Modelagem multiômica da resposta do índice de massa corporal a uma intervenção dietética para perda de peso

O que o estudo mostrou

Variáveis clínicas de rotina e metabolômica sanguínea melhoraram consistentemente a predição em relação a dados demográficos básicos, e a metabolômica agregou valor além das informações clínicas. O escore de risco ômico combinado foi o que mais melhorou os modelos de trajetória longitudinal do IMC, explicando 20,5 a 26,0% da variância marginal (R2m), enquanto os escores de risco metabolômico foram os que mais melhoraram a predição da variação de IMC (R2m = 52,9 a 59,3%). Taxonomia microbiana e vias gênicas inferidas ofereceram ganhos modestos, porém significativos, em alguns modelos, e a dinâmica de metabólitos não melhorou o desempenho. As variáveis mais importantes incluíram insulina, acetilas de glicoproteínas, tamanhos de lipoproteínas e certos aminoácidos.

Método

Integração de dados multiômicos (genética; microbiota intestinal: taxonomia, vias gênicas inferidas e dinâmica de metabólitos; metabolômica sanguínea) e clínicos (ex.: lipídios, glicemia) para prever o IMC longitudinal e a variação de IMC (ΔBMI). Foram usados modelos Mixed Effects Random Forests (MERF) e GLMM-Lasso, comparando o desempenho preditivo de diferentes conjuntos de variáveis.

Limitações

Amostra moderada de participante único ensaio; ausência de validação externa em coorte independente descrita; natureza observacional e associativa dos modelos; risco de sobreajuste em abordagens multiômicas; a dinâmica de metabólitos microbianos não melhorou o desempenho; aplicabilidade restrita à população de adultos com sobrepeso/obesidade em intervenção comportamental de 12 meses.