亮点摘要 基线的人体测量数据和体成分对个体饱腹感差异的解释极其有限。 机器学习结合LASSO与SHAP分析显示性别是饱腹感的最强预测因子。 基于机器学习开发的遗传风险评分（CTSGRS）对高饱腹感有良好预测能力（AUC 0.82）。 CTSGRS结合实际测量的饱腹感能指导药物选择：高饱腹感个体对酚妥拉明-托吡酯反应更佳，低饱腹感个体则对利拉鲁肽疗效更显著。 最近，发表于Cell Metabolism期刊的一项研究，深入探索了肥胖成年人中饱腹感差异的遗传和生理基础，并评估了这些差异对抗肥胖治疗响应的预测价值。该研究由Mayo Clinic研究团队完成，通过对717名肥胖成人进行深入表型测定，结合机器学习构建遗传风险评分（CTSGRS）模型，对饱腹感的差异性进行了量化和预测。研究进一步验证了该评分在两个不同机制抗肥胖药物（酚妥拉明-托吡酯与利拉鲁肽）治疗中的应用价值，实现了个体化药物治疗的可能性。此研究为精准医疗体系下的肥胖干预策略奠定了坚实基础。 肥胖症作为一种慢性复杂疾病，全球成人患病人数超过6.5亿。其发病机制多元且个体反应差异显著，受到遗传、环境、行为等多因素交互作用影响。迄今为止

Tags： Cell Metabolism：肥胖者饱腹感个体差异的遗传与生理机制揭秘，机器学习模型为精准抗肥胖治疗指路