来自系统生物学研究所和华盛顿大学的一个研究小组利用多组学、基于血液的生物标志物，开发出了肥胖和代谢疾病的特征，可以比基于身高和体重的身体质量指数更准确地发现受影响的个体。
＂从代谢组学数据计算出的生物BMI对生活方式的变化更敏感，为监测健康干预措施的效果提供了有价值的反馈。”系统生物学研究所的资深通讯作者Noa Rappaport在一封电子邮件中说。“即使在减肥之前或没有减肥的情况下，这对于保持人们的生活方式改变至关重要，因为它显示出了健康益处。”
当他们报道在自然医学周一，拉帕波特和她的同事研究了1200多名Arivale健康项目参与者的大约1111项血液标志物，从蛋白质或小分子代谢物到传统的临床实验室测量。他们分析了这些数据以及个体的多基因风险评分和16S核糖体RNA的肠道微生物组谱。
通过用机器学习方法分析多组数据，该团队整理了一个数据metabolomics-based BMIBMI评分和其他生物BMI预测评分，与传统BMI评分相比，这些评分更密切地跟踪代谢特征和肠道微生物群落组成——随后，TwinsUK研究中另外1834人的数据验证了这一结果。
“[W]我们训练机器学习模型来预测每个组学平台(代谢组学、蛋白质组学和临床实验室)的基线BMI，或组合:基于代谢组学的BMI (MetBMI)，基于蛋白质组学的BMI (ProtBMI)，基于临床实验室(化学)的BMI (ChemBMI)，以及基于组合组学的BMI (CombiBMI)模型，”该研究的作者解释道，并指出“最终模型在所有模型中保留了62种代谢物、30种蛋白质、20种临床实验室测试和132种分析物”。
研究人员解释说，基于组学的bBMI模型似乎解释了经典BMI的很大一部分变异性，同时保持了与先前与经典BMI相关的生理、遗传和生活方式因素的联系。
即便如此，研究人员在一些bBMI模式与经典BMI估计值不同的个体中发现了有趣的模式。他们的研究结果特别指出，经典BMI分类“正常”但bBMI高于预期的个体代谢健康状况较差。另一方面，尽管经典BMI升高，但基于组学特征的低bBMI个体的代谢健康状况要好于预期。
同样，随着时间的推移，在参与者中，生活方式指导和改善饮食和锻炼的干预似乎能促进明显的代谢反应，这在MetBMI中有所反映，即使没有减肥。对于那些bBMI得分较高、按传统测量方法BMI分类正常的人来说，情况尤其如此。
＂尽管改变生活方式后的减肥成功率通常很低，但有证据表明，这些干预措施可以帮助预防糖尿病长达20年，即使体重反弹拉帕波特补充道与改善代谢组BMI测量相关的长期保护作用“强调了精准医学中全面分子图谱的重要性，以更好地理解肥胖、代谢健康和慢性疾病之间的复杂关系。”
根据现有的数据，研究小组还证实了过去与饱腹感和肥胖有关的血液生物标志物，包括特定的代谢产物，如尿酸，以及代谢-、能量平衡-和炎症相关蛋白，包括瘦素、脂联素或FABP4。
Rappaport说:“我们的研究不仅证实了这些已知的联系，而且还强调了以前没有测量过的新的候选因素，比如不同形式的脂质。”他解释说，该团队的方法“进一步创造了肥胖的独特分子特征，展示了这些分子之间多样而复杂的联系，以及它们如何影响我们的整体代谢健康。”