К ограничениям исследования относятся поперечный срез, небольшой размер выборки, потенциальные искажающие факторы, такие как питание, прием лекарств и образ жизни, а также ограниченное таксономическое разрешение, присущее секвенированию 16S рРНК. Несмотря на эти ограничения, полученные данные свидетельствуют о том, что определенные профили микробиома кишечника связаны с инсулинорезистентностью и нарушением метаболизма глюкозы и липидов, характерным для сахарного диабета 2-го типа.

Для определения причинно-следственных связей и оценки того, могут ли персонализированные пробиотики, диеты, направленные на микробиом, или другие методы воздействия на микробиом служить вспомогательными средствами при лечении сахарного диабета 2-го типа, а не самостоятельными методами лечения, необходимы дальнейшие лонгитюдные и интервенционные исследования.

Ссылка на журнал:
He Y и др. (2026). Изучение микробиома кишечника при диабете 2-го типа при различных уровнях инсулинорезистентности: подход с использованием машинного обучения. Frontiers in Nutrition, 13. DOI: 10.3389/fnut.2026.1747767, https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2026.1747767/full