肠道微生物群与原发性肝癌：利用孟德尔随机化和网络药理学预测传统中医潜在的治疗干预效果

《International Journal of Genomics》：Gut Microbiota and Primary Liver Cancer: Mendelian Randomization and Network Pharmacology Used to Predict Potential Therapeutic Intervention With Traditional Chinese Medicine

　　**摘要**

**目的**
本研究旨在利用孟德尔随机化（Mendelian Randomization, MR）方法筛选对原发性肝癌（Primary Liver Cancer, PLC）发病具有因果遗传效应的肠道微生物群（Gut Microbiota, GM），并预测具有调节GM潜力、从而可能干预PLC发展的传统中药（Traditional Chinese Medicine, TCM）候选药物。

**方法**
从IEU OpenGWAS数据库中检索了全基因组关联研究（Genome-Wide Association Studies, GWASs）关于GM与PLC关系的摘要统计信息。使用R语言中的two-sample MR软件包进行MR分析，主要采用逆方差加权（Inverse Variance Weighted, IVW）方法来评估遗传因果效应。对与工具变量（Instrumental Variables, IVs）相邻的基因进行功能富集分析，以探究相关微生物群通过何种信号通路促进PLC的发病机制。同时结合CTD和Coremine Medical数据库，预测可能调节这些IVs附近基因的TCM化合物。

**结果**
MR分析确定了9个在遗传上被认为对PLC发病具有因果效应的微生物群分类群。其中，Family XI（OR = 0.680, 95% CI: 0.469–0.985, p = 0.041）、Anaerotruncus属（OR = 0.446, 95% CI: 0.228–0.873, p = 0.018）、Coprococcus 2属（OR = 0.440, 95% CI: 0.208–0.929, p = 0.031）、Escherichia/Shigella属（OR = 0.430, 95% CI: 0.216–0.857, p = 0.016）以及Lactobacillales目（OR = 0.517, 95% CI: 0.280–0.955, p = 0.035）与PLC风险降低相关。相反，Barnesiella属（OR = 2.594, 95% CI: 1.388–4.849, p = 0.003）、Catenibacterium属（OR = 1.749, 95% CI: 1.003–3.048, p = 0.049）、Ruminococcus 2属（OR = 1.808, 95% CI: 1.066–3.068, p = 0.028）和Mollicutes RF9（OR = 1.707, 95% CI: 1.010–2.884, p = 0.046）与PLC风险增加相关。最常见的相关中药包括Camellia sinensis根、Curcuma longa L.、Salvia miltiorrhiza、Triticum aestivum L.、Panax ginseng C. A. Meyer、Panax notoginseng F.H. Chen、Radix Curcumae、Aucklandia lappa、Scutellaria baicalensis和Zingiber officinale Rose.等。GO富集分析显示，这些基因在ERK1/ERK2信号通路正向调节、翻译后蛋白质修饰（如去甘氨酰化）、突触囊泡外排和尿素转运等生物过程中显著富集。KEGG通路富集分析表明，这些基因在神经营养因子信号通路和cAMP信号通路中富集程度较高。

**结论**
本研究为基于GM的TCM策略在PLC预防和治疗中的应用提供了新的见解。

## 1. 引言**
原发性肝癌（PLC）是全球癌症相关死亡的主要原因之一。据估计，每年约有80万人因此疾病去世，预计到2030年这一数字将超过100万[1–3]。手术切除是早期肝癌的主要治疗方法，但存在肝衰竭、腹腔感染和胸腔积液等并发症风险，对患者健康构成严重威胁[4]。先前的研究指出，长期饮酒（通过诱导慢性肝损伤和肝硬化）、代谢失调以及肥胖和超重相关的慢性炎症，以及非酒精性脂肪性肝炎（NASH）进展中的纤维化-肝硬化路径，是PLC发病的重要驱动因素[5, 6]。近年来，研究人员开始探索其他潜在的致癌因素。特别是，通过肠道-肝脏轴调节肝脏免疫和代谢的GM失调，扩展了我们对肝癌病因学的理解[7]。随着2020–2025年美国膳食指南的制定，微生物组在健康和疾病发病机制中的关键作用受到了广泛关注[8]。人体是一个庞大的元生物体，其肠道、口腔、呼吸道和皮肤等部位栖息着大量的微生物群[9]。人类健康与这些微生物群之间存在共生关系；任何微生物群的失调都可能导致健康向疾病的转变[10, 11]。虽然微生物现在被认为是重要的环境致癌因素，但人类微生物组的广泛分布和复杂的分类组成带来了挑战：识别其中潜在的致癌微生物特征对于阐明微生物组与PLC之间的关联至关重要。传统中药（TCM）强调肝脏与肠道之间的生理和病理联系，这一整体观点已通过“肠道-肝脏轴”（一种GM-免疫-代谢网络）的概念在现代医学中得到科学验证[12]。现代研究确立了“肠道-肝脏轴”的核心概念，强调了肝脏与大肠之间通过双向通信途径的复杂相互作用[12]。肠道失调会损害肠道屏障功能，使细菌代谢物（如脂多糖LPS和次级胆汁酸）通过门静脉进入肝脏，激活Toll样受体（TLR4/9）信号通路，引发慢性炎症、纤维化和肝细胞癌[13, 14]。进一步的MR研究证实，GM与胆道肿瘤之间存在双向因果关系，免疫细胞表型的变化在此过程中起关键中介作用[15, 16]。另一方面，肝脏分泌的胆汁酸会调节GM组成、屏障完整性和免疫反应[17]。研究发现，含有三种天然药物的TCM配方可显著改善GM谱型，维持肠道黏膜屏障完整性，增强免疫功能，改善胆汁酸代谢，并减轻PLC患者的恶心、呕吐和腹泻等不良反应[18]。基于肠道-肝脏轴的肝癌小鼠模型研究表明，益生菌能显著降低IL-17和Th17细胞水平，抑制肿瘤血管生成，减少肿瘤体积，并通过调节GM增强抗癌疗效[19]。相关研究还发现，与健康个体相比，PLC患者的Firmicutes门丰度降低，而Blautia和Bacteroides属的丰度显著减少，Streptococcus属的丰度显著增加[20]。调节GM组成可部分逆转PLC中的免疫逃逸并抑制肿瘤进展[21, 22]。总体而言，这些发现表明GM在PLC的发病机制和进展中起着关键作用。孟德尔随机化（MR）是一种利用遗传变异作为工具变量（IVs）的因果推断方法，在流行病学中广泛应用[23–25]。其基本原理是利用自然随机化的遗传变异对表型的影响来推断生物因素对疾病结果的影响[26]。全基因组关联研究（GWASs）是统计遗传学的基石方法，表明性状是由遗传决定的[27]。本研究旨在利用关于GM和PLC的GWAS数据，通过MR方法识别与PLC发病具有显著因果关系的肠道微生物分类群，并探索具有调节GM介导的PLC发病机制潜力的TCM药物。

## 2. 材料与方法**
**2.1. 研究设计**
设计了一项双样本MR研究，以估计GM与PLC之间的潜在因果关系。MR研究需满足三个核心假设[28, 29]：(1) IVs必须与暴露因素（GM）显著相关；(2) IVs不能与任何混杂因素相关；(3) IVs必须仅通过暴露因素影响PLC结果。随后获取了与识别出的IVs相邻的基因，并进行功能富集分析，以探究GM介导PLC发展的关键生物通路，并预测可能调节这些通路的TCM化合物。整个研究流程如图1所示。

**2.2. GWAS摘要统计**
GM的GWAS摘要数据来自IEU OpenGWAS数据库（https://gwas.mrcieu.ac.uk/）。使用R语言中的TwoSampleMR软件包的ao函数，从IEU OpenGWAS数据库中提取了211个GM特征的418个GWAS摘要数据集。PLC的数据来自FinnGen数据库的GWAS摘要统计，包括500例PLC病例和314,193名健康对照组个体。

**2.3. 伦理批准**
本研究使用的GWAS摘要统计数据为公开可用的数据，其原始数据已获得相应研究机构的伦理批准，因此无需额外伦理批准。

**2.4. 工具变量选择**
本研究使用GWAS数据中的SNPs作为IVs，通过标准化流程进行筛选：首先从GWAS数据中提取与目标特征（GM特征）显著相关的SNPs（p < 5 × 10?6）。然后应用连锁不平衡（Linkage Disequilibrium, LD）聚类（r2 < 0.001, 窗口大小 = 10,000 kb）去除冗余遗传信号。接着排除等位基因频率（MAF）< 0.01的变异以过滤低频变异。使用PhenoScanner V2（p < 1.0 × 10?5, r2 ≥ 0.8, Build 37/GRCh37）进一步去除可能与混杂因素相关的SNPs，以减少水平多效性偏差。计算每个SNP的F统计量（F = β2/SE2）以排除弱工具变量（F < 10），并通过碱基互补配对分析识别并排除回文序列。这一严格的过程确保了满足三个核心IV假设的SNP集合，从而保证了因果推断的生物学有效性和统计效力。F值的计算公式如下：
\[F = \frac{\sum_{i=1}^{n} (R_i^2 - \bar{R}_i)^2}{n\sum_{i=1}^{n} (1 - R_i)^2}\]
其中N是暴露数据集的样本量，R2表示SNPs解释的方差比例，MAF表示等位基因频率，β表示等位基因效应大小。

**2.5. 统计分析**
本研究主要采用IVW方法评估遗传因果效应[30]，并使用MR-Egger、简单模式、加权中位数和加权模式方法进行补充分析，以评估IVW结果的稳健性[31]。首先计算每个SNP的Wald比值，然后通过加权整合得出遗传预测的GM与PLC风险之间的关联。由于结果为二元变量（PLC风险），使用95%置信区间（CIs）的比值比（ORs）来表示GM与恶性肿瘤之间的潜在因果关系。此外，还进行了以下敏感性分析[32]：(1) 遗传异质性评估：使用IVW和MR-Egger方法计算Cochran’s Q统计量，以评估遗传工具变量之间的效应大小分散。当检验达到显著性阈值（p < 0.05）时，采用随机效应模型校正异质性偏差。(2) 水平多效性检测：根据MR-Egger回归中截距项的统计显著性（p < 0.05）判断是否存在显著多效性。在这种情况下，因果效应估计需谨慎解释。(3) 排除回文SNPs：去除具有回文特征（由于碱基互补配对导致链方向不明确）的SNPs。(4) 筛选与潜在混杂因素相关的变异：使用GWAS Catalog（https://www.ebi.ac.uk/gwas/）中的公开表型关联数据，排除与潜在混杂表型具有全基因组显著关联（p < 5 × 10?8）的遗传变异。(5) 学留一法交叉验证：通过逐一排除每个SNP来评估单个遗传标记对整体结果的潜在影响。(6) MR-Pleiotropy RESidual Sum和Outlier（MR-PRESSO）异常值检测和校正：应用MR-PRESSO算法检测和校正异常值，通过全局测试识别异常IVs。p值< 0.05被视为统计学上显著。所有统计分析均使用R Version 4.3.2进行。

**2.6. IVs附近基因的功能富集和TCM预测**
首先使用vautils和dplyr R包，根据SNP标识符（IDs）识别与IVs相邻的基因及其对应的染色体序列和位置。随后，这些基因被输入到比较毒理学基因组数据库（CTD；https://ctdbase.org/）中进行查询，以识别对它们具有调节作用的化学物质。选择了那些有大量文献支持的化学物质。利用Coremine Medical数据库（https://coremine.com/medical/），检索出与这些化学物质显著相关的传统中药（TCMs），并应用p < 0.05的显著性阈值进行后续的有效性分析。最后，使用Metascape平台（https://metascape.org/gp/index.html）对与IVs相邻的基因进行了基因本体论（GO）和京都基因与基因组百科全书（KEGG）通路富集分析。

3. 结果

3.1. 多变量（MR）分析结果

从211个微生物群（GM）特征中总共获得了2092个单核苷酸多态性（SNPs）。我们没有发现与混杂因素相关的SNPs；因此，这些SNPs被纳入了后续的MR分析中。在MR分析中，99个SNPs作为工具变量（IVs），所有这些SNPs的F统计量都大于15，表明没有证据表明它们是弱工具变量。IVW方法揭示了9个对PLC风险具有显著遗传因果效应的GM分类群。其中，5个分类群与PLC风险显著降低相关，而4个分类群与PLC风险显著增加相关。如表1所示，Family XI id.1936（OR = 0.680，95% CI: 0.469–0.985，p = 0.041）、Anaerotruncus属（OR = 0.446，95% CI: 0.228–0.873，p = 0.018）、Coprococcus 2属（OR = 0.440，95% CI: 0.208–0.929，p = 0.031）、Escherichia Shigella属（OR = 0.430，95% CI: 0.216–0.857，p = 0.016）和Lactobacillales目（OR = 0.517，95% CI: 0.280–0.955，p = 0.035）可以显著降低PLC的风险。相反，Barnesiella属（OR = 2.594，95% CI: 1.388–4.849，p = 0.003）、Catenibacterium属（OR = 1.749，95% CI: 1.003–3.048，p = 0.049）、Ruminococcus 2属（OR = 1.808，95% CI: 1.066–3.068，p = 0.028）和Mollicutes RF9目（OR = 1.707，95% CI: 1.010–2.884，p = 0.046）可以显著增加PLC的风险。MR-Egger分析中的效应方向与IVW结果一致，支持了IVW发现的稳健性。分析的森林图和散点图分别显示在图2和图3中。

表1. GM和PLC的MR分析阳性结果。

3.2. MR分析的质量控制结果

如表2所示，MR-Egger截距测试没有发现所有GM与PLC之间的遗传预测因果关联存在水平多态性（p > 0.05）[31]。Cochran’s Q测试未发现IVs（SNPs）之间存在显著异质性（p > 0.05）；观察到的异质性在MR框架内被认为是可接受的，并且没有影响因果效应的估计。随后进行了留一法敏感性分析，以评估单个SNPs对总体因果估计的影响。如图4所示，即使系统地移除每个单个SNP，因果关联仍然具有统计学意义，效应方向也是一致的，这证明了结果的稳健性。

3.3. 工具变量相邻基因的功能富集分析和潜在TCMs的预测

基于SNP ID及其染色体位置，识别出229个基因，这些基因对应于99个SNPs。这些基因被提交到CTD数据库，得到了232种化学化合物，包括但不限于环孢素、甲氨蝶呤、舒尼替尼和维甲酸。随后对Coremine数据库的查询发现了928种与这232种化学成分显著相关的草药。使用Cytoscape软件，可视化了“基因-化学成分-TCMs”关联网络中度中心性最高的150个节点，如图5所示。映射频率最高的代表性TCM包括Camellia sinensis根、Curcuma longa L.、Salvia miltiorrhiza、Triticum aestivum L.、Panax ginseng C. A. Meyer、Panax notoginseng F.H. Chen、Radix Curcumae、Aucklandia lappa、Scutellaria baicalensis和Zingiber officinale Rose.等。最后，对与预测的TCMs及其化学成分相关的基因进行了功能富集分析。GO富集分析显示，这些基因在包括ERK1/ERK2信号通路的正向调节、翻译后蛋白质修饰（如脱谷氨酰化）、突触囊泡外排和尿素转运等生物过程中显著富集（图6A）。此外，它们在神经元投射和纺锤体装置等细胞成分中也富集，并主要参与蛋白质结合和转录调节等分子功能。KEGG通路富集分析显示，这些基因主要在以下关键通路中富集：神经营养因子信号通路和cAMP信号通路（图6B）。其中，cAMP信号通路的富集程度最高，基因数量也最多。总体而言，这些结果表明相关基因可能在神经调节、代谢调节和肿瘤发生中发挥关键作用。

4. 讨论

现代医学中的“肠道-肝脏轴”理论强调了GM在PLC发病机制中的关键作用，使其成为跨学科研究的重要焦点[33]。通过肠肝循环的双向调节机制，失调的GM通过多种途径（包括代谢失调和免疫失衡）促进PLC的病理进展。这一生物学联系已在多项临床研究中得到证实[12, 34, 35]。本研究整合了关于GM和PLC的GWAS数据，并利用了MR分析方法。这是首次系统地识别出与疾病具有遗传因果关联的九个微生物特征。其中，五个微生物群（包括Lactobacillales目）显示出对PLC的保护作用。相反，四个群（如Mollicutes RF9类）与PLC风险显著增加相关。值得注意的是，这些微生物特征与PLC之间的机制联系已在多个研究层面得到证实。例如，与癌症风险增加相关的Ruminococcus属可以通过促进次级胆汁酸的产生来激活致癌通路，而具有保护作用的Lactobacillales目则通过维持肠道屏障的完整性来抑制内毒素向肝脏的转移[36, 37]。进一步的研究表明，来自肝癌患者的粪便微生物群移植（FMT）会显著加速小鼠的肝肿瘤形成，而抗生素干预通过耗尽促肿瘤微生物群可以部分阻断这一肿瘤发生过程[38, 39]。这些临床前发现不仅阐明了GM调节PLC的具体分子机制，还为本研究中的因果推断提供了生物学依据。随着基于噬菌体的靶向调节等新技术的出现，基于肠道微生物特征的PLC风险预测模型和精准干预策略正从理论概念向临床实践转变。研究表明，GM及其代谢物可以通过多种分子机制参与PLC的病理过程[40, 41]。基因功能注释分析显示，差异表达的基因在包括ERK1/ERK2信号通路的正向调节、翻译后修饰（如脱谷氨酰化）、突触囊泡外排和跨膜尿素转运等生物过程中显著富集。在代谢通路层面[42]，KEGG分析进一步表明，这些基因主要参与激活神经营养因子信号通路和cAMP信号通路。除了cAMP信号通路和神经营养因子信号通路外，GM还可能通过免疫介导的多效途径参与PLC的发展。现有研究已证实，免疫细胞表型与消化系统肿瘤（如胆道癌[15]和胰腺炎[43, 44]的风险存在因果关联，而肠道微生物群的失调可以通过肠道-肝脏轴调节肝脏的免疫微环境，影响免疫细胞的激活和功能。尽管直接证明GM调节这些通路的实验证据尚不明确，但多项研究已证实特定微生物群的丰度与这些通路的激活状态之间存在显著相关性。从机制上讲，GM的失调可能导致内毒素和次级胆汁酸等代谢物的异常增加[45]。这些物质通过门静脉系统进入肝脏后，会激活TLR4受体并触发下游NF-κB信号级联反应，从而引发慢性炎症和氧化DNA损伤[46]。特定的GM，如Mollicutes RF9谱系和Ruminococcus物种，可能通过调节与TLR4通路相关的代谢物的分泌来间接调节神经营养因子信号通路的激活状态[47, 48]。这种相互作用主要通过两种机制实现：首先，微生物代谢物可以调节肝脏微环境中的免疫细胞功能；其次，这些代谢物可能通过表观遗传修饰调节cAMP信号通路中关键蛋白的磷酸化动态。针对这些微生物群落的调控显著降低了动物模型中PLC（肝细胞癌）的发病率，为“基因组（GM）-信号通路-PLC”之间的因果关系提供了有力的间接证据[49]。在现有的抗肿瘤方法（如化疗和靶向治疗）基础上，本研究进一步探讨了通过“基因-化学成分-中药（TCM）”途径来治疗PLC的方案。中药在预防PLC的发生、复发和转移、减轻治疗相关不良反应和药物耐药性以及提高疾病控制率、客观反应率和生存率方面表现出显著优势。通过对与PLC相关的SNP及其邻近基因的分析，共鉴定出142种代表性化学成分，包括多柔比星、LPS、顺铂和呋喃。顺铂和多柔比星是治疗肝癌（HCC）的常用化疗药物。LPS被认为是促进PLC发展的风险因素，而呋喃衍生物则会干扰用于HCC治疗的靶向药物的新陈代谢，从而降低其疗效。这些发现共同表明，所鉴定的化学成分在HCC的发病机制和进展中起着关键作用。因此，我们利用这些化学成分来预测潜在的中药干预措施。研究表明，包括人参（Panax ginseng C. A. Meyer）、五味子（Fructus Schisandra chinensis）、夏枯草（Herba Hedyotis Diffusae）、生姜（Zingiber officinale Rose.）、姜黄（Curcuma longa L.）、银杏叶（Semen Ginkgo Bilobae）、肉桂皮（Cortex Cinnamomum Cassiae）和丹参（Salvia miltiorrhiza）在内的中药不仅被广泛使用，还经常用于治疗PLC及其并发症。药理学研究证实了这些中药干预措施在预防和治疗PLC方面的潜力。

- 人参（Panax ginseng C. A. Meyer）：这些草药可以通过活性氧（ROS）介导激活c-Jun N末端激酶（JNK）/p38 MAPK信号通路来促进肝细胞癌细胞的凋亡[50, 51]。特别是人参皂苷Rk3可以直接靶向PI3K/Akt通路，抑制AKT的磷酸化[52]，从而下调下游的抗凋亡因子并激活自噬相关蛋白，导致肝癌细胞发生自噬性死亡。
- 黄芩（Radix Scutellaria baicalensis）：它们通过降低基质金属蛋白酶2（MMP2）的表达、增加组织金属蛋白酶2抑制剂（TIMP2）的水平以及调节粘附分子来抑制肝癌细胞的运动性、粘附性和侵袭能力[53]。其主要活性成分黄芩素还能通过降低Bcl-2、c-Myc、cyclin D1、MMP-9和VEGFA的表达并增加Bax的表达来抑制PLC细胞的生长和转移潜力，并诱导细胞凋亡[54]。
- 冒泡茶（Camellia sinensis）：主要通过表没食子儿茶素没食子酸酯（EGCG）等酚类化合物发挥抗肿瘤作用，通过清除自由基和激活Nrf2抗氧化通路来减轻氧化应激损伤。同时，它们还能抑制NF-κB炎症通路，减少TNF-α和IL-1β等促炎细胞因子的释放。
- 丹参（Salvia miltiorrhiza）：这些草药显著降低PI3K p85亚单位的表达，并抑制AKT和mTOR的磷酸化，从而阻断肿瘤细胞的生存信号。此外，它们还能通过p53信号通路上调p21的表达，使细胞周期停滞在G0/G1或G2/M阶段，抑制肝癌细胞的生长。
- 姜黄（Curcuma longa L.）中的姜黄素：姜黄素通过与Dvl2蛋白结合并阻碍Axin的膜招募，维持β-连环蛋白的破坏复合体功能，防止β-连环蛋白进入细胞核并与LEF/TCF转录因子结合，从而下调目标基因（c-Myc、VEGF和cyclin D1）的表达。因此，姜黄素以浓度依赖的方式抑制PLC细胞的增殖并诱导其凋亡。

许多研究强调了基因组（GM）在PLC发病机制和进展中的重要作用。然而，观察性研究的结果容易受到混杂因素的影响。鉴于机器学习（MR）在推断因果关系方面的独特优势，本研究创新性地应用了MR分析来识别与PLC发展具有显著因果关联的基因组分类单元。在此基础上，通过分析与MR IVs相关的邻近基因来预测潜在的中药干预措施，对PLC的预防和治疗具有重要的意义。这种方法为未来针对PLC的新中药药物的研究和开发提供了宝贵的见解和参考框架。

**5. 结论**
基于预测的中药成分，本研究确定了九种与PLC发展存在遗传因果关联的肠道微生物分类单元，包括Anaerotruncus属、Barnesiella属和Catenibacterium属。这些微生物主要通过cAMP和ERK1/ERK2等信号通路参与PLC的发病机制。同时，还鉴定出可能通过基因组调控来调节这些关键信号通路、进而影响PLC进展的中药成分。这为从基因组角度探索肝癌的中药预防和治疗策略提供了有价值的见解。目前国内外的大量研究表明，中药通过基因组调控PLC的机制不仅涉及基因或蛋白质表达的变化，还包括对多种宿主代谢途径的调节。因此，在未来的研究中将代谢物作为中介变量纳入考虑可以进一步完善研究框架。由于全基因组测序的成本过高，本研究中用于MR分析的GWAS数据主要来自公共数据库。未来的研究需要更深入的实验验证，以阐明特定基因组成分对PLC发病机制的贡献以及中药在此过程中的调节作用。

**作者贡献**
陈庆亮、金琳和丁素萍负责概念构思、方法设计、软件选择和初稿撰写；丁丽山、张柳桐和左淑娟负责数据可视化、结果分析和修订；傅文乐和詹鹏超负责监督、正式分析和修订。陈庆亮、金琳和丁素萍对本研究做出了同等贡献。

**资助**
本研究得到了河南省医学科学技术项目（LHGJ20240648）、郑州市医疗卫生领域科技创新引导项目（2024YLZDJH056）、郑州市医疗卫生科技创新规划项目（2024YLZDJH044）以及河南省慈善联合会道建基金科研项目（szsyky24007）的支持。

**披露**
所有作者均已阅读并同意发表的手稿版本。

**伦理声明**
本研究获得了河南省第三人民医院研究伦理委员会的伦理批准和参与同意。

**利益冲突**
作者声明没有利益冲突。

**数据可用性**
本研究使用的数据是公开可获取的。肠道微生物群和PLC的统计摘要数据来自在线公共数据库（IEU OpenGWAS Project：https://gwas.mrcieu.ac.uk/）。