Ciò che mangiamo è tra i fattori ambientali più influenti che determinano la salute a lungo termine. La nostra dieta quotidiana può aumentare o diminuire il rischio di condizioni non trasmissibili, come le malattie cardiovascolari, la sindrome metabolica e il cancro. La dieta è anche tra i più importanti fattori ambientali che la nostra popolazione microbica nel tratto gastrointestinale è esposta e modificata quotidianamente.
Malattie gastrointestinali, obesità, malattie cardiovascolari, artrite reumatoide e disturbi neurologici sono stati tutti associati al microbiota intestinale. Molti di questi disturbi sono anche associati alla dieta. Il microbiota intestinale ha varie funzioni benefiche per la salute, tra cui la maturazione immunitaria e l’omeostasi, la biosintesi delle vitamine, la biotrasformazione di xenobiotici in metaboliti più biodisponibili e potenzialmente antiossidanti e la produzione di SCFA. Gli SCFA sono stati ampiamente studiati, poiché è stato dimostrato che offrono molti benefici per la salute.
Poiché diversi microbi hanno diversi ambienti ottimali per crescere e sopravvivere, le scelte alimentari possono avere una grande influenza sulla composizione e la funzione del nostro microbiota intestinale. È stato dimostrato che un’elevata assunzione di fibre e la sostituzione degli SFA con i PUFA sono fattori protettivi. Una dieta ricca di questi fattori è stata ampiamente raccomandata dalle autorità sanitarie. Ciò che rimane da determinare è il ruolo del microbiota intestinale in questi risultati. Risultati promettenti sono stati osservati per le associazioni tra il microbiota intestinale e alimenti come i prodotti integrali, bacche, noci e legumi. Tuttavia, gli alimenti che costituiscono la nostra dieta possono avere effetti contrastanti o sinergici tra loro. Pertanto, la valutazione finale dovrebbe sempre essere fatta sulla base di informazioni che tengano conto della totalità della dieta.
La ricerca sulle associazioni microbiota-dieta con un focus sulla dieta completa è scarsa. Gli studi precedenti in questo campo si sono concentrati principalmente sulla dieta mediterranea o su varie diete a base vegetale in campioni di studio piccoli e selezionati. Uno studio più ampio ha valutato le associazioni dieta-microbiota in uomini più anziani, residenti in comunità, confrontando modelli di dieta prudente e occidentale. Finora non sono stati condotti studi incentrati sull’intera dieta con grandi campioni basati sulla popolazione.
Nello studio attuale, abbiamo esaminato le associazioni tra il microbiota intestinale e il consumo di alimenti raccomandati come parte di una dieta sana in un contesto trasversale, in un ampio campione di studio finlandese basato sulla popolazione. Il nostro obiettivo principale era quello di valutare se le scelte alimentari sane, indicate da un punteggio sintetico, sono correlate alla composizione del microbiota intestinale all’interno dei campioni (diversità alfa) e tra i campioni (diversità beta). Inoltre, abbiamo valutato i taxa batterici chiave che sono stati precedentemente identificati come produttori di SCFA e le loro associazioni con scelte alimentari sane. Infine, abbiamo eseguito un’analisi dei percorsi attraverso l’Enciclopedia dei geni e dei genomi di Kyoto (KO) per scoprire il potenziale funzionale del microbiota e come si associa a scelte alimentari sane.
Metodi
Per la stesura di questo rapporto abbiamo utilizzato le linee guida per la stesura di questo rapporto, Strengthening the Reporting of Observational Studies in Epidemiology Statement (STROBE) cross-sectional reporting.
Popolazione dello studio
Lo studio nazionale FINRISK ha avuto origine dal progetto North-Karelia iniziato nel 1972. È stato condotto dal Finnish Institute for Health and Welfare ogni 5 anni fino al 2012 per valutare i fattori di rischio per le malattie non trasmissibili, il comportamento sanitario e i loro cambiamenti nei finlandesi adulti.
La coorte FINRISK 2002 è composta da 8738 individui di età compresa tra 25 e 74 anni che hanno partecipato all’esame di base. I criteri di esclusione per questo studio erano l’uso di farmaci antimicrobici sistemici entro 4 mesi prima dell’esame di base (n = 1193); gravidanza al momento dell’indagine di base (n = 47); registrazioni incomplete di informazioni nutrizionali, sociodemografiche, o stile di vita (n = 1549); o nessun campione di feci disponibile (n = 1019). Il campione finale dello studio consisteva di 4930 individui (Figura 1 supplementare).
FINRISK 2002 è stato approvato dal Comitato etico per l’epidemiologia e la salute pubblica del distretto ospedaliero di Helsinki e Uusimaa (decisione numero 87/2001), e i partecipanti hanno dato il loro consenso informato. Lo studio è stato condotto secondo la Dichiarazione di Helsinki dell’Associazione Medica Mondiale sui principi etici.
Covariati
FINRISK 2002 comprendeva un questionario e un esame sanitario. Le domande sui fattori sociodemografici e sullo stile di vita sono state risposte prima dell’esame clinico compilando un questionario allegato alla lettera d’invito. Questi questionari sono stati portati all’esame sanitario e controllati da infermieri qualificati.
Sulla base della letteratura precedente, abbiamo selezionato 5 covariati: età, sesso, BMI, stato di fumatore e uso di farmaci che alterano il microbiota. Le fasi di selezione delle covariate, da quelle solo demografiche a modelli più completi, sono state elencate nella tabella supplementare 1. Il BMI è stato calcolato come peso (kg) diviso per l’altezza (m) al quadrato. Il peso e l’altezza sono stati misurati in clinica secondo i protocolli internazionali standard con abiti leggeri e senza scarpe. I partecipanti sono stati divisi in 2 gruppi per stato di fumatore: fumatori attuali e non fumatori che non avevano fumato negli ultimi 6 mesi. Oltre ai farmaci antimicrobici sistemici esclusi, una varietà di altri farmaci può potenzialmente influenzare il microbiota. Per tenerne conto, abbiamo creato una variabile dummy in cui i partecipanti sono stati divisi in consumatori e non consumatori. Un elenco dei farmaci e dei farmaci antimicrobici sistemici è presentato nei metodi supplementari. Le informazioni sull’uso di questi farmaci sono state acquisite da un registro sugli acquisti di medicinali prescritti mantenuto dall’Istituto di Assicurazione Sociale della Finlandia (36). Un partecipante è stato segnalato come utente se ha avuto un acquisto registrato nei 3 mesi precedenti lo studio. I farmaci da banco non sono inclusi nel registro e quindi mancano dai dati. I registri sono stati collegati con i dati dello studio utilizzando i numeri unici di identità personale nazionale dati ad ogni residente permanente in Finlandia.
Informazioni sulla dieta
La dieta abituale è stata valutata utilizzando un questionario di propensione alimentare (FPQ) che conteneva 42 articoli alimentari con 6 scelte di frequenza di consumo. Le scelte sono state interpretate partendo dal presupposto che un mese consiste di 30 giorni, una settimana consiste di 7 giorni, e un mese consiste di 4,3 settimane (30/7). Le risposte sono state convertite in valori di volte al mese come segue: una risposta di 1 (meno di una volta al mese) è stata convertita in 0,5 volte al mese; 2 (una o due volte al mese) in 1,5 volte al mese; 3 (una volta alla settimana) in 4,3 volte al mese; 4 (un paio di volte alla settimana) in 8. 6 volte al mese (interpretato come due volte a settimana); 5 (quasi ogni giorno) a 21,5 volte al mese (interpretato come 5 volte a settimana); e infine 6 (una volta al giorno o più spesso) a 30, 45, o 60 volte al mese utilizzando il seguente principio. Agli alimenti che vengono consumati raramente più di una volta al giorno, come le salsicce, i piatti di carne e così via, è stato dato il valore di 30 volte al mese. Agli alimenti che vengono mangiati spesso più volte al giorno, come le verdure fresche, il pane e così via, è stato dato un valore di 60 volte al mese. Agli alimenti che rientrano in questi 2 gruppi sono stati assegnati 45 punti. Il punteggio delle risposte al consumo di prodotti a base di carne rossa e lavorata è stato dato in modo inverso (cioè, una risposta di “quasi tutti i giorni” sarebbe stata convertita in 0,5, ecc) per tenere conto del loro ruolo meno favorevole rispetto agli altri componenti del punteggio. Il punteggio per gli elementi alimentari utilizzati nelle analisi finali è mostrato nella Tabella 1.
TABLE 1
Summary of dietary components, their food items, and score ranges
| Components | Score range1 | Constituting food items |
| Breads | 1–120 | Rye and crisp bread2 |
| Graham and multi-grain bread2 | ||
| Vegetables | 1.5–150 | Fresh vegetables and root vegetables2 |
| Cooked vegetables and legumes3 | ||
| Vegetable dishes3 | ||
| Fruits | 0.5–60 | Fruits2 |
| Berries | 0.5–45 | Fresh and frozen berries3 |
| Juices | 0.5–45 | Fruit and berry juices3 |
| Fish | 0.5–45 | Fish, fish products, and fish dishes3 |
| Poultry | 0.5–45 | Poultry, poultry products, and poultry dishes3 |
| Low-fat cheeses | 0.5–60 | Low-fat cheeses2 |
| Dressings and oils | 0.5–45 | Salad dressings and oils3 |
| Nuts and seeds | 1–90 | Nuts3 |
| Seeds3 | ||
| Red and processed meat products | 2–150 | Meat dishes4 |
| Sausages4 | ||
| Cold cuts3 | ||
| Charcuterie3 |
TABELLA 1Riassunto dei componenti della dieta, dei loro alimenti e degli intervalli di punteggio
Componenti Intervallo di punteggio1 Elementi alimentari costituenti
Pane 1-120 Pane di segale e croccante2
Pane di Graham e multicereali2
Verdure 1,5-150 Verdure fresche e ortaggi a radice2
Verdure cotte e legumi3
Piatti a base di verdure3
Frutta 0,5-60 Frutta2
Bacche 0.5-45 Bacche fresche e congelate3
Succhi di frutta 0.5-45 Succhi di frutta e bacche3
Pesce 0.5-45 Pesce, prodotti a base di pesce e piatti di pesce3
Pollame 0,5-45 Pollame, prodotti e piatti di pollame3
Formaggi a basso contenuto di grassi 0.5-60 Formaggi a basso contenuto di grassi2
Condimenti e oli 0,5-45 Condimenti e oli per insalata3
Noci e semi 1-90 Noci3
Semi3
Prodotti a base di carne rossa e lavorata 2-150 Piatti a base di carne4
Salsicce4
Salumi3
Salumi3
1
La gamma possibile di ogni componente è visualizzata come volte al mese.
2I punteggi per i singoli alimenti vanno da 0,5 a 60 punti.
3I punteggi per i singoli alimenti vanno da 0,5 a 45 punti.
4I punteggi per i singoli alimenti vanno da 0,5 a 30 punti.
Un punteggio di scelte alimentari sane (HFC) è stato formato scegliendo e sommando le risposte FPQ agli alimenti che sono raccomandati nelle linee guida dietetiche Nordic Nutrition Recommendations come parte di una dieta sana (19). Gli alimenti scelti come componenti del punteggio erano pane ricco di fibre, verdure (compresi fagioli e lenticchie), frutta, bacche, succhi di frutta e di bacche freschi e non zuccherati, pesce, pollame, formaggi magri, condimenti per insalata e oli, noci e semi. Il punteggio HFC agisce efficacemente come un indicatore per una dieta nordica onnivora ricca di piante, fibre e PUFA.
Sulla base del consumo dei componenti costitutivi, il punteggio HFC varia da 9 a 745, dove un punteggio più alto rappresenta un maggior numero di scelte alimentari sane al mese. Il punteggio è stato calcolato sommando i punteggi di consumo mensile trasformato per tutti i componenti scelti. Un riassunto della struttura del punteggio HFC e un elenco dei rispettivi elementi alimentari costituenti di ogni componente sono visualizzati nella Tabella 1. Inoltre, è stato creato un punteggio combinato di fonti di fibre per combinare tutti i componenti alimentari che sono fonti di fibre alimentari in una variabile riassuntiva. Questo punteggio era una semplice somma delle frequenze di consumo di tutti gli alimenti correlati: pane ricco di fibre, verdure, frutta, bacche, frutta fresca e succhi di bacche (questi includono prodotti come nettari di bacche, succhi di frutta che includono la polpa, ecc.)
Campioni di feci
A tutti i partecipanti è stato chiesto di donare un campione di feci. A coloro che erano disposti a farlo sono state date istruzioni e attrezzature per raccogliere un campione di feci a casa, quindi inviarlo durante la notte tra lunedì e giovedì al personale dello studio utilizzando pacchi postali prepagati nelle tipiche condizioni invernali finlandesi. I campioni sono stati raccolti in provette Falcon da 50 ml senza soluzione stabilizzante. Le provette sono state preidentificate con i rispettivi ID dello studio dei partecipanti e congelate immediatamente dopo la ricezione. I campioni sono stati conservati non scongelati a -20°C fino al sequenziamento.
I dati metagenomici erano basati sul sequenziamento shotgun dell’intero genoma, non mirato e superficiale, analizzato presso l’Università della California, San Diego, California. I campioni sono stati normalizzati a 5-ng di input utilizzando un robot acustico di manipolazione dei liquidi Echo 550 e sono stati sequenziati utilizzando Illumina Hi-Seq 4000 (Illumina Inc., San Diego, CA, USA) per paired-end 150-bp legge. Il conteggio medio è stato di circa 900.000 letture per campione. Una descrizione più dettagliata dei protocolli per l’estrazione del DNA e la preparazione biblioteca è stato riportato altrove. Classificazione e assegnazione dei dati di sequenza grezzi in taxa microbici sono stati eseguiti utilizzando SHallow shOtGUN profiler (SHOGUN) v1.0. 5 (Knights Lab, University of Minnesota, Minneapolis, MN, USA) (39) contro un database di genomi completi arcaici, batterici e virali in NCBI Reference Sequence Database (NCBI RefSeq) v82 [National Center for Biotechnology Information (NCBI), U.S. National Library of Medicine, Bethesda, MD, USA; 8 maggio 2017]. I dati microbici classificati sono stati utilizzati nel modulo dei dati di composizione. Le variabili di lotto non sono state prese in considerazione nelle analisi.
Nelle analisi per taxa, i taxa sono stati filtrati fino a un microbiota di base che comprendeva qualsiasi genere con un’abbondanza minima dello 0,1% e una prevalenza di almeno l’1% in tutti i campioni, simile alle soglie di filtraggio utilizzate da Salosensaari et al.. Le specie batteriche con il potenziale di produrre SCFA sono state identificate sulla base di una revisione della letteratura corrente. Le specie classificate e presenti nei campioni sono state selezionate per le analisi per-taxa a livello di specie. Queste specie erano Akkermansia muciniphila, Faecalibacterium prausnitzii e Roseburia intestinalis.
Metodi statistici
La diversità alfa è una misura che quantifica la diversità intra-individuale del microbiota e agisce come un indicatore approssimativo della ricchezza complessiva delle specie di un singolo individuo. La diversità beta quantifica la diversità interindividuale e fornisce informazioni sulle differenze di microbiota tra gli individui, agendo così come una misura della composizione. In questo studio, abbiamo quantificato la diversità alfa usando l’indice di Shannon e la diversità beta usando i punteggi di dissimilarità di Bray-Curtis. Tutte le analisi sono state aggiustate per età, sesso, BMI, fumo e uso di farmaci potenzialmente in grado di alterare il microbiota. Gli effetti di interazione del punteggio HFC con il sesso e l’età non erano statisticamente significativi e quindi sono stati esclusi dalle analisi finali.
Abbiamo valutato le associazioni tra diversità alfa e dieta usando la regressione lineare. L’analisi delle coordinate principali (PCA), l’analisi multivariata permutazionale della varianza (PERMANOVA), l’analisi della ridondanza basata sulla distanza (dbRDA) e l’analisi delle somiglianze (ANOSIM) sono state utilizzate per analizzare la diversità beta. La PCA, insieme all’ANOSIM, è stata usata per valutare il raggruppamento dei campioni; la PERMANOVA è stata usata per valutare la quantità di varianza che ogni variabile può spiegare nelle distanze tra i campioni; e infine la dbRDA è stata usata per scoprire la direzione che ciascuna di quelle variabili prende per quella varianza. Una dbRDA si distingue da una PCA in quanto è un metodo di ordinamento vincolato che visualizza e spiega la variazione in un insieme di variabili di risposta che sono vincolate da un insieme di variabili predittive, collegando efficacemente l’analisi di regressione multivariata e la PCA (46). La varianza vincolata in un dbRDA è la porzione di varianza totale nell’insieme delle variabili di risposta (le distanze Bray-Curtis dei campioni in questo caso) che può essere spiegata dall’insieme fornito di variabili predittive.
PERMANOVA, dbRDA e ANOSIM sono stati tutti eseguiti con 999 permutazioni. Per le analisi per taxa, è stato utilizzato uno strumento di analisi chiamato MaAsLin (associazione multivariata con modelli lineari) (48). Abbiamo usato lo strumento per eseguire una serie di modelli di regressione lineare multivariata con aggiustamenti fatti per le covariate e i confronti multipli. Le abbondanze relative dei taxa sono state trasformate in radice quadrata di arcsina prima dell’analisi. Nei modelli, le abbondanze sono state utilizzate come variabili dipendenti e gli elementi alimentari come variabili indipendenti. Ogni esecuzione di MaAsLin ha prodotto risultati per le associazioni tra tutti i taxa e l’elemento alimentare scelto. Un’analisi dei percorsi è stata fatta associando i gruppi KO con il punteggio HFC in modelli di regressione lineare. Le abbondanze relative dei gruppi KO per ogni campione sono state raccolte dagli output a livello di ceppo di SHOGUN. I dati dei gruppi KO sono stati standardizzati con una trasformazione log10 prima dell’analisi, e solo le associazioni statisticamente significative sono state selezionate e visualizzate usando FuncTree (Yamada Lab, Tokyo Institute of Technology, Tokyo, Giappone). Sono stati fatti diagrammi separati per le stime che avevano associazioni positive e negative.
La diversità alfa, la diversità beta e le analisi per taxa sono state fatte per il punteggio HFC nel suo complesso, così come per i suoi singoli componenti. Un’analisi dei percorsi è stata fatta solo per il punteggio HFC. Le stime date dai modelli di regressione per la diversità alfa e per le analisi per taxa sono state standardizzate per 1 SD. Il livello di significatività statistica per tutte le analisi, ad eccezione delle analisi per taxa, è stato fissato ad un valore P a 2 lati < 0,05. Per le analisi per taxa, è stato utilizzato un valore Q corretto da Benjamini-Hochberg per i valori P ottenuti dai modelli lineari che valutano le associazioni taxa-dieta.
Le variabili di risultato primarie per questo studio erano le associazioni del punteggio HFC con 1) la misura della diversità Shannon alpha; 2) i punteggi di dissimilarità Bray-Curtis; 3) le abbondanze di taxa specifici; e 4) i gruppi KO. Le variabili di risultato secondarie erano associazioni dei componenti dietetici del punteggio HFC con le stesse variabili elencate, esclusi i gruppi KO.
Tutte le analisi statistiche sono state eseguite utilizzando R versione 3.6.1 (R Core Team, Vienna, Austria). I pacchetti phyloseq, microbiome e vegan sono stati centrali per le analisi statistiche.
Risultati
Statistiche descrittive
Le caratteristiche dettagliate del campione dello studio sono mostrate nella tabella 2. L’età media dei partecipanti era di 48 anni, con una leggera sovrarappresentazione delle donne (53%). L’IMC medio dei partecipanti era di 26,9 kg/m2; il 37,1% faceva uso di farmaci potenzialmente in grado di alterare il microbiota e il 23,7% era un fumatore. Le donne tendevano ad avere un punteggio HFC più alto rispetto agli uomini (217,8 ± 90,6/mo rispetto a 176,9 ± 80,4/mo, rispettivamente). Le differenze di sesso erano particolarmente notevoli per l’assunzione di verdure (15.2/mo superiore per le donne), frutta (10.1/mo superiore per le donne), prodotti a base di carne rossa e lavorata (8.6/mo superiore per gli uomini), formaggi magri (7.4/mo superiore per le donne), e bacche (3.9/mo superiore per le donne).
TABLE 2
Descriptive characteristics of the study sample
| Men (n = 2311) | Women (n = 2619) | All (n = 4930) | ||||
| Variable | Mean ± SD | Median (IQR) | Mean ± SD | Median (IQR) | Mean ± SD | Median (IQR) |
| Age, y | 49 ± 12.8 | — | 47 ± 12.8 | — | 48 ± 12.8 | — |
| BMI, kg/m2 | 27.3 ± 4.1 | — | 26.5 ± 5.0 | — | 26.9 ± 4.6 | — |
| Medication users, n | 680 (29.4%) | — | 1151 (43.9%) | — | 1831 (37.1%) | — |
| Current smokers, n | 659 (28.5%) | — | 510 (19.5%) | — | 1169 (23.7%) | — |
| HFC score, 1/mo | 219.2 ± 91.1 | 203.6 (116.9) | 277.2 ± 105.6 | 266.3 (151.4) | 250.0 ± 103.2 | 234.9 (144.1) |
| Breads, 1/mo | 64.1 ± 29.6 | 64.3 (38.5) | 65.5 ± 30.4 | 64.3 (38.5) | 64.8 ± 30.0 | 64.3 (38.5) |
| Vegetables, 1/mo | 33.3 ± 29.8 | 24.5 (36.7) | 48.5 ± 35.2 | 38.7 (48.6) | 41.4 ± 33.7 | 31.1 (50.1) |
| Fruits, 1/mo | 20.2 ± 20.1 | 8.6 (17.2) | 30.3 ± 23.0 | 21.5 (51.4) | 25.6 ± 22.3 | 21.5 (51.4) |
| Berries, 1/mo | 7.9 ± 11.0 | 4.3 (7.1) | 11.8 ± 13.4 | 8.6 (20.0) | 10.0 ± 12.5 | 4.3 (7.1) |
| Fruit and berry juices, 1/mo | 15.7 ± 15.5 | 8.6 (20.0) | 16.4 ± 15.8 | 8.6 (20.0) | 16.1 ± 15.7 | 8.6 (20.0) |
| Fish, 1/mo | 5.7 ± 5.6 | 4.3 (7.1) | 5.5 ± 4.8 | 4.3 (7.1) | 5.6 ± 5.2 | 4.3 (7.1) |
| Red and processed meat products, 1/mo | 40.0 ± 23.3 | 35.9 (32.1) | 31.4 ± 22.0 | 27.8 (28.6) | 35.4 ± 23.0 | 32.1 (31.6) |
| Poultry, 1/mo | 4.6 ± 4.5 | 4.3 (7.1) | 5.4 ± 4.8 | 4.3 (7.1) | 5.0 ± 4.7, | 4.3 (7.1) |
| Low-fat cheeses, 1/mo | 13.6 ± 19.2 | 4.3 (21.0) | 21.0 ± 23.0 | 8.6 (20.0) | 17.6 ± 21.6 | 8.6 (20.0) |
| Dressings and oils, 1/mo | 6.6 ± 10.0 | 1.5 (8.1) | 7.5 ± 10.8 | 1.5 (8.1) | 7.1 ± 10.5 | 1.5 (8.1) |
| Nuts and seeds, 1/mo | 2.4 ± 6.0 | 1.0 (0) | 3.3 ± 7.7 | 1.0 (1. |
TABELLA 2 Caratteristiche descrittive del campione di studio
Uomini (n = 2311) Donne (n = 2619) Tutti (n = 4930)
Variabile Media ± SD Mediana (IQR) Media ± SD Mediana (IQR) Media ± SD Mediana (IQR)
Età, y 49 ± 12.8 – 47 ± 12.8 – 48 ± 12.8 –
BMI, kg/m2 27.3 ± 4.1 – 26.5 ± 5.0 – 26.9 ± 4.6 –
Consumatori di farmaci, n 680 (29,4%) – 1151 (43,9%) – 1831 (37,1%) –
Fumatori attuali, n 659 (28,5%) – 510 (19,5%) – 1169 (23,7%) –
Punteggio HFC, 1/mo 219.2 ± 91.1 203.6 (116.9) 277.2 ± 105.6 266.3 (151.4) 250.0 ± 103.2 234.9 (144.1)
Pane, 1/mo 64.1 ± 29.6 64.3 (38.5) 65.5 ± 30.4 64.3 (38.5) 64.8 ± 30.0 64.3 (38.5)
Verdure, 1/mo 33.3 ± 29.8 24.5 (36.7) 48.5 ± 35.2 38.7 (48.6) 41.4 ± 33.7 31.1 (50.1)
Frutta, 1/mo 20.2 ± 20.1 8.6 (17.2) 30.3 ± 23.0 21.5 (51.4) 25.6 ± 22.3 21.5 (51.4)
Bacche, 1/mo 7.9 ± 11.0 4.3 (7.1) 11.8 ± 13.4 8.6 (20.0) 10.0 ± 12.5 4.3 (7.1)
Succhi di frutta e bacche, 1/mo 15.7 ± 15.5 8.6 (20.0) 16.4 ± 15.8 8.6 (20.0) 16.1 ± 15.7 8.6 (20.0)
Pesce, 1/mo 5.7 ± 5.6 4.3 (7.1) 5.5 ± 4.8 4.3 (7.1) 5.6 ± 5.2 4.3 (7.1)
Prodotti a base di carne rossa e lavorata, 1/mo 40.0 ± 23.3 35.9 (32.1) 31.4 ± 22.0 27.8 (28.6) 35.4 ± 23.0 32.1 (31.6)
Pollame, 1/mo 4.6 ± 4.5 4.3 (7.1) 5.4 ± 4.8 4.3 (7.1) 5.0 ± 4.7, 4.3 (7.1)
Formaggi magri, 1/mo 13.6 ± 19.2 4.3 (21.0) 21.0 ± 23.0 8.6 (20.0) 17.6 ± 21.6 8.6 (20.0)
Condimenti e oli, 1/mo 6.6 ± 10.0 1.5 (8.1) 7.5 ± 10.8 1.5 (8.1) 7.1 ± 10.5 1.5 (8.1)
Noci e semi, 1/mo 2.4 ± 6.0 1.0 (0) 3.3 ± 7.7 1.0 (1.0) 2.8 ± 7.0 1.0 (1.0)
I consumatori di farmaci sono individui che hanno usato farmaci potenzialmente in grado di alterare il microbiota (elencati nei metodi supplementari) nei 3 mesi precedenti l’esame. I fumatori attuali sono individui che hanno fumato nei 6 mesi precedenti l’esame. I valori sono mezzi ± 1 SD (esclusi i consumatori di farmaci e i fumatori attuali), seguiti dalla mediana, con l’IQR tra parentesi per le variabili nutrizionali. Le unità per i componenti della dieta sono le rispettive frequenze di consumo per ogni voce come volte al mese. Il punteggio HFC è stato calcolato trasformando prima le risposte originali del FPQ in valori tempo per mese e poi sommando questi valori per gli alimenti che sono considerati parte di una dieta sana. I valori tempo-mese per i prodotti a base di carne rossa e lavorata sono stati invertiti prima di aggiungerli al punteggio HFC, per tener conto del loro ruolo negativo nella dieta. Abbreviazioni: FPQ, questionario di propensione alimentare; HFC, scelte alimentari sane.
Per verificare la rappresentatività del nostro campione di popolazione, abbiamo confrontato le caratteristiche degli individui che non hanno donato un campione di feci (n = 1019) con quelli inclusi in questo studio (n = 4930). I gruppi differivano significativamente in tutte le variabili confrontate: età, sesso, BMI, fumo, uso di farmaci e punteggio HFC. Il gruppo che non ha donato un campione era più giovane, era composto da più uomini, aveva un BMI leggermente più basso in media, era composto da più fumatori e meno consumatori di farmaci, e gli individui avevano un punteggio HFC più basso in media (Tabella supplementare 2).
Diversità microbica
Il campione dello studio aveva una misura media di diversità Shannon alfa di 3,44 e una SD di 0,41. La misura era statisticamente significativa in un modello di regressione lineare multipla con l’indice di diversità alfa Shannon come variabile dipendente e il punteggio HFC come variabile indipendente. I dati di base su età, sesso, BMI, fumo e uso di farmaci che alterano il microbiota sono stati usati come covariati. La diversità alfa è aumentata di circa 0,044 punti per 1 variazione SD nel punteggio HFC (P = 2,21 × 10-3; Figura 1; Tabella 3). Effetti covariati per 1 SD (β/SD) per la diversità alfa prevista erano 0.054 (età; P = 1.42 × 10-4), -0.039 (sesso; codificato come femmine = 0, maschi = 1; P = 6.29 × 10-3), -0.082 (BMI; P = 7.60 × 10-9), -0.049 (fumo; P = 6.03 × 10-4) e -0.039 (uso di farmaci; P = 5.71 × 10-3). Per un elenco più completo dei risultati, insieme agli IC, si veda la tabella supplementare 3.
FIGURA 1
Risultati della diversità alfa e beta (n = 4930). Il punteggio HFC è una variabile riassuntiva che consiste nella somma delle frequenze di consumo mensile dei singoli componenti alimentari elencati sotto di essa. I prodotti a base di carne rossa e lavorata hanno una classificazione inversa rispetto a quella degli altri componenti per tener conto del loro impatto negativo sulla qualità della dieta; quindi, un punteggio più alto implica un basso uso di tali prodotti. Il punteggio combinato delle fonti di fibre è una variabile riassuntiva che include solo i componenti alimentari che sono fonti di fibre alimentari. La diversità alfa (indice di Shannon; media, 3,44; DS, 0,41) sulla sinistra è stata analizzata utilizzando modelli di regressione lineare ed è stata standardizzata per DS. L’ombreggiatura delle caselle a sinistra corrisponde alla forza dell’associazione. I risultati di PERMANOVA (R2) per la diversità beta (dissimilarità di Bray-Curtis) sono sulla destra. Entrambe le analisi sono state aggiustate per l’età, il sesso, l’IMC e l’uso di farmaci potenzialmente in grado di alterare il microbiota nei 3 mesi precedenti lo studio. *Risultati statisticamente significativi (valore P < 0,05), con il valore P etichettato sulla destra. Abbreviazioni: HFC, scelte alimentari sane; PERMANOVA, analisi multivariata permutata della varianza.
TABLE 3
Results of linear regression models predicting Shannon alpha diversity measure
| Variable | β/SD | SE | P value |
| HFC score | 0.044 | 6.18 × 10−5 | 2.21 × 10−3 |
| Combined fiber sources score | 0.049 | 8.75 × 10−5 | 5.31 × 10−4 |
| Fiber-rich breads | 0.043 | 1.97 × 10−4 | 2.70 × 10−3 |
| Poultry | 0.036 | 1.26 × 10−3 | 1.28 × 10−2 |
| Fruits | 0.035 | 2.73 × 10−4 | 1.44 × 10−2 |
| Low-fat cheeses | 0.035 | 2.75 × 10−4 | 1.51 × 10−2 |
| Berries | 0.033 | 4.98 × 10−4 | 2.12 × 10−2 |
| Vegetables | 0.026 | 1.80 × 10−4 | 6.38 × 10−2 |
| Fruit and berry juices | 0.0025 | 3.72 × 10−4 | 8.59 × 10−1 |
| Nuts and seeds | 0.020 | 8.39 × 10−4 | 1.64 × 10−1 |
| Fish | 0.010 | 1.15 × 10−3 | 4.65 × 10−1 |
| Red and processed meat products (low use) | −0.0051 | 1.50 × 10−4 | 7.21 × 10−1 |
| Dressings and oils | −0.0062 | 5.57 × 10−4 | 6.66 × 10−1 |
Ogni riga rappresenta i risultati di un modello di regressione, ordinati per forza dell’effetto standardizzato con il punteggio HFC sulla prima riga e il punteggio combinato delle fonti di fibre sulla seconda riga. I singoli componenti dei punteggi sono elencati a partire dalla terza riga. Le covariate in ogni modello includono età, sesso, BMI, fumo e farmaci potenzialmente in grado di alterare il microbiota. Gli effetti di interazione non erano significativi e quindi sono stati omessi dalle analisi. Abbreviazioni: HFC, scelte alimentari sane.
Il punteggio per le fonti di fibre combinate aveva un’associazione positiva con la diversità alfa (β/SD, 0.049; P = 5.31 × 10-4). Le associazioni positive più forti tra la diversità alfa e i componenti del punteggio HFC sono state osservate per il pane ricco di fibre, seguito da pollame, frutta, formaggi a basso contenuto di grassi e bacche (Tabella 3). Non sono state osservate associazioni negative statisticamente significative per nessun componente del punteggio.
Composizione microbica
La diversità beta aveva associazioni statisticamente significative con il punteggio HFC (PERMANOVA R2 = 0,12; P ≤ 1,00 × 10-3; Figura 1) quando si controllava per età, sesso, BMI, fumo e uso di farmaci. Un’altra analisi in cui tutti i componenti del punteggio HFC sono stati inclusi insieme ha restituito un R2 di 0,60 (P ≤ 1,00 × 10-3). I componenti del punteggio HFC avevano le seguenti associazioni statisticamente significative con la composizione del microbiota nelle analisi in cui erano l’unica variabile della dieta: verdure (R2 = 0.10; P ≤ 1.00 × 10-3), bacche (R2 = 0.098; P ≤ 1.00 × 10-3), frutta (R2 = 0.095; P ≤ 1.00 × 10-3), pane ricco di fibre (R2 = 0.083; P ≤ 1. 00 × 10-3), condimenti e oli (R2 = 0.072; P ≤ 1.00 × 10-3), formaggi a basso contenuto di grassi (R2 = 0.066; P = 2.00 × 10-3), pollame (R2 = 0.062; P ≤ 1. 00 × 10-3), minore uso di prodotti a base di carne rossa e lavorata (R2 = 0.0053; P = 4.00 × 10-3), frutta fresca e succhi di bacche (R2 = 0.036; P = 2.30 × 10-2), e pesce (R2 = 0.034; P = 2.80 × 10-2). Noci e semi non avevano associazioni statisticamente significative. Il punteggio per le fonti di fibre combinate aveva un’associazione leggermente più forte (R2 = 0.12; P ≤ 1.00 × 10-3) con la diversità beta rispetto al punteggio HFC.
Un dbRDA è stato eseguito per determinare le direzioni di queste associazioni. L’analisi ha incluso tutti i singoli componenti del punteggio HFC che avevano un’associazione statisticamente significativa con la diversità beta, così come tutte le covariate precedentemente menzionate. Il risultato è stato significativo (P ≤ 1,00 × 10-3), con l’1,47% della varianza totale spiegata (Tabella 4 supplementare). I primi 2 assi rappresentavano il 66% della varianza vincolata e lo 0,92% della varianza totale. Un biplot dell’ordinamento sui primi 2 assi è mostrato nella Figura 2. L’interpretazione qualitativa del grafico ha rivelato che le direzioni vettoriali sul secondo asse dividono le variabili in 2 gruppi distinti. Tutti i componenti del punteggio HFC, ad eccezione dei succhi di frutta e di bacche freschi e non zuccherati, insieme all’uso di farmaci potenzialmente in grado di alterare la microbiotica e all’età, puntavano verso il basso ed erano associati al secondo asse in modo opposto ai componenti di IMC, sesso maschile e fumo.
Discussione
Il nostro studio ha utilizzato un approccio di dieta completa per valutare le associazioni tra il microbiota intestinale umano e le scelte alimentari sane in un grande studio basato sulla popolazione. Offre nuove prospettive ai risultati di studi più piccoli, presenta nuove intuizioni su come gli alimenti sani sono associati alla composizione del microbiota e presenta nuovi sguardi sul potenziale funzionale del microbiota.
Il punteggio sintetico HFC che abbiamo usato era un predittore significativo per la diversità e la composizione del microbiota intestinale, anche se le associazioni erano abbastanza deboli. Le scelte alimentari sane erano associate a un microbiota più ricco e compositivamente distinto. Altri studi comparabili fatti nei paesi occidentali hanno trovato risultati simili ma anche divergenti. Uno studio recente ha trovato che un’alta aderenza a una sana dieta mediterranea ricca di piante era associata a livelli più alti di SCFA fecali e a livelli più bassi di trimetilammina N-ossido urinario in 153 italiani. Simile ai nostri risultati, quello studio non ha osservato alcun clustering chiaro dei microbiotas basato sulla dieta, ma ha invece scoperto un graduale cambiamento nella composizione. Tuttavia, non sono state rilevate associazioni statisticamente significative delle misure di diversità alfa o beta con la dieta. Al contrario, un altro studio trasversale su 101 individui italiani che confrontava onnivori con individui che seguivano una dieta vegetariana o vegana ha rilevato che i vegetariani ospitavano microbiota più ricco di diversità alfa rispetto agli onnivori. La composizione del microbiota tra i 3 gruppi era simile, il che è stato ipotizzato essere dovuto a composizioni nutrizionali simili delle diete. Un terzo studio, che ha esaminato le associazioni dieta-microbiota confrontando un modello di dieta occidentale e uno prudente in 517 anziani, uomini che vivono in comunità, non ha trovato alcuna connessione tra la diversità alfa e la dieta, ma ha notato una significativa associazione con la diversità beta. Come è stato dimostrato nel nostro studio, le associazioni tra diversità e dieta sono molto modeste, e le discrepanze nei risultati passati potrebbero essere dovute a piccole dimensioni del campione e/o a campioni di studio che non erano rappresentativi dell’intera popolazione.
I risultati nostri e di altri indicano che la fibra alimentare è tra i più significativi influenzatori alimentari del microbiota intestinale. Sono state osservate associazioni con generi che includono specie con capacità di degradazione delle fibre e/o produzione di SCFA come Eubacterium, Butyrivibrio, Ruminococcus, Faecalibacterium e Roseburia . Il Faecalibacterium era positivamente associato a un modello di dieta prudente nello studio summenzionato in uomini anziani, mentre l’Eubacterium e il Ruminococcus erano associati a un modello di dieta occidentale. È importante notare, tuttavia, che questo particolare studio è stato condotto negli Stati Uniti, mentre il nostro includeva partecipanti europei, rendendo così più difficili i confronti diretti a causa delle differenze geografiche nella composizione microbica delle comunità. Inoltre, i livelli delle specie produttrici di SCFA più comunemente conosciute, Faecalibacterium prausnitzii, Akkermansia muciniphila e Roseburia intestinalis, erano tutti significativamente elevati negli individui con un punteggio HFC più alto nel nostro studio. Queste associazioni sono state accompagnate dall’arricchimento degli enzimi coinvolti nel metabolismo degli SCFA. Questi risultati indicano che le scelte alimentari sane sono effettivamente associate con un microbiota intestinale umano che possiede un maggiore potenziale per la sintesi di SCFA. Le specie dei generi Eubacterium, Ruminococcus e Roseburia, insieme ai livelli di SCFA, sono state precedentemente identificate come più abbondanti negli individui che consumano una dieta a base vegetale. Lo studio ha confrontato i cambiamenti del microbiota in un’impostazione crossover in giovani volontari americani che hanno consumato una dieta a base vegetale e una a base animale ad libitum per 5 giorni ciascuno. Bacteroides, un genere tollerante alla bile associato a un aumento del rischio di cancro del colon-retto, era invece arricchito negli individui che consumavano la dieta a base di animali. In particolare, nel nostro studio, Bacteroides aveva un’associazione negativa con il punteggio sommario per le fonti di fibre combinate, che tuttavia è scomparsa una volta che abbiamo guardato le associazioni a livello di dieta completa. L’associazione inversa del punteggio delle fonti di fibre combinate con i Bacteroides supporta altri risultati simili tra l’assunzione di fibre e un ridotto rischio di cancro colorettale.
Anche le associazioni tra prodotti a base di carne rossa e lavorata e il microbioma intestinale non possono essere ignorate. Il fatto che la diminuzione dell’uso di prodotti a base di carne rossa e lavorata sia fortemente correlata nella stessa direzione con altri componenti sani nel nostro dbRDA indica che un maggiore uso di carne rossa e lavorata è associato alla composizione del microbiota in modo opposto a quello di una dieta sana. Questo non è sorprendente dato che bassi livelli di fibre e un maggiore uso di prodotti a base di carne rossa sono stati collegati ripetutamente con la disbiosi del microbiota e il cancro colorettale. Il punteggio HFC è anche associato negativamente con gli enzimi coinvolti nel metabolismo della taurina, uno dei principali costituenti della bile. Questo suggerisce una diminuzione dell’esposizione agli acidi biliari del microbiota intestinale negli individui che hanno una dieta più sana, il che è probabilmente dovuto alla diminuzione dell’uso di prodotti di carne rossa e lavorata. Gli acidi biliari secondari prodotti dal microbiota sono noti contributori al rischio di cancro colorettale. In particolare, nel nostro studio, gli enzimi per il metabolismo degli aminoacidi e il sistema del relè dello zolfo erano anche associati negativamente al punteggio HFC.
Un punto di forza del nostro studio è il gran numero di partecipanti, che costituisce un grande campione basato sulla popolazione. Inoltre, i partecipanti al nostro studio sono stati attentamente fenotipizzati e apparentemente sani. Un altro punto di forza è l’uso del sequenziamento metagenomico completo, che offre informazioni molto più robuste dal punto di vista tassonomico e funzionale rispetto al sequenziamento dell’amplicon 16S RNA. Tuttavia, la generalizzabilità dei nostri risultati è probabilmente compromessa dalle differenze geografiche nella composizione del microbiota intestinale. Le risposte taxa-diet potrebbero essere diverse in diversi contesti socioculturali, economici, etnici e ambientali. Inoltre, le differenze statisticamente significative tra coloro che hanno scelto di non donare un campione di feci e quelli inclusi nello studio suggeriscono che i nostri partecipanti rappresentano la parte più attenta alla salute della popolazione, con diete e stili di vita più sani rispetto ai non partecipanti. Vogliamo sottolineare, tuttavia, che il nostro tasso di partecipazione era alto e qualsiasi distorsione dovuta all’effetto partecipante sano è probabilmente piccolo. Tuttavia, esiste la necessità di descrivere questi collegamenti in diverse coorti in tutto il mondo. Inoltre, si è notato che l’attività fisica e il consumo di alcol influenzano il microbiota intestinale, ma non sono stati presi in considerazione in questo studio.
Un altro limite del nostro studio, come in tutti gli studi con dati auto-riferiti, è l’accuratezza delle risposte del FPQ. Inoltre, il disegno trasversale dello studio limita la nostra capacità di andare oltre la deduzione di associazioni. Inoltre, abbiamo usato un nuovo punteggio per la dieta che non comprende tutte le linee guida per una dieta sana presentate nelle raccomandazioni nordiche sulla nutrizione, come le raccomandazioni per l’assunzione di sale. Anche i dati sui farmaci erano limitati ai soli farmaci su prescrizione. Tuttavia, come è stato dimostrato, i nostri risultati sono in linea con i risultati precedenti, che indicano che il punteggio HFC può quantificare efficacemente le abitudini alimentari. Inoltre, un semplice punteggio di dieta sana che rappresenta una dieta simile è risultato essere protettivo dalla malattia coronarica in individui geneticamente predisposti in 3 coorti prospettiche che hanno coinvolto 55.685 individui.
La classificazione tassonomica utilizzando metagenomi con sequenze poco profonde è una fonte di incertezza. La corretta classificazione dei microbi dipende dall’accuratezza del database utilizzato, che dà ancora risultati variabili a livello di specie a seconda del database utilizzato. Inoltre, mentre il sequenziamento shotgun superficiale può essere superiore nel catturare la diversità tassonomica e le caratteristiche funzionali rispetto al sequenziamento dell’amplicone dell’RNA 16S, non è accurato come il sequenziamento profondo per catturare le caratteristiche genetiche, motivo per cui l’interpretazione dei risultati funzionali dovrebbe essere fatta con una certa cautela.
In conclusione, abbiamo determinato che una dieta raccomandata ricca di piante, fibre e PUFA è associata a un microbiota individuale più vario e compositivamente distinto nell’intestino. Abbiamo inoltre determinato più taxa di interesse che hanno associazioni con componenti specifici della dieta. Particolarmente degne di nota sono le associazioni positive di una dieta sana con le specie che degradano le fibre e producono SCFA, che sono state accompagnate dall’arricchimento degli enzimi coinvolti nel metabolismo degli SCFA. Quindi, una dieta sana è associata a un maggiore potenziale per un ambiente intestinale produttore di SCFA. I risultati del nostro studio supportano la dieta bilanciata ricca di piante raccomandata dai dietologi di tutto il mondo e giustificano ulteriori studi sugli effetti più dettagliati della dieta sul microbiota intestinale umano, soprattutto a livello di specie, e la sua sinergia con la salute e la malattia.
REFEZIONE QUOTIDIANO 