人体肠道菌群拥有的基因比人体的基因大约多150倍,是一个复杂的生态系统。它不仅受宿主生存状态的影响,而且对宿主的健康与疾病也有着深远影响。在过去10多年间,大量的研究发现肠道菌群与肥胖状态关系密切。然而,在已发表的关于肠道菌群与肥胖相互作用的研究成果中,一致性的结论很少,而且大多数的方法、结果都不具有推广性。其中,研究队列的规模较小、研究方法相对单一是造成这种现象的重要原因。为了确定正常个体与肥胖个体之间肠道菌群的差异,本课题收集并分析了2262名中国人的粪便样本以及临床表型信息。本研究首先利用生物信息学方法计算肠道菌群物种和代谢通路的相对丰度、α多样性、β多样性、距离矩阵,并且利用统计学方法（Mann-Whitney U检验、PCo A分析等）比较不同肥胖状态个体的肠道菌群多样性差异。然后利用RF、SVM、KNN、LR、Lasso、GBDT、RR算法构建回归、分类模型,通过肠道菌群信息预测肥胖状态。此外,本研究还将Lefse方法与基于机器学习的迭代方法相结合,用以挖掘能够影响肥胖的肠道菌群特征。研究结果表明,与正常个体相比,肥胖个体表现出较低的物种多样性和较高的代谢通路多样性。此外,采用了各种机器学习模型来量化肥胖状态和肠道菌群之间的关系,其中支持向量机模型以0.716的分类精度和0.485的回归R2得分达到最佳性能。除了两个已被证明与肥胖相关的肠道菌种（Bacteroides ovatus、Bacteroides xylanisolvens）,本研究还鉴定了三个有潜力成为肥胖相关生物标记物的新菌种,分别是粪拟杆菌（Bacteroides caccae）、内脏臭气杆菌（Odoribacter splanchnicus）、人罗斯拜瑞氏菌（Roseburia hominis）。对代谢通路的进一步分析还揭示了肥胖个体肠道中脂质生物合成（脂质IVA生物合成）、泛醇生物合成等代谢通路明显富集。综上所述,本课题的研究成果表明,肥胖与中国大规模人群的肠道菌群之间有着紧密的联系。本研究的机器学习方法对中国人群肠道菌群的研究具有普适性,经鉴定得到的有潜力成为肥胖相关生物标记物的菌种和代谢通路可能为肥胖的预防和治疗提供新的思路和靶点。