Blog

Jun 11, 2024

Aerobic-Training und Darmmikrobiom

Scientific Reports Band 13, Artikelnummer: 11228 (2023) Diesen Artikel zitieren 3330 Zugriffe 1 Zitate 10 Altmetric Metrics Details Körperliche Aktivität ist für das Gewichtsmanagement unerlässlich und verbessert

Wissenschaftliche Berichte Band 13, Artikelnummer: 11228 (2023) Diesen Artikel zitieren

3330 Zugriffe

1 Zitate

10 Altmetrisch

Details zu den Metriken

Körperliche Aktivität ist für die Gewichtskontrolle unerlässlich, verbessert die allgemeine Gesundheit und mildert Risikomarker im Zusammenhang mit Fettleibigkeit. Regelmäßige Bewegung kann nicht nur Veränderungen im systemischen Stoffwechsel hervorrufen, sondern auch die mikrobielle Diversität des Darms verbessern und in entsprechender Weise die Häufigkeit nützlicher Taxa erhöhen. Da es an integrativen Omics-Studien zu Bewegung und übergewichtigen Bevölkerungsgruppen mangelt, haben wir die Metabolome und Darmmikrobiota untersucht, die mit programmierter Bewegung bei adipösen Personen verbunden sind. Wir haben die Serum- und Stuhlmetaboliten von 17 erwachsenen Frauen mit Übergewicht während eines 6-wöchigen Ausdauertrainingsprogramms gemessen. Darüber hinaus haben wir die auf körperliche Betätigung reagierenden Metaboliten mit Variationen im Darmmikrobiom und den kardiorespiratorischen Parametern integriert. Wir fanden eine klare Korrelation mit mehreren Serum- und Stuhlmetaboliten sowie Stoffwechselwegen während des Trainingszeitraums im Vergleich zum Kontrollzeitraum, was auf eine erhöhte Lipidoxidation und oxidativen Stress hinweist. Insbesondere körperliche Betätigung führte zu einem gleichzeitigen Anstieg der Serum-Lysophosphatidylcholin-Anteile und des fäkalen Glycerophosphocholins. Diese Signatur war mit mehreren mikrobiellen Metagenomwegen und der Häufigkeit von Akkermansia verbunden. Die Studie zeigt, dass Aerobic-Übungen ohne Veränderungen der Körperzusammensetzung Stoffwechselverschiebungen hervorrufen können, die bei übergewichtigen Personen Substrate für eine nützliche Darmmikrobiota liefern.

Körperliche Aktivität in ihren verschiedenen Formen ist für das Gewichtsmanagement unerlässlich. Regelmäßige Bewegung kann die allgemeine Gesundheit verbessern und Risikomarker im Zusammenhang mit Fettleibigkeit wie Insulinresistenz, Entzündungen und Dyslipidämie abschwächen1. Selbst ohne entsprechenden Gewichtsverlust kann körperliche Aktivität das Krankheitsrisiko senken und die allgemeine Fitness verbessern2. Die Veränderungen des Energiehaushalts und des systemischen Stoffwechsels, die als Reaktion auf akutes Training auftreten, sind gut charakterisiert und dokumentiert3, 4. Im Rahmen der öffentlichen Gesundheit und der Sportmedizin sind jedoch langfristige körperliche Aktivität und ein aktiver Lebensstil oft von großem Interesse Ihre Auswirkungen auf das Wohlbefinden und die Risikofaktoren müssen genauer geklärt werden1, 5. Gut durchgeführte Versuchsanordnungen können die physiologischen Mechanismen hinter den durch körperliche Betätigung verursachten Gesundheitsvorteilen aufklären, es sind jedoch weitere Studien erforderlich6.

Ein akuter Trainingsanfall beeinträchtigt nicht nur den systemischen Stoffwechsel, sondern kann auch vorübergehende Veränderungen in der Zusammensetzung und dem Stoffwechsel des Darmmikrobioms hervorrufen7. Noch wichtiger ist, dass eine Steigerung der gewohnheitsmäßigen körperlichen Aktivität zu einer erhöhten mikrobiellen Vielfalt führen und gesundheitsfördernde Taxa nutzen kann. Folglich ist eine bessere kardiorespiratorische Fitness häufig mit einer höheren mikrobiellen Vielfalt und der Häufigkeit bestimmter auf körperliche Betätigung reagierender mikrobieller Taxa verbunden8,9,10. Das Darmmikrobiom trägt zu Gesundheit und Krankheit bei, indem es bioaktive Verbindungen wie kurzkettige Fettsäuren, Trimethylaminoxid und Aminosäurederivate produziert11. Diese Mikroben nutzen auch viele endogene Verbindungen wie Gallensäuren, Aminosäuren und Laktat11. Jüngste Studien an Mäusen zeigten auch spezifische Wege, über die die aus dem Mikrobiom stammenden Metaboliten die Motivation zum Sport beeinflussen12.

Die ungezielte Metabolomik, manchmal auch als globale Metabolomik13 oder metabolischer Fingerabdruck14 bezeichnet, zielt darauf ab, große Anteile niedermolekularer Verbindungen oder Metaboliten in einer Probenmatrix hypothesenfrei zu charakterisieren. Wie die zunehmende Zahl von Studien und neuen wissenschaftlichen Initiativen13, 15, 16 belegen, ist dieser Ansatz eine wirkungsvolle Methode zur Erforschung der Auswirkungen körperlicher Aktivität in einem biologischen System. Das Metabolom einer bestimmten biologischen Matrix ist die Funktion ihrer Gene, Transkripte, Proteine ​​und externen Störungen; Allerdings wird der Einfluss des Mikrobioms in Metabolomics-Studien oft übersehen. Dies gilt insbesondere für das fäkale Metabolom, das die Funktionen unseres Darmmikrobioms genau abbildet17. Es gibt in der Sportwissenschaft eher wenige Studien, in denen Metabolomics-Methoden mit hoher Abdeckung und hoher Sensitivität zum Einsatz kommen13, 15, 16, und unseres Wissens gibt es keine experimentellen Multi-Omic-Studien an Personen mit Übergewicht.

Wir haben zuvor gezeigt, dass übergewichtige Frauen mit sitzender Tätigkeit ihre kardiorespiratorische Fitness nach sechs Wochen Ausdauertraining verbesserten und gleichzeitig Veränderungen im Darmmetagenom und in der mikrobiellen Zusammensetzung aufwiesen18. Ein besonders vielversprechender Effekt von Bewegung war die Zunahme der Bakteriengattung Akkermansia. Das einzige Mitglied dieser Gattung, A. muciniphila, reduziert nachweislich beispielsweise Fettleibigkeit und Insulinresistenz19. Wir fanden jedoch keine größeren Veränderungen im systemischen Stoffwechsel als Reaktion auf körperliche Betätigung, wie anhand klinischer Standardvariablen und Kernspinresonanzspektroskopie (NMR) für gezielte Plasmametaboliten und Lipoprotein-Unterklassen beurteilt wurde18. Um das Verständnis der auf körperliche Betätigung reagierenden Metaboliten zu erweitern, verwendeten wir in dieser Studie eine hochauflösende Massenspektrometrietechnik der Flüssigkeitschromatographie (UPLC-HRMS), um die Metabolome in den oben genannten Serum- und Stuhlproben zu charakterisieren. Um das Zusammenspiel des systemischen und mikrobiellen Stoffwechsels und deren Auswirkungen auf die Reaktionsfähigkeit beim Training zu verstehen, haben wir die Stoffwechselveränderungen mit Darmmikrobiom- und kardiorespiratorischen Parametern sowie anderen biochemischen Variablen integriert.

Die Teilnehmer nahmen an einer sechswöchigen Kontrollphase und einer anschließenden sechswöchigen Trainingsphase mit wöchentlichen Trainingseinheiten teil (Abb. 1). Die Körperzusammensetzung und die kardiovaskuläre Fitness wurden zu drei Zeitpunkten beurteilt, nämlich vor dem Kontrollzeitraum (vor), nach dem Kontrollzeitraum (nach 1) und nach dem Trainingszeitraum (nach 2). Zu jedem Zeitpunkt wurden Blut- und Stuhlproben entnommen, und in Woche 4 des Trainingszeitraums (Mitte) wurde eine zusätzliche Stuhlprobe entnommen. Wir verwendeten eine hochauflösende Massenspektrometrietechnik20, um die Metaboliten in den Serum- und Stuhlproben von mehr als drei Zeitpunkten zu charakterisieren. Darüber hinaus haben wir mithilfe korrelativer Analysen und eines Netzwerkalgorithmus die Stoffwechselveränderungen mit mikrobiellen Taxa im Darm, metagenomischen Funktionen und anthropometrischen Variablen integriert, um die Zusammenhänge zwischen systemischem und mikrobiellem Stoffwechsel zu bewerten.

Studiendesign, Teilnehmer, gesammelte Proben und Analysen. Erstellt mit Biorender.com.

Die wichtigsten Ergebnisse des 6-wöchigen Ausdauertrainingsprogramms wurden bereits ausführlich beschrieben18. Kurz gesagt, die kardiorespiratorische Fitness der Teilnehmer verbesserte sich, was sich in einer gesteigerten Leistung und einer maximalen Sauerstoffaufnahme zeigte. Die Android-Fettmasse nahm ab und der Durchmesser des Musculus Vastus lateralis nahm zu. Phospholipide und Cholesterin in großen Lipoproteinpartikeln sehr niedriger Dichte (L-VLDL) nahmen im Plasma ab und die Aktivität des Gefäßadhäsionsproteins-1 (VAP-1) nahm im Serum ab. Die Häufigkeit des Darmmikrobioms Phylum Pseudomonadota (ehemals Proteobakterien) und der Gattung Akkermansia nahm ab bzw. zu, während mehrere Stoffwechselgene der Darmmikrobiota als Reaktion auf körperliche Betätigung herunterreguliert wurden18. Darüber hinaus wurde die Aufnahme von Nährstoffen und Nahrungsmitteln untersucht, von denen bekannt ist, dass sie die Zusammensetzung und Funktionen der Darmmikrobiota beeinflussen (z. B. Kohlenhydrate, Ballaststoffe, Brot, andere Getreideprodukte, Gemüse, Obst, Beeren, Fleisch, Fisch, fermentierte Milchprodukte und Käse). Bewertet durch eine 3-Tage-Ernährungsaufzeichnung. Außer einem leichten Anstieg des Energieanteils aus Stärke konnten keine Veränderungen ernährungsbedingter Faktoren beobachtet werden.

Wir identifizierten 124 Metaboliten im Serum. Wir berechneten die Faltungsänderungen für jeden Metaboliten während der Kontroll- und Trainingsperioden und führten eine multivariate Analyse unter Verwendung der orthogonalen partiellen kleinsten Quadratdiskriminanzanalyse (OPLS-DA) in Metaboanalyst durch. Die Details für jeden Serummetaboliten, einschließlich Identifikationsinformationen und multivariater Analyseergebnisse, sind in der Ergänzungstabelle S1 aufgeführt. In OPLS-DA wurden 13,2 % der Variation in den Daten durch die orthogonale Komponente, also die zwischenmenschliche Variation, erklärt (Abb. 2a). Zweiundsechzig interessierende Metaboliten wurden anhand der Schwellenwerte von p(corr)[1] < − 0,2 oder > 0,2 oder VIP-Wert > 1,0 ausgewählt. Die Kreuzvalidierung ergab Werte von R2 = 0,975 und Q2 = 0,637, und die Robustheit dieses Modells wurde durch 100 Permutationstests mit p < 0,01 gemessen. Innerhalb der Stoffwechselwege, die mithilfe der Anreicherungsanalyse in Metaboanalytic bewertet wurden, waren der Koffeinstoffwechsel, der Lysinabbau, die Glykolyse, der Pyruvatstoffwechsel und der Propanoatstoffwechsel signifikant angereichert, aber nur der Koffeinstoffwechsel blieb nach der Korrektur mehrerer Tests statistisch signifikant (Abb. 2b). Die Krankheitssignaturen wurden auch mithilfe der Anreicherungsanalyse bewertet. Interessanterweise waren die durch körperliche Betätigung beeinflussten Metaboliten aufgrund von Veränderungen bei Laktat, Alanin und Purinen angereichert, und die Signatur für Asthma wurde aufgrund von Veränderungen bei aus Kaffee gewonnenen Xanthinen angereichert. Die Krankheitssignaturen waren jedoch nach Korrektur mehrerer Tests nicht signifikant (ergänzende Abbildung S4).

Multivariate Metabolomanalyse der Serumproben. (a) Orthogonale partielle Diskriminanzanalyse der kleinsten Quadrate (OPLS-DA) der Serumproben (n = 17) mit den Änderungen während des Kontrollzeitraums (0) und des Trainingszeitraums (1). Das Modell wurde mit Permutationstests (einhundert Permutationen p < 0,01) und Kreuzvalidierung (R2Y = 0,975 und Q2 = 0,637) validiert. (b) KEGG-Stoffwechselwege bei der Anreicherungsanalyse von Serumproben in MetaboAnalyst. Nur der Koffeinstoffwechsel erreichte nach Korrektur mehrerer Tests eine Signifikanz.

Es wurde festgestellt, dass zwölf Metaboliten während der Studie schwankten, wobei ein bemerkenswerter Anteil an Phosphatidylcholinen (PCs), hauptsächlich Lysophosphatidylcholinen (LysoPCs), nur während der Belastungsperiode zunahm (Tabelle 1). Es wurde festgestellt, dass Adenosin und Koffein auf die Hälfte abnahmen, wohingegen Docosahexaensäure 22:6 (DHA), Phenylalanylisoleucin, LysoPC(17:0), LysoPC(15:0), LysoPC(16:0), LysoPC(16:1) , LysoPC(18:0), PC(18:0_20:4), N6,N6,N6-Trimethyllysin (TML) und Taurin stiegen während der Trainingsperiode an. Während der Kontrollperiode nahmen DHA und TML ab und Koffein stieg an. Weder während der Kontroll- noch der Trainingsperiode wurden Veränderungen in der Kaffeeaufnahme beobachtet (p-Werte 0,2 bzw. 0,9 aus dem T-Test mit wiederholten Messungen).

Wir identifizierten 154 Metaboliten in den Stuhlproben und führten wie bei den Serumproben eine multivariate Analyse durch. Einundfünfzig Metaboliten davon wurden auch im Serum nachgewiesen, das größtenteils aus Aminosäuren (18) und Purinen (5) besteht. Die Details für jeden fäkalen Metaboliten sind in der Ergänzungstabelle S2 aufgeführt. In OPLS-DA wurden 22,3 % der Variation in den Daten durch die orthogonale Komponente erklärt (Abb. 3a). Sechzig interessierende Metaboliten wurden unter Verwendung der Schwellenwerte p(corr)[1] < − 0,2 oder > 0,2 oder VIP-Werte > 1,0 ausgewählt und das Modell wurde nur unter Verwendung dieser Metaboliten neu bewertet. Die Kreuzvalidierung für das reduzierte Modell ergab Werte von R2 = 0,918 und Q2 = 0,497, und die Robustheit dieses Modells wurde durch 100 Permutationstests mit p < 0,01 gemessen. Die am stärksten angereicherten Stoffwechselwege in den Stuhlmetabolomen waren Glycerophospholipid-, Etherlipid- und Taurin-Stoffwechselwege (Abb. 3b). Nach der Korrektur mehrerer Tests blieben keine Pfade signifikant. Bei den Krankheitssignaturen wurden keine signifikanten Anreicherungen gefunden (Ergänzende Abbildung S4).

Multivariate Metabolomanalyse der Stuhlproben. (a) Orthogonale partielle Diskriminanzanalyse der kleinsten Quadrate (OPLS-DA) der Stuhlproben (n = 14) mit den Änderungen während des Kontrollzeitraums (0) und des Trainingszeitraums (1). Das Modell wurde mit Permutationstests (einhundert Permutationen p < 0,01) und Kreuzvalidierung (R2Y = 0,918 und Q2 = 0,497) validiert. (b) KEGG-Stoffwechselwege bei der Anreicherungsanalyse von Stuhlproben in MetaboAnalyst. Nach der Korrektur mehrerer Tests erreichten keine Stoffwechselwege eine Signifikanz.

In der univariaten Analyse stellten wir fest, dass sich während der Studie elf Stuhlmetaboliten veränderten (Tabelle 2). Die p-Werte für Stuhlproben wurden jedoch nicht für mehrere Tests korrigiert. Glycerophosphocholin, Prolinbetain, Histidinylprolin und Inosin stiegen während der Trainingsperiode an. Gamma-Glutamyltyrosin, Gamma-Glutamylleucin und Alpha-Linolensäure stiegen an, während Methylxanthin und Prolinbetain im Kontrollzeitraum abnahmen. Darüber hinaus stiegen TML, 4-Hydroxycyclohexylcarbonsäure und 3-Phenylmilchsäure zur mittleren Zeit an und nahmen anschließend ab, ohne dass während des Kontrollzeitraums Veränderungen zu beobachten waren.

Wir haben die Proben aus den Zeitpunkten nach 1 und 2 zusammengefasst, die Spearman-Korrelationen zwischen den signifikant veränderten Metaboliten und anderen Variablen gemessen und ein Netzwerk der signifikanten Assoziationen erstellt. Anschließend haben wir das Netzwerk mithilfe des Girvan-Newman-Algorithmus reduziert, einer hierarchischen Methode zur Community-Erkennung in komplexen Systemen. Verbindungen mit ähnlichem Ursprung und verwandten Funktionsvariablen neigten dazu, sich zusammenzuballen, was die Gültigkeit der in diesem Zusammenhang verwendeten Analyse stützt. Serum-Lysophospholipide waren zusammen mit Taurin deutlich kreuzkorreliert und positiv mit dem Stamm Verrucomicrobiota (der die Gattung Akkermansia repräsentiert) assoziiert. Sie korrelierten umgekehrt mit mikrobiellen Funktionen, die den Nährstoff- und Coenzymstoffwechsel betreffen (Abb. 4). Serum-PC(18:0_20:4) war umgekehrt mit denselben Signalwegen und der gleichen entzündlichen VAP-1-Aktivität (Semicarbazid-sensitive Aminoxidase, SSAO) verbunden. Serumkoffein steht in positivem Zusammenhang mit dem BMI und umgekehrt mit der Bruttoeffizienz und der maximalen Sauerstoffaufnahme. Fäkales Prolin-Betain war positiv mit Serum-Taurin und umgekehrt mit mehreren mikrobiellen Funktionen und fäkalen Gamma-Glutamyl-Aminosäuren assoziiert. Fäkales Methylxanthin, ein Demethylierungsprodukt von aus Kaffee gewonnenen Dimethylxanthinen, korrelierte positiv mit Histidinylprolin und dem Stamm Pseudomonadota und umgekehrt mit Serum-LysoPC (16:0). Lipide in großen VLDLs assoziierten positiv mit dem Stamm Pseudomonadota und mikrobiellen Stoffwechselwegen im Metagenom, an denen Kohlenhydrate und Lipide beteiligt waren, was auf einen Zusammenhang zwischen dem Darmmikrobiom und dem Lipidstoffwechsel hindeutet. Eine Biclustering-Analyse21 der Assoziationen bestätigte die Zusammenhänge zwischen Phospholipiden und dem mikrobiellen Stoffwechsel (ergänzende Abbildung S1).

Korrelationsnetzwerk zwischen Serummetaboliten (rotes Oval [S]), Stuhlmetaboliten (beiges Oval [F]), mikrobiellen Taxa im Darm (grüne Raute), mikrobiellen Funktionen im Darm (weißes Rechteck), biochemischen Markern (grünes Rechteck) und funktionellen Variablen (grau). Rechteck). Der rote Umriss des Knotens weist auf einen deutlichen Anstieg hin, der blaue Umriss auf einen deutlichen Rückgang und der violette Umriss auf eine Schwankung während des Übungszeitraums. Die durchgezogene Linie zeigt eine signifikante (Spearman p < 0,1 nach FDR-Korrektur) positive Korrelation an, die gestrichelte Linie zeigt eine signifikante negative Korrelation an. Je dunkler die Kanten, desto kleiner sind die p-Werte. Figur erstellt mit Cytoscape 3.

Wir haben dieselbe Iteration des Netzwerkalgorithmus verwendet, um nach Gemeinschaften innerhalb aller interessierenden Metaboliten, Darmmikrobentaxa und Stoffwechselfunktionen zu suchen (ergänzende Abbildung S2). Serumglycerophosphocholin und PCs bildeten eine Gemeinschaft und waren umgekehrt mit fäkalem Methylxanthin, der Gattung Parabacteroides und der Familie Porphyromonadaceae assoziiert. Sie assoziierten positiv mit der Gattung Akkermansia, der Familie Ruminococcaceae und der Familie Christensenellaceae. Fäkales Leucin, Phenylalanin, Lysin und Histidinylprolin geclustert mit mehreren anderen Dipeptiden und Aminosäurederivaten und korrelierten umgekehrt mit Methanobrevibacter. Metaboliten mit ähnlichem Ursprung neigten dazu, Cluster zu bilden: Fäkale PCs bildeten eine Gemeinschaft mit Cholin-Kation und Glycerophosphocholin, Serum-Koffein-Metaboliten und aus Kaffee gewonnene Verbindungen bildeten eine Gemeinschaft und Serum-Adenosin war umgekehrt mit der Purinbase Xanthin assoziiert.

Wir beobachteten bei gesunden Frauen mit Übergewicht während eines Ausdauertrainingsprogramms Veränderungen in mehreren Stoffwechselwegen und Serummetaboliten. Mehrere Serum-Phospholipide, hauptsächlich LysoPCs, stiegen während der Trainingsperiode an und variierten mit mehreren Stoffwechselwegen im Darmmetagenom. Dies ging einher mit einer Zunahme der Bakteriengattung Akkermansia. Analysen des fäkalen Metaboloms deuteten auf Veränderungen im Glycerophospholipid-Stoffwechsel während der Trainingsperiode und auf Veränderungen im Aminosäurestoffwechsel während der gesamten Studie hin.

Lysophospholipide können aus intakten Glycerophospholipiden durch Phospholipase A1 und A2 und reaktive Sauerstoffspezies erzeugt werden, die beide Marker für einen erhöhten Entzündungsstatus sind22. Plasma-LysoPC wird zusätzlich durch Lecithin-Cholesterin-Acyltransferase erzeugt, die die Transacylierung von Fettsäure aus Membran-PC zu freiem Cholesterin in Lipoproteinpartikeln katalysiert23. LysoPC wird hauptsächlich von der Leber abgesondert und ist das am häufigsten vorkommende Lysophospholipid im Körper. Aufgrund seiner entzündlichen Wirkung und seines Beitrags zur Beeinträchtigung der Insulinsignalisierung ist es im Lipidom von besonderem Interesse22, 24. Entzündungsfördernde Wirkungen wie die Expression von Adhäsionsmolekülen, Die Freisetzung chemotaktischer Faktoren und die Steigerung der Produktion reaktiver Sauerstoffspezies wurden gesättigten und einfach ungesättigten LysoPCs wie lysoPC16:0 und lysoPC18:123 zugeschrieben. Umgekehrt besitzen die mehrfach ungesättigten LysoPC-Spezies wie LysoPC(22:6) entzündungshemmende Eigenschaften und neutralisieren die durch gesättigtes LysoPC hervorgerufene Entzündungswirkung23, 25. Die PC-Einheiten enthalten ungeradzahlige Acylketten C15 und C17, die beim Menschen weniger häufig vorkommen Gewebe26 könnten entweder auf einen mikrobiellen Ursprung der Fettsäuren oder auf eine veränderte Propionyl-CoA-Verfügbarkeit hinweisen27.

In unserer Studie nahm die Enzymaktivität des Mitglieds der SSAO-Familie VAP-1 ab, während gleichzeitig die LysoPC-Spezies zunahmen. Die Aktivität korrelierte auch umgekehrt mit dem intakten Serum-Phospholipid PC(18:0_20:4), einer Quelle für Stearyl- und Eicosatetranoyl-Einheiten. LysoPC wurde als Aktivator des menschlichen Lungen-SSAO28 identifiziert, einem etwas anderen Mitglied der Proteinfamilie. PCs wurden jedoch zumindest bisher nicht mit der Homöostase der Aminoxidase vom VAP-1-Typ in Verbindung gebracht29. Sowohl Eicosanoide als auch VAP-1 sind an entzündlichen und kardiovaskulären Prozessen beteiligt29,30,31 daher ist eine Wechselwirkung möglich. Angesichts der gleichzeitigen Abnahme der Phospholipide in VLDL18 ist es möglich, dass erhöhte körperliche Aktivität die Lipidoxidation und den Abbau von Phospholipiden in Lipoproteinen fördert, was Auswirkungen auf die kardiovaskuläre Gesundheit hat.

Es wurde festgestellt, dass die Darmmikrobengattung Akkermansia während des Eingriffs zunahm18 und in dieser Studie berichten wir, dass sie mit Serum-PCs kovariiert (Abb. 4). Die Art A. muciniphila ist der am besten charakterisierte Vertreter des Stammes Verrucomicrobiota im menschlichen Darm und hat wegen seiner potenziellen gesundheitlichen Vorteile Interesse geweckt, einschließlich, aber nicht beschränkt auf, verbesserte Lipidoxidation und adaptive Immunantworten im Darm32, 33. Dies Diese Gattung ist ein bedeutender Abbauer der Darmschleimschicht und kann, obwohl sie für die Darmfunktion wichtig ist, bei bestimmten Erkrankungen auch pathologische Veränderungen begünstigen34. Obwohl PCs als Substrat für mehrere Darmmikroben dienen, wurde ihr Abbau oder ihre Produktion in keiner früheren Veröffentlichung mit Akkermansia per se in Verbindung gebracht. Gao et al. beobachteten, dass eine Ergänzung mit mehrfach ungesättigtem Glycerophosphatidylcholin die Akkermansia-Population während einer durch fettreiche Ernährung verursachten Dysbiose unterstützen könnte35. Tian et al. beobachteten, dass Akkermansia mit kurzkettigen Fettsäuren im Stuhl und mehreren Serum-PCs korreliert36. Darüber hinaus scheint Akkermansia zumindest in adipösen Tiermodellen eine regulatorische Rolle im Lipidstoffwechsel zu spielen. Es wurde zuvor gezeigt, dass die Gattung die Clearance triglyceridreicher Chylomikronen erhöht37, was teilweise den beobachteten Rückgang der VLDL-haltigen Lipide erklären könnte. Ein Anstieg der Serum-PCs könnte Substrate für die Darmmikrobiota liefern. Um diese Annahme zu untermauern, stellten wir fest, dass sich die Stoffwechselwege von Glycerophospholipid und Etherlipid in Stuhlproben veränderten und die Menge an Glycerophosphocholin im Stuhl während des Programms zunahm. Die LysoPCs, die sich während des Eingriffs am stärksten veränderten, standen in umgekehrtem Zusammenhang mit Coenzym-, Kohlenhydrat- und Lipidstoffwechselwegen im Darmmetagenom. Große VLDLs sind wahrscheinlich auf körperliche Betätigung reagierende Lipoproteine38,39,40,41, aber ob das Darmmikrobiom bei den Reaktionen eine Rolle spielt, muss noch geklärt werden.

Im Zusammenhang mit dem Lipidstoffwechsel stellten wir auch fest, dass der Taurinspiegel im Serum während des Trainingsprogramms korrelativ mit den Serum-PCs anstieg. Taurin ist mit mikrobiellen Lipid-, Kohlenhydrat- und Coenzym-Stoffwechselwegen verbunden. Wir fanden auch, dass die Taurin- und Hypotaurin-Stoffwechselwege in den Stuhlproben angereichert waren. Taurin ist eine nicht-proteinogene Aminosulfonsäure, die hauptsächlich aus der Nahrung gewonnen wird, in geringen Mengen aber auch aus Methionin und Cystein synthetisiert wird42. Taurin hat mehrere Funktionen im Körper: Es wirkt als Antioxidans und reguliert den Energiestoffwechsel im Skelettmuskel, indem es die Glykolyse hemmt und die Fettsäureaufnahme für die Beta-Oxidation in den Mitochondrien fördert42. Bei der Gallensäurebiosynthese wird Taurin von Leberzellen mit den primären Gallensäuren konjugiert und in den Dünndarm ausgeschieden. Die resultierenden Gallensalze können vom Mikrobiom im Dickdarm in unkonjugierte primäre und sekundäre Gallensäuren metabolisiert werden43, 44. Da während unserer Studie keine signifikanten Ernährungsumstellungen vorgenommen wurden18, könnte der Anstieg des Taurinspiegels im Serum auf eine verbesserte Absorption aufgrund der Wirkung zurückzuführen sein der Darmmikrobiota. Angesichts der vielen positiven Auswirkungen der Aufrechterhaltung des Taurinspiegels42, 45 ist es von Interesse, ob körperliche Betätigung solche Veränderungen hervorrufen kann.

Adenosin und Inosin sind Zwischenprodukte beim Abbau von Purinen und Purinnukleosiden zu Harnsäure. Unter Bedingungen, bei denen die ATP-Hydrolyse die Geschwindigkeit der ADP-Rephosphorylierung übersteigt, wie beispielsweise bei intensiver körperlicher Betätigung oder Hypoxie, wird dieser Abbau hochreguliert46. Abbauprodukte wie Purinnukleoside und -basen können durch Transport und/oder Diffusion durch Zellmembranen aus dem Muskel verloren gehen. Die Purinbasen Hypoxanthin und Xanthin werden weiter zu Harnsäure, dem Endprodukt des Purinstoffwechsels, oxidiert oder durch die Wirkung der Hypoxanthin-Phosphoribyltransferase verwertet47. Wir stellten fest, dass die Konzentrationen von fäkalem Inosin während der Trainingsperiode anstiegen und Serum-Adenosin abfielen, zusammen mit einer kovariierenden, nicht signifikanten Abnahme des Serum-Xanthins. Dies könnte auf eine Verschiebung hin zum Adenosinnukleotidabbau statt zur Rettung hindeuten, die durch erhöhte körperliche Aktivität ausgelöst wird.

Schließlich stieg der Serumkoffeinspiegel während der Kontrolle an und sank anschließend während der Trainingsperiode. Wir beobachteten auch umgekehrte Veränderungen im fäkalen Methylxanthin und eine damit verbundene Anreicherung des Koffeinstoffwechselwegs ohne Veränderungen in der Koffeinaufnahme der Teilnehmer während der Studie. Aus Kaffee gewonnene Metaboliten wie Koffein und Xanthine sind in der finnischen Bevölkerung, die den größten Kaffeekonsum pro Kopf ausmacht, wahrscheinlich allgegenwärtig48 und könnten daher empfindliche Marker für Veränderungen im Gesundheitsverhalten sein. Um dies zu untermauern, haben wir kürzlich mithilfe derselben Metabolomik-Methode Serumkoffein und seinen Hauptmetaboliten Paraxanthin als potenzielle Marker für den Fettgehalt in der Leber identifiziert20. Bemerkenswerterweise wurde auch Prolinbetain, das unserer Meinung nach im Stuhl variiert, als Marker für Kaffee identifiziert49. Da der Koffeinabbau von der Aktivität von Leberenzymen abhängt, insbesondere von der Cytochrom-P40-Familie50, ist es möglich, dass eine verbesserte Leberfunktion als Reaktion auf körperliche Betätigung51 den Veränderungen zugrunde liegt. Da Koffein außerdem ein Hauptantagonist von Adenosinrezeptoren ist und mit Adenosin um die Rezeptorbindung konkurrieren könnte52, ist es von Interesse, ob der Koffeinspiegel im Serum den Fluss von Purinen in den Kreislauf beeinflusst.

Diese Studie ist nicht ohne Einschränkungen. Bei Omics-Analysen ist die Stichprobengröße recht begrenzt, was die Anwendbarkeit der Ergebnisse einschränken kann. Insbesondere für die fäkale Metabolomik reichte unsere Stichprobengröße nicht aus, um kleine bis mittlere Auswirkungen zu bestätigen, da die Konzentrationen der Verbindungen im Stuhl stark schwanken und von mehreren unkontrollierbaren Faktoren wie dem Wassergehalt und der Lagerung der Probe abhängen. Dies veranlasste uns, uns hauptsächlich auf die Prävalenz und Assoziationen mit anderen Variablen zu konzentrieren. Eine Stärke besteht darin, dass wir die Nahrungsbestandteile umfassend analysiert haben und keine Veränderungen bei den Nahrungsmakronährstoffen festgestellt haben, wie in der vorherigen Veröffentlichung dargelegt18. Die Population dieser Studie beschränkte sich auf erwachsene nordeuropäische Frauen mit Übergewicht. Diese Homogenität ist für Studien zum Mikrobiom und Stuhlmetabolom von Vorteil, die stark von der geografischen Lage und den Ernährungsgewohnheiten abhängen, obwohl jede Anwendung der Ergebnisse auf vielfältigere Populationen sorgfältig erfolgen sollte. Das Studiendesign entsprach nicht einem typischen kontrollierten Versuch, bei dem eine Kontrollgruppe aus einzelnen Personen besteht. Stattdessen haben wir ein quasi-experimentelles Design implementiert, bei dem zwei Zeitpunkte vor der Intervention erfasst wurden. Dieses Design ist in mikrobiellen Zeitreihenstudien aufgrund der sehr individuellen Natur des Darmmikrobioms oft vorzuziehen53. Bei der Metabolomik wird zwar häufig ein randomisiertes, kontrolliertes Design bevorzugt, dieses quasi-experimentelle Design ermöglicht es uns jedoch, den Effekt der Regression in Richtung des Mittelwerts besser zu beobachten54. Tatsächlich haben wir in einer univariaten Analyse herausgefunden, dass einige der Metaboliten, insbesondere koffeinbezogene Metaboliten, Fettsäuren, TML und fäkale Gamma-Aminosäuren, im Laufe der Zeit schwanken, unabhängig davon, ob ein programmiertes Training durchgeführt wurde.

Zuvor bewegungsarme Frauen mit Übergewicht, die sechs Wochen Ausdauertraining absolvierten, verbesserten ihre kardiorespiratorische Fitness und zeigten Verschiebungen in ihrem Serummetabolom, die in einer vorangegangenen Kontrollperiode nicht auftraten. Als Reaktion auf körperliche Betätigung verringerten sich Adenosin und Koffein im Serum, was auf einen Anstieg des Purinnukleotidabbaus im Skelettmuskel und des Koffeinstoffwechsels in der Leber schließen lässt. Vor allem Serumtaurin und PCs, insbesondere die Lyso-Einheiten (Tabelle 1), und fäkales Glycerophosphocholin (Tabelle 2) zeigten eine erhöhte Reaktion auf Aerobic-Übungen. Dies ging einher mit einem Anstieg von Akkermansia, einer Bakteriengattung, die für die Darmfunktion essentiell ist34, und einem Rückgang der Phospholipide und des Cholesterins in L-VLDL-Partikeln. Ohne Veränderungen bei den Makronährstoffen in der Nahrung oder größeren Veränderungen im systemischen Stoffwechsel vermuten wir einen belastungsbedingten Anstieg des Abbaus von PCs in Lipoproteinen und einer an diesem Prozess beteiligten mikrobiellen Komponente im Darm. Dies liefert mögliche neue Erkenntnisse darüber, wie sich vorteilhafte Veränderungen in der Darmmikrobiota herbeiführen lassen, und rechtfertigt weitere mechanistische Untersuchungen des Phospholipidstoffwechsels und auf körperliche Betätigung reagierender Darmmikroben wie A. muciniphila.

Die Auswahl der Teilnehmer wurde bereits ausführlich beschrieben18. Die Teilnehmer wurden über Anzeigen in sozialen Medien und einer Lokalzeitung mit einer Auflage von etwa 70.000 Exemplaren rekrutiert. Einschlusskriterien waren eine sitzende Lebensweise und ein Body-Mass-Index (BMI) > 27,5 kg/m2. Ausschlusskriterien waren eine Antibiotikabehandlung innerhalb von 2 Monaten, schwere entzündliche Magen-Darm-Erkrankungen, schwere Essstörungen, diagnostizierter Diabetes mellitus Typ 1 oder 2, andere Herz-Kreislauf-Erkrankungen als Bluthochdruck, Hypothyreose oder andere endokrine Erkrankungen, die das Training oder die Studienergebnisse beeinträchtigen können, sowie Erkrankungen des Bewegungsapparates könnte die Fähigkeit zur Durchführung von Schulungen und Tests beeinträchtigen. Zunächst wurden 20 weibliche Teilnehmer in die Studie aufgenommen, von denen 17 das Trainingsprogramm und die Probenahme absolvierten (Tabelle 3). Die Studie wurde in Übereinstimmung mit der Helsinki-Erklärung durchgeführt und von der Ethikkommission des Zentralfinnischen Gesundheitsbezirks (KSSHP) genehmigt (KSSHP-Dokumentnummer 2U/2015). Vor der Studie wurde von allen Studienteilnehmern eine schriftliche Einverständniserklärung eingeholt.

Das Studiendesign, die Probenentnahme und die Messung funktioneller Variablen wurden bereits ausführlich beschrieben18. Die Studie bestand aus einer sechswöchigen Kontrollphase und einer anschließenden sechswöchigen Trainingsphase (Abb. 1). Die Teilnehmer wurden gebeten, während der gesamten Studie ihre individuellen körperlichen Aktivitäts- und Essgewohnheiten beizubehalten. Wöchentlich wurden drei Trainingseinheiten durchgeführt. In den Wochen 1–2 wurden 40-minütige Steady-State-Zyklen mit geringer Intensität durchgeführt. In den Wochen 3–4 betrug die Dauer der Trainingseinheit 50 Minuten. Jede zweite Trainingseinheit bestand aus drei 10-minütigen Intervallen mit Radfahren mittlerer Intensität, während der Rest der Trainingseinheit bei niedriger Intensität durchgeführt wurde. Jede zweite Trainingseinheit beinhaltete nur Radfahren mit geringer Intensität. In den Wochen 5–6 betrug die Dauer der Trainingseinheiten 60 Minuten und bestand aus vier 10-Minuten-Intervallen mit Radfahren mittlerer Intensität, während der Rest der Trainingseinheit bei niedriger Intensität durchgeführt wurde. Die Trainingsintensität wurde zu Beginn der Trainingsperiode anhand der Herzfrequenz, der wahrgenommenen Anstrengung und Blutlaktatmessungen überprüft.

Zu Beginn (vor), in der Mitte (nach 1) und am Ende (nach 2) der Studie wurden den Teilnehmern Stuhl- und Serumproben entnommen und die Ernährung anhand eines Fragebogens beurteilt. Den Teilnehmern wurde empfohlen, ihre gewohnte Ad-libitum-Diät beizubehalten. Die Aufnahme von Gesamtenergie und energieliefernden Nährstoffen wurde mithilfe der Micro-Nutrica-Software aus selbst gemeldeten 3-Tage-Nahrungsaufzeichnungen (2 Wochentage und 1 Wochenendtag) analysiert. Die Lebensmittelaufzeichnungen enthielten den Zeitpunkt des Essens sowie die Art und Menge der Lebensmittel und Getränke. Aus den drei Tagen wurden die durchschnittlichen täglichen Aufnahmemengen berechnet und in den Analysen verwendet. Zu diesen Zeitpunkten wurden die kardiorespiratorische Fitness, die Körperzusammensetzung, die maximale isometrische Kraft und die Muskeldicke des Vastus lateralis gemessen. Für die ungezielte Metabolomics-Analyse wurde in der Mitte der Trainingsperiode eine zusätzliche Stuhlprobe entnommen (siehe unten).

Die Entnahme und Handhabung von Serum- und Stuhlproben erfolgte wie zuvor beschrieben18. Kurz gesagt, Blutproben wurden nach einem Fasten über Nacht, mindestens 72 Stunden nach der letzten Trainingseinheit, entnommen. Das Serum wurde durch 10-minütiges Zentrifugieren bei 3000 × g abgetrennt und bis zur Analyse bei –80 °C gelagert. Die Teilnehmer sammelten die Stuhlproben zu Hause, mindestens 72 Stunden nach der letzten Trainingseinheit. Die Proben wurden sofort nach der Entnahme in heimischen Gefrierschränken eingefroren, gefroren ins Labor gebracht und bis zur Verarbeitung bei –80 °C gelagert.

Zur Extraktion von Serummetaboliten wurden die Proben auf Eis aufgetaut und ein 100 μl-Aliquot Plasma in eine 96-Well-Filterplatte (Captiva ND, 0,2 μm PP, Agilent Technologies) mit 400 μl eiskaltem Acetonitril verteilt. Die Proben wurden gemischt, um Plasmaproteine ​​gründlich auszufällen, und dann 5 Minuten lang bei 4 °C mit 700 × g zentrifugiert. Die Überstände wurden auf einer Aufbewahrungsplatte mit 96 Vertiefungen gesammelt und gekühlt gelagert. Zur Extraktion fäkaler Metaboliten wurden aufgetaute Proben in phosphatgepufferter Kochsalzlösung im Verhältnis 1:5 (Gew.:Vol.) suspendiert und 10 Minuten lang gevortext. Ein Aliquot von 100 μl der Fäkalienaufschlämmung wurde mit 500 μl eiskaltem Methanol auf einer 96-Well-Filterplatte (Captiva ND, 0,2 μm PP, Agilent Technologies) gemischt. Die Platte wurde 5 Minuten lang bei 4 °C und 700 × g zentrifugiert und die Überstände wurden auf einer 96-Well-Lagerplatte gesammelt und gekühlt gelagert.

Das nicht zielgerichtete Stoffwechselprofil wurde wie zuvor am LC-MS-Metabolomics-Zentrum (Biocenter Kuopio, Universität Ostfinnland, Finnland) durchgeführt55. Die Analyse wurde mithilfe einer Ultrahochleistungsflüssigkeitschromatographie (Vanquish Flex UHPLC-System, Thermo Scientific, Bremen, Deutschland) durchgeführt, die online mit einer hochauflösenden Massenspektrometrie (Q Exactive Focus, Thermo Scientific) gekoppelt war. Alle Proben wurden mithilfe von Reversed-Phase- (RP) und hydrophiler Interaktionschromatographie-Techniken (HILIC) analysiert. Die Daten wurden sowohl in positiver als auch in negativer Elektrospray-Ionisationspolarität (ESI) erfasst. Datenabhängige Produktionenspektren (MS2-Daten) wurden zu Beginn und am Ende der Analyse für jeden Modus aus gepoolten Qualitätskontrollproben (QC) erfasst. Zu Beginn der Analyse und nach jeweils 12 Proben wurden QC-Proben injiziert. Die Peakerkennung und -ausrichtung wurde in MS-DIAL55 (Version 4.9)56 durchgeführt. Die Driftkorrektur, die Normalisierung auf Qualitätskontrollproben und die Clusterung molekularer Merkmale wurden mit dem Paket Notame56 (Version 0.0.10) in R (Version 4.1)57 durchgeführt. Merkmale wurden für eine geringe Erkennung (< 80 % Prävalenz in QC-Proben) und anschließend für eine niedrige Qualität gekennzeichnet, wobei die Standardgrenzwerte für den Variationskoeffizienten innerhalb der QC-Proben und das D-Verhältnis58 zwischen QC- und biologischen Proben verwendet wurden. Gekennzeichnete Features wurden vor dem Clustering entfernt. Der euklidische Abstand zwischen QC-Proben wurde zur Bestätigung der Laufqualität verwendet, und die Hauptkomponentenanalyse (PCA) wurde zur Überprüfung auf Ausreißer und Cluster verwendet (ergänzende Abbildung S3). Die Verbindungen wurden durch Vergleich der Massenspektren und Retentionszeiten mit einer hauseigenen Massenspektrenbibliothek59 identifiziert. Anschließend wurden die Spektren mit öffentlich zugänglichen Referenzen verglichen und mit MS-FINDER (Version 3.5) in silico generierte Spektren erstellt. Die Details zu den identifizierten Metaboliten sind in den Ergänzungen aufgeführt (Ergänzungstabellen S1 und S2).

Die Methoden zur Analyse von Serumlipid-Unterklassen und der VAP-1-Aktivität (bewertet anhand der SSAO-Aktivität) wurden bereits ausführlich beschrieben18. Für das Darmmikrobiom wurde die gesamte bakterielle DNA mit dem GXT-Stuhl-Kit und der halbautomatischen GenoXtract-Maschine (Hain Lifescience, Nehren, Deutschland) zusammen mit dem Perlenschlagen extrahiert. Bei der Amplikonsequenzierung des 16S-rRNA-Gens wurde die V4-Region des bakteriellen 16S-rRNA-Gens amplifiziert. Anschließend wurden die 16S-rRNA-Genbibliotheken mit 2 × 250 bp Paired-End-Reads auf dem Illumina MiSeq-System (Illumina, Inc. San Diego, Kalifornien, USA) unter Verwendung des MiSeq v3-Reagenzienkits (Illumina, Inc.) sequenziert. Bezüglich der taxonomischen Daten wurden alle Analysen mit QIIME160 (Version 1.9) aus der zufällig unterabgetasteten OTU-Tabelle durchgeführt, wobei der Verdünnungsgrad mit der Probe mit der niedrigsten Gesamt-OTU-Anzahl übereinstimmte.

Für die Metagenome wurden die DNA-Bibliotheken gemäß dem Nextera XT Illumina-Protokoll (#FC-131-1024, Illumina, San Diego, CA, USA) und 0,2 ng/μl gereinigter gDNA erstellt. Der Multiplexing-Schritt wurde mit dem Nextera XT Index Kit (#FC-131-1096) durchgeführt. Die Bibliotheken wurden unter Verwendung eines 2 × 300 pb Paired-End-Laufs (#MiSeq Reagent Kit v3 #MS-102-3001) sequenziert. Lesevorgänge, die ribosomale Genfragmente enthielten, wurden an die taxonomische Analyse weitergeleitet und die taxonomische Annotation wurde mit SILVA Incremental Aligner (SINA) v1.2.10 unter Verwendung von SILVA Release 123.1 durchgeführt. Der Rest der Lesevorgänge wurde für offene Leserahmen (ORFs) verwendet. Die Datenbank der Cluster orthologer Gruppen (COGs) wurde verwendet, um die vorhergesagten Gene und ihre relative Häufigkeit zu identifizieren. Die COGs-Datenbank enthielt 4631 orthologe Proteine, basierend auf der Annotation von 711 mikrobiellen Genomen, die die Vielfalt von Bakterien und Archaeen repräsentieren. Alle vorhergesagten Proteine ​​aus den Stuhlproben wurden über BLASTP-Suchen unter Verwendung eines Grenzwerts von 10–10 und Auswahl des besten Explosionstreffers in der COGs-Datenbank abgebildet. Die funktionale Annotation aller ORFs wurde in zwei Schritten durchgeführt: (1) eine BLASTP-Suche mit einem E-Wert-Grenzwert von 10–10, um zufällige Übereinstimmungen herauszufiltern, und (2) Auswahl nur einer passenden Sequenz basierend auf dem besten Blast getroffen, um Querverweise zwischen Genen zu verhindern.

Wir führten eine multivariate Analyse der Metaboliten mit MetaboAnalyst (Version 5) durch. Kurz gesagt, wir haben die Faltungsänderungen für jeden Metaboliten während der Kontroll- oder Trainingsperiode berechnet und eine Protokolltransformation und automatische Skalierung auf die Faltungsänderungswerte angewendet. Wir haben OPLS-DA angewendet, um die Unterschiede zwischen den Kontroll- und Ausübungszeiträumen zu überprüfen. Wir haben das S-Plot und das VIP-Plot verwendet, um Metaboliten zu identifizieren, die den größten Beitrag zu den Unterschieden leisten. Nach einer visuellen Untersuchung des S-Diagramms und der zugehörigen VIP-Werte wählten wir anhand der p(corr)[1]- und VIP-Werte interessante Metaboliten aus. Wir haben die Robustheit und Qualität des Modells durch Permutationstests (100 Permutationen) und Kreuzvalidierung (R2Y und Q2) bewertet. Anschließend wurden die Faltungsänderungen einer Anreicherungsanalyse in MetaboAnalyst unterzogen, um Abweichungen in den Stoffwechselwegen oder Krankheitssignaturen der Kyoto Encyclopedia of Genes and Genomes (KEGG) zu ermitteln61.

Wir führten univariate und Assoziationsanalysen mit R (Version 4.1) durch. Eine logarithmische Transformation wurde angewendet und univariate Analysen der ausgewählten Metaboliten wurden verwendet, um auf signifikante Veränderungen zu testen. Für Serummetaboliten wurden zunächst die Datenverteilung und Homogenität mit dem Shapiro-Wilk-Test getestet. Abhängig von der Verteilung wurde entweder eine einfaktorielle ANOVA mit wiederholten Messungen oder der Friedman-Test verwendet, um auf signifikante Unterschiede zwischen den Zeitpunkten zu testen, und die p-Werte wurden für mehrere Tests unter Verwendung der Benjamini-Hochberg-False-Discovery-Rate korrigiert (q-Werte). (FDR). Post-hoc-Tests, entweder T-Test oder Wilcoxon, wurden an signifikanten Metaboliten (ANOVA/Friedman-q-Wert < 0,1) mit Korrekturen für Mehrfachvergleiche unter Verwendung der Holm-Methode durchgeführt. Für fäkale Metaboliten wurde anstelle der ANOVA ein lineares gemischtes Modell (Paket lme4, Version 1.1) verwendet, um fehlende Proben in den Zeitpunkten nach 1 und 2 zu verringern. Für jeden Metaboliten als abhängige Variable wurde das Modell mit dem Zeitpunkt als festem Effekt und dem Teilnehmer als zufälligem Effekt angepasst. Für jedes lineare Modell mit einem p-Wert < 0,1 wurde ein Post-hoc-Test der geschätzten Randmittelwerte für paarweise Vergleiche (Paket emmeans, Version 1.8) durchgeführt. Aufgrund der geringen Aussagekraft der Stuhldaten wurden keine Mehrfachtestkorrekturen durchgeführt.

Um Zusammenhänge mit den Metabolomen, dem Darmmikrobiom und den physiologischen Auswirkungen des Trainingsprogramms zu untersuchen, haben wir die Proben aus den Zeitpunkten Post1 und Post2 kombiniert und Spearman-Korrelationen zwischen den Metaboliten, signifikant veränderten mikrobiellen Taxa (Verrucomicrobiota und Pseudomonadota) und mikrobiellen Stoffwechselwegen durchgeführt und funktionale Variablen. Vor der Analyse wurden die Metabolitenhäufigkeiten logarithmisch transformiert. Die Bakteriensequenzzahlen wurden nach Taxa mit geringer Prävalenz (< 10 %) gefiltert und unter Verwendung des Center-Log-Verhältnisses transformiert. Alle p-Werte wurden mithilfe der Falscherkennungsrate angepasst und ein Netzwerkdiagramm erstellt, bei dem die Variablen als Knoten und die signifikanten Korrelationen (Spearman p fdr < 0,1a) als Kanten verwendet wurden. Anschließend haben wir mit Python 3 und dem Paket NetworkX (Version 2.6) den Girvan-Newman-Algorithmus auf dem Diagramm ausgeführt und dabei nur die Kanten mit der höchsten Betweenness-Zentralität beibehalten. Anschließend haben wir das Netzwerk mit Cytoscape 3 (Version 3.9) visualisiert. Darüber hinaus verwendeten wir Biclustering (Python 3, Paket Scikit Learn 1.1), wie bereits dokumentiert21, für die Spearman-Korrelationen zwischen Metaboliten und mikrobiellen Stoffwechselfunktionen, um nach biologisch relevanten Gruppen zu suchen.

Wir haben mit Metaboanalyst eine Post-hoc-Leistungsanalyse für multivariate Daten durchgeführt. Unter der Annahme einer Falscherkennungsrate (FDR) von 0,2 und einer mittleren Effektgröße, die aus allen nach der Filterung durch OPLS-DA zurückgehaltenen Metaboliten geschätzt wurde, schätzten wir die statistische Aussagekraft von mindestens 80 % bzw. 20 % für paarweise Vergleiche von Serum- bzw. Stuhlmetaboliten .

Der Zugriff auf die Daten ist aufgrund des Schutzes personenbezogener Daten (Datenschutz-Grundverordnung (DSGVO) 2016/679 und Richtlinie 95/46/EG) eingeschränkt. Die in der aktuellen Studie verwendeten Datensätze sind jedoch auf begründete Anfrage beim jeweiligen Autor erhältlich.

Reiner, M., Niermann, C., Jekauc, D. & Woll, A. Langfristige gesundheitliche Vorteile körperlicher Aktivität – Eine systematische Überprüfung von Längsschnittstudien. BMC Public Health 13, 1–9 (2013).

Artikel Google Scholar

Schroeder, EC, Franke, WD, Sharp, RL & Lee, DC Vergleichende Wirksamkeit von Aerobic-, Widerstands- und kombiniertem Training auf Risikofaktoren für Herz-Kreislauf-Erkrankungen: Eine randomisierte kontrollierte Studie. PLoS One 14, e0210292 (2019).

Hargreaves, M. & Spriet, LL Energiestoffwechsel der Skelettmuskulatur während des Trainings. Nat. Metab. 2, 817–828 (2020).

Artikel CAS PubMed Google Scholar

de Feo, P. et al. Stoffwechselreaktion auf körperliche Betätigung. J. Endocrinol. Investieren. 26, 851–854 (2003).

Artikel PubMed Google Scholar

Fiuza-Luces, C. et al. Vorteile von Bewegung bei Herz-Kreislauf-Erkrankungen: Über die Abschwächung traditioneller Risikofaktoren hinaus. Nat. Rev. Cardiol. 15, 731–743 (2018).

Artikel CAS PubMed Google Scholar

Karstoft, K. & Pedersen, BK Bewegung und Typ-2-Diabetes: Fokus auf Stoffwechsel und Entzündungen. Immunol. Zellbiol. 94, 146–150 (2016).

Artikel CAS PubMed Google Scholar

Clauss, M., Gérard, P., Mosca, A. & Leclerc, M. Zusammenspiel von Bewegung und Darmmikrobiom im Kontext der menschlichen Gesundheit und Leistung. Vorderseite. Nutr. 8, 305 (2021).

Artikel Google Scholar

Aya, V., Flórez, A., Perez, L. & Ramírez, JD Zusammenhang zwischen körperlicher Aktivität und Veränderungen in der Zusammensetzung der Darmmikrobiota: Eine systematische Übersicht. PLoS ONE 16, e0247039 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Campaniello, D. et al. Wie Ernährung und körperliche Aktivität die Darmmikrobiota beeinflussen: Beweise und Perspektiven. Nährstoffe 14, 2456 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Lensu, S. & Pekkala, S. Darmmikrobiota, mikrobielle Metaboliten und menschliche körperliche Leistungsfähigkeit. Metaboliten 11, 716 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Koh, A. & Bäckhed, F. Von der Assoziation zur Kausalität: Die Rolle der Darmmikrobiota und ihrer funktionellen Produkte auf den Stoffwechsel des Wirts. Mol. Zelle 78, 584–596 (2020).

Artikel CAS PubMed Google Scholar

Dohnalová, L. et al. Ein mikrobiomabhängiger Darm-Hirn-Signalweg reguliert die Motivation für körperliche Betätigung. Natur 612, 739–747 (2022).

Artikel PubMed ADS Google Scholar

Sakaguchi, CA, Nieman, DC, Signini, EF, Abreu, RM & Catai, AM Metabolomics-basierte Studien zur Bewertung belastungsbedingter Veränderungen des menschlichen Metaboloms: Eine systematische Übersicht. Metaboliten 9, 164 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Fiehn, O. Metabolomics – die Verbindung zwischen Genotypen und Phänotypen. Pflanzenmol. Biol. 48, 155–171 (2002).

Artikel CAS PubMed Google Scholar

Kelly, RS, Kelly, MP & Kelly, P. Metabolomik, körperliche Aktivität, Bewegung und Gesundheit: Eine Überprüfung der aktuellen Erkenntnisse. Biochim. Biophys. Acta (BBA) Mol. Basisdis. 1866, 165936 (2020).

Schranner, D., Kastenmüller, G., Schönfelder, M., Römisch-Margl, W. & Wackerhage, H. Veränderungen der Metabolitenkonzentration beim Menschen nach einer Trainingseinheit: Eine systematische Überprüfung von Studien zur Trainingsmetabolomik. Sportmed. Geöffnet 6, 1–17 (2020).

Artikel Google Scholar

Zierer, J. et al. Das fäkale Metabolom als funktionelle Anzeige des Darmmikrobioms. Nat. Genet. 50, 790–795 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Munukka, E. et al. Sechswöchiges Ausdauertraining verändert das Darmmetagenom, das sich nicht im systemischen Stoffwechsel übergewichtiger Frauen widerspiegelt. Vorderseite. Mikrobiol. 9, 2323 (2018).

Artikel PubMed PubMed Central Google Scholar

Cani, PD & de Vos, WM Nützliche Mikroben der nächsten Generation: Der Fall von Akkermansia muciniphila. Vorderseite. Mikrobiol. 8, 1765 (2017).

Artikel PubMed PubMed Central Google Scholar

Driuchina, A. et al. Identifizierung des mikrobiellen Lysin- und Histidinabbaus im Darm und CYP-abhängiger Metaboliten als Biomarker einer Fettlebererkrankung. mBio 14, e02663–22 (2023).

Hintikka, J. et al. Xylo-Oligosaccharide zur Vorbeugung von Lebersteatose und Entzündungen des Fettgewebes: Assoziation taxonomischer und metabolomischer Muster in fäkalen Mikrobiomen mit Biclustering. Int. J. Umgebung. Res. Öffentliche Gesundheit 18, 4049 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Mastrangelo, A. et al. Die Insulinresistenz bei adipösen Kindern vor der Pubertät korreliert mit geschlechtsabhängigen, früh einsetzenden Stoffwechselveränderungen. Int. J. Obes. 40, 1494–1502 (2016).

Artikel CAS Google Scholar

Tan, ST, Ramesh, T., Toh, XR & Nguyen, LN Neue Rollen von Lysophospholipiden für Gesundheit und Krankheit. Prog. Lipidres. 80, 101068 (2020).

Artikel CAS PubMed Google Scholar

Han, MS et al. Lysophosphatidylcholin als Effektor der durch Fettsäure induzierten Insulinresistenz. J. Lipid Res. 52, 1234–1246 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Huang, LS, Hung, ND, Sok, DE & Kim, MR Lysophosphatidylcholin, das Docosahexaensäure an der sn-1-Position enthält, ist entzündungshemmend. Lipide 45, 225–236 (2010).

Artikel CAS PubMed Google Scholar

Jenkins, B., West, JA & Koulman, A. Ein Überblick über den Stoffwechsel ungeradkettiger Fettsäuren und die Rolle von Pentadecansäure (C15:0) und Heptadecansäure (C17:0) für Gesundheit und Krankheit. Molecules 20, 2425 (2015).

Artikel PubMed PubMed Central Google Scholar

Qin, N., Li, L., Wang, Z. & Shi, S. Mikrobielle Produktion ungeradkettiger Fettsäuren. Biotechnologie. Bioeng. 120, (2023).

Dalfó, E., Hernandez, M., Lizcano, JM, Tipton, KF & Unzeta, M. Aktivierung der semicarbazidempfindlichen Aminoxidase der menschlichen Lunge durch eine im menschlichen Plasma vorhandene Komponente mit niedrigem Molekulargewicht. Biochim. Biophys. Acta (BBA) Mol. Basis Dis. 1638, 278–286 (2003).

Salmi, M. & Jalkanen, S. Vaskuläres Adhäsionsprotein-1: Eine Zelloberflächen-Aminoxidase in Translation. Antioxid. Redox. Signal 30, 314–332 (2019).

Artikel CAS PubMed Google Scholar

Danielli, M., Thomas, RC, Quinn, LM & Tan, BK Vaskuläres Adhäsionsprotein-1 (VAP-1) bei vaskulären entzündlichen Erkrankungen. VASA 51, 341–350 (2022).

Artikel PubMed Google Scholar

Sonnweber, T., Pizzini, A., Nairz, M., Weiss, G. & Tancevski, I. Arachidonsäure-Metaboliten bei Herz-Kreislauf- und Stoffwechselerkrankungen. Int. J. Mol. Wissenschaft. 19, 3285 (2018).

Artikel PubMed PubMed Central Google Scholar

Everard, A. et al. Die Wechselwirkung zwischen Akkermansia muciniphila und Darmepithel kontrolliert ernährungsbedingte Fettleibigkeit. Proz. Natl. Acad. Wissenschaft. USA 110, 9066–9071 (2013).

Artikel CAS PubMed PubMed Central ADS Google Scholar

Bae, M. et al. Das Phospholipid von Akkermansia muciniphila induziert homöostatische Immunantworten. Natur 608, 168–173 (2022).

Artikel CAS PubMed PubMed Central ADS Google Scholar

Luo, Y. et al. Rationale Betrachtung von Akkermansia muciniphila im Hinblick auf die Darmgesundheit: Vorteile und Herausforderungen. NPJ Biofilms Microbiomes 8, 1–11 (2022).

Gao, X. et al. Wirkung verschiedener Phosphatidylcholine auf die durch eine fettreiche Ernährung induzierte Insulinresistenz bei Mäusen. Lebensmittelfunktion. 12, 1516–1528 (2021).

Artikel CAS PubMed Google Scholar

Tian, ​​T. et al. Multi-Omics-Daten zeigen die Störung des Glycerophospholipid-Stoffwechsels, die durch gestörte Darmmikrobiota bei depressiven Mäusen verursacht wird. J. Adv. Res. 39, 135–145 (2022).

Artikel CAS PubMed Google Scholar

Xu, Y. et al. Funktion von Akkermansia muciniphila bei Fettleibigkeit: Wechselwirkungen mit dem Fettstoffwechsel, der Immunantwort und dem Darmsystem. Vorderseite. Mikrobiol. 11, 219 (2020).

Artikel PubMed PubMed Central Google Scholar

Lehtovirta, M. et al. Zusammenhang zwischen körperlicher Aktivität und Stoffwechselprofil von der Jugend bis zum Erwachsenenalter. Scan. J. Med. Wissenschaft. Sport 00, 11 (2022).

Google Scholar

Kujala, UM et al. Langfristige körperliche Freizeitaktivität und Serummetabolom. Auflage 127, 340–348 (2013).

Artikel CAS PubMed Google Scholar

Bell, JA et al. Zusammenhänge zwischen gerätegemessener körperlicher Aktivität im Jugendalter und Stoffwechselmerkmalen: Prospektive Kohortenstudie. PLoS Med. 15, (2018).

Jones, PR et al. Zusammenhänge zwischen körperlicher Aktivität und sitzender Zeit mit Lipoprotein-Unterklassen bei norwegischen Schulkindern: Die Active Smarter Kids (ASK)-Studie. Atherosklerose 288, 186–193 (2019).

Artikel CAS PubMed Google Scholar

Seidel, U., Huebbe, P. & Rimbach, G. Taurin: Ein Regulator der zellulären Redoxhomöostase und der Skelettmuskelfunktion. Mol. Nutr. Lebensmittelres. 63, 1800569 (2019).

Artikel Google Scholar

Jia, W., Xie, G. & Jia, W. Übersprechen zwischen Gallensäure und Mikrobiota bei gastrointestinalen Entzündungen und Karzinogenese. Nat. Rev. Gastroenterol. Hepatol. 15, 111–128 (2017).

Artikel PubMed PubMed Central Google Scholar

Schoeler, M. & Caesar, R. Nahrungslipide, Darmmikrobiota und Lipidstoffwechsel. Rev. Endokr. Metab. Unordnung. 20, 461–472 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Staels, B. & Fonseca, VA Gallensäuren und Stoffwechselregulation: Mechanismen und klinische Reaktionen auf die Gallensäuresequestrierung. Diabetes Care 32, S237 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Miller, SG, Hafen, PS & Brault, JJ Erhöhter Adeninnukleotidabbau bei Skelettmuskelatrophie. Int. J. Mol. Wissenschaft. 21, 88 (2019).

Artikel PubMed PubMed Central Google Scholar

Mikami, T. & Kitagawa, J. Intensives Training induziert den Abbau der Adeninnukleotid- und Purinnukleotidsynthese über den De-novo-Weg in der Rattenleber. EUR. J. Appl. Physiol. 96, 543–550 (2006).

Artikel CAS PubMed Google Scholar

Usva, K., Sinkko, T., Silvenius, F., Riipi, I. & Heusala, H. Kohlenstoff- und Wasser-Fußabdruck des in Finnland konsumierten Kaffees – Ökobilanz. Int. J. Lebenszyklusbewertung. 25, 1976–1990 (2020).

Artikel CAS Google Scholar

Papandreou, C. et al. Plasmametaboliten im Zusammenhang mit Kaffeekonsum: Ein metabolomischer Ansatz im Rahmen der PREDIMED-Studie. Nährstoffe 11, 1032 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Hakooz, N. Koffein-Stoffwechselverhältnisse für die In-vivo-Bewertung der enzymatischen Aktivitäten von CYP1A2, N-Acetyltransferase 2, Xanthinoxidase und CYP2A6. Curr. Arzneimittel-Metabol. 10, 329–338 (2009).

Artikel CAS PubMed Google Scholar

Knudsen, JG, Bertholdt, L., Gudiksen, A., Gerbal-Chaloin, S. & Rasmussen, MK Skelettmuskel-Interleukin-6 reguliert die hepatische Cytochrom-P450-Expression: Auswirkungen einer 16-wöchigen fettreichen Ernährung und Bewegung. Toxicol. Wissenschaft. 162, 309–317 (2018).

Artikel CAS PubMed Google Scholar

Ribeiro, JA & Sebastio, AM Koffein und Adenosin. J. Alzheimer Dis. 20, S3–S15 (2010).

Artikel CAS Google Scholar

Qian, XB et al. Ein Leitfaden zur menschlichen Mikrobiomforschung: Studiendesign, Probensammlung und bioinformatische Analyse. Kinn. Med. J. (engl.) 133, 1844–1855 (2020).

Artikel PubMed Google Scholar

Barnett, AG, van der Pols, JC & Dobson, AJ Regression zum Mittelwert: Was es ist und wie man damit umgeht. Int. J. Epidemiol. 34, 215–220 (2005).

Artikel PubMed Google Scholar

Lapatto, HAK et al. Nicotinamid-Ribosid verbessert in einer Zwillingsstudie die mitochondriale Biogenese der Muskeln, die Differenzierung von Satellitenzellen und die Darmmikrobiota. Wissenschaft. Adv. 9, (2023).

Tsugawa, H. et al. MS-DIAL: Datenunabhängige MS/MS-Entfaltung für eine umfassende Metabolomanalyse. Nat. Methoden 12, 523–526 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Klåvus, A. et al. „Notame“: Workflow für nicht zielgerichtetes LC-MS-Stoffwechselprofil. Metaboliten 10, 135 (2020).

Artikel PubMed PubMed Central Google Scholar

Broadhurst, D. et al. Richtlinien und Überlegungen für die Verwendung von Systemeignungs- und Qualitätskontrollproben in Massenspektrometrietests, die in ungezielten klinischen Metabolomstudien eingesetzt werden. Metabolomics 14, 1–17 (2018).

Artikel CAS Google Scholar

Schymanski, EL et al. Identifizierung kleiner Moleküle mittels hochauflösender Massenspektrometrie: Vertrauen vermitteln. Umgebung. Wissenschaft. Technol. 48, 2097–2098 (2014).

Artikel CAS PubMed ADS Google Scholar

Caporaso, JG et al. QIIME ermöglicht die Analyse von Community-Sequenzierungsdaten mit hohem Durchsatz. Nat. Methoden 7, 335–336 (2010).

Kanehisa, M., Furumichi, M., Sato, Y., Kawashima, M. & Ishiguro-Watanabe, M. KEGG für taxonomiebasierte Analyse von Signalwegen und Genomen. Nukleinsäuren Res. 51, D587–D592 (2023).

Artikel CAS PubMed Google Scholar

Referenzen herunterladen

Wir danken Dr. Eveliina Munukka und Dr. Anniina Keskitalo (Universität Turku, Finnland) sowie Dr. Guiseppe d'Auria (FISABIO, Spanien) für ihren Beitrag zu den Darmmikrobiota-Daten der früheren Veröffentlichung, die in dieser Studie verwendet wurden. Wir danken außerdem Risto Puurtinen, Mervi Matero, Hanne Tähti, Kaisa-Leena Tulla, Juha Pursiheimo, Nanne-Mari Vuorinen, Essi Ahokas und Heidi Isokäntä für die technische Unterstützung während der Studie. Das LC-MS-Metabolomics-Zentrum an der School of Pharmacy (UEF, Finnland) wird von Biocenter Finland und Biocenter Kuopio unterstützt.

Diese Studie wurde durch zwei verschiedene Zuschüsse der Juho Vainio Foundation und der Academy of Finland (SP, Zuschuss-IDs: 308042 und 349264) finanziert. Die Studie wurde auch durch die Finanzierung der Academy of Finland Profi5 (#301824) (Physical ACTivity and Health while the human lifespan 2; PACTS2) an die Universität Jyväskylä unterstützt.

Fakultät für Sport- und Gesundheitswissenschaften, Universität Jyväskylä, Jyväskylä, Finnland

Jukka E. Hintikka, Juha P. Ahtiainen und Satu Pekkala

Abteilung für Bio- und Umweltwissenschaften, Nanowissenschaftliches Zentrum, Universität Jyväskylä, Jyväskylä, Finnland

Perttu Perm

Abteilung für Chemie, Nanowissenschaftliches Zentrum, Universität Jyväskylä, Jyväskylä, Finnland

Perttu Perm

Institut für Biotechnologie, Helsinki Institute of Life Science, Universität Helsinki, Helsinki, Finnland

Perttu Perm

Flaggschiff von MediCity und InFLAMES, Universität Turku, Turku, Finnland

Sirpa Jalkanen

Institut für Biomedizin, Universität Turku, Turku, Finnland

Sirpa Jalkanen

Fakultät für Gesundheitswissenschaften, Fakultät für Pharmazie, Universität Ostfinnland, Kuopio, Finnland

Marko Lehtonen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

JH führte die Datenanalyse durch und erstellte das Primärmanuskript. JA und SP haben die Studie entworfen. ML beschaffte und validierte die metabolomischen Daten. JA hat die Übungsdaten beschafft und validiert. SJ führte Laboranalysen durch und stellte Fachwissen zu VAP-1 zur Verfügung. SP hat die Finanzierung übernommen. SP und PP überwachten die Erstellung des Manuskripts und leisteten wissenschaftliche Beratung. Alle Autoren haben zur Durchsicht und Bearbeitung des Manuskripts beigetragen. Alle Autoren haben die endgültige Fassung gelesen und genehmigt.

Korrespondenz mit Jukka E. Hintikka.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Hintikka, JE, Ahtiainen, JP, Permi, P. et al. Aerobic-Training und Darmmikrobiom-assoziierte Stoffwechselveränderungen bei Frauen mit Übergewicht: eine Multi-Omic-Studie. Sci Rep 13, 11228 (2023). https://doi.org/10.1038/s41598-023-38357-6

Zitat herunterladen

Eingegangen: 06. April 2023

Angenommen: 06. Juli 2023

Veröffentlicht: 11. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-38357-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.