跳到正文
数据分析Science Translational Medicine · 代谢组衰老建模与随访关联研究

基于集成学习的代谢组衰老与死亡时钟在18,476名个体中识别全生命周期的系统性衰老风险

Metabolomic aging and mortality clocks based on ensemble learning identify systemic aging risk across the human life span in 18,476 individuals.

一句话代谢组年龄加速与健康恶化、慢性病发生及全因死亡风险升高相关。

研究问题

能否利用覆盖全生命周期的血浆代谢组数据构建具有临床可解释性的衰老指标？这些指标是否与健康状况、慢性病发生、多病共存及死亡风险相关？

数据与样本

研究纳入中国6个中心的18,476名参与者，年龄为1至96岁，使用纳米辅助激光解吸/电离质谱（LDI-MS）检测血浆代谢组。研究包含健康队列和疾病队列，并报告了2019至2025年的随访。

分析流程

  1. 1代谢组检测：使用纳米辅助激光解吸/电离质谱分析参与者的血浆代谢组。
  2. 2年龄相关特征识别：从代谢组数据中识别56种具有代表性的年龄相关代谢物。
  3. 3代谢组年龄建模：在健康队列中构建堆叠集成模型，估计代谢组年龄，并以其偏离实际年龄的程度量化mAA。
  4. 4健康关联评估：分析mAA与健康状况及生活方式的关联。
  5. 5随访结局分析：利用2019至2025年的随访评估mAA与新发慢性病及全因死亡风险的关联。
  6. 6死亡相关指标构建：在疾病队列中构建年龄偏差指标，量化个体相对于代谢物推断的年龄预期死亡风险的偏离。
  7. 7疾病负担关联评估：分析年龄偏差与既有综合健康指标、疾病累及系统数量及多病共存负担的关联。

关键方法与工具

nano-assisted laser desorption/ionization mass spectrometry (LDI-MS)
检测血浆代谢组
stacking ensemble model
估计代谢组年龄

设计思路

在健康队列中以实际年龄为参照构建代谢组年龄及mAA，并通过随访考察其与后续疾病和死亡的关联。在疾病队列中另行构建死亡相关的年龄偏差指标，以综合健康指标和多系统疾病负担考察其临床关联。

主要发现

  • 在18,476名、年龄为1至96岁的参与者中识别出56种具有代表性的年龄相关代谢物。
  • 健康队列中，较高的mAA与健康状况恶化及不良生活方式相关。
  • 2019至2025年的随访显示，mAA加速与脂肪肝、高血压、糖尿病等新发慢性病及全因死亡风险升高相关。
  • 疾病队列中，年龄偏差与既有综合健康指标相关，并随疾病累及系统增多及多病共存负担加重而增加。

可借鉴之处

  • 可借鉴以实际年龄为参照，将模型估计年龄转化为个体偏离程度的做法，使代谢组模型输出更便于临床解释。
  • 可借鉴将健康状态关联与后续疾病、死亡随访结合的评估路径，避免仅用年龄估计结果描述衰老指标。
  • 针对疾病人群，可借鉴构建死亡相关代谢指标并与多系统受累及多病共存负担对照的思路，考察指标与整体健康负担的关联。

数据与代码

摘要和已读取的内容里没有说明，请查看原文的数据可得性声明。

局限

  • 观察性关联不能证明代谢组年龄加速会导致慢性病或死亡。
  • 参与者均来自中国中心，结果能否推广至其他人群仍需验证。

摘要（中文翻译）

衰老以功能逐渐衰退为特征，但人类全生命周期的代谢组特征仍未得到充分界定。在本研究中，我们采用纳米辅助激光解吸/电离质谱（LDI-MS），对来自中国6个中心、年龄为1至96岁的18,476名参与者的血浆代谢组进行分析，识别出56种具有代表性的年龄相关代谢物。在健康队列中，我们构建了堆叠集成模型来估计代谢组年龄，并将每位个体偏离实际年龄的程度量化为代谢组年龄加速（mAA）。较高的mAA与健康状况恶化及不良生活方式相关。在2019至2025年的随访期间，mAA加速的个体发生脂肪肝、高血压和糖尿病等新发慢性病的风险升高，全因死亡风险也升高。在疾病队列中，我们进一步构建了与死亡相关的代谢组指标（年龄偏差），用于量化个体相对于基于血浆代谢物推断的年龄预期死亡风险的偏离程度。年龄偏差与既有的综合健康指标相关，并随疾病累及系统增多及多病共存负担加重而增加。总体而言，这些发现支持血浆代谢组分析具有潜力，可作为一种可规模化、覆盖全生命周期的方法，生成具有临床可解释性且与健康状况、慢性病风险及死亡相关的代谢组衰老指标。

英文原文摘要

Aging is characterized by progressive functional decline, yet metabolomic signatures across the human life span remain incompletely defined. Here, we profiled plasma metabolomes from 18,476 participants aged 1 to 96 years across six centers in China using nano-assisted laser desorption/ionization mass spectrometry (LDI-MS) and identified 56 representative age-associated metabolites. In a healthy cohort, we developed a stacking ensemble model to estimate metabolomic age and quantified metabolomic age acceleration (mAA) as each individual's deviation from chronological age. Higher mAA was associated with health deterioration and unfavorable lifestyles. During follow-up from 2019 to 2025, individuals with accelerated mAA showed increased risk of incident chronic diseases, such as fatty liver disease, hypertension, and diabetes, as well as increased all-cause mortality. In a disease cohort, we further developed a mortality-linked metabolomic metric (age deviation) that quantified individualized departures from age-expected mortality risk inferred from plasma metabolites. Age deviation was associated with established composite health measures and increased with multisystem disease involvement and higher multimorbidity burden. Together, these findings support the potential of plasma metabolomic profiling as a scalable, life span-wide approach for deriving clinically interpretable metabolomic aging metrics associated with health status, chronic disease risk, and mortality.

摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。