認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:Exposome-wide patterns predict brain health in aging

發(fā)表時間:2026-03-16

發(fā)表期刊:Nature Communications

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

引言

同樣步入中老年階段，有些人的大腦灰質(zhì)結(jié)構(gòu)看起來依然相對“年輕”，有些人則更接近“提前老化”。這種差異并不只是影像學(xué)上的表面現(xiàn)象，它往往與認(rèn)知健康、神經(jīng)退行性疾病風(fēng)險以及老齡社會的醫(yī)療負(fù)擔(dān)聯(lián)系在一起。近年來，腦齡差（Brain Age Gap, BAG）因此成為腦健康研究中的一個常用指標(biāo)：如果影像預(yù)測出的腦齡高于實(shí)際年齡，通常意味著大腦結(jié)構(gòu)狀態(tài)相對同齡人更差；反之，則提示相對保留得更好。

但現(xiàn)實(shí)中的腦健康從來不是單一因素造成的。一個人的腦結(jié)構(gòu)狀態(tài)，會同時受到身體健康、生活方式、社會經(jīng)濟(jì)條件、社會情感環(huán)境、早期經(jīng)歷以及外部環(huán)境暴露的共同影響。既往許多研究雖然已經(jīng)識別出吸煙、高血壓、糖尿病、酒精攝入等因素與腦健康有關(guān)，但大多仍是“一個變量對應(yīng)一個結(jié)果”的研究路徑，常見做法是逐個變量做線性檢驗(yàn)。這種思路適合篩查線索，卻難以回答更貼近真實(shí)世界的問題：當(dāng)多個彼此相關(guān)、可能存在非線性關(guān)系和交互作用的暴露同時出現(xiàn)時，究竟哪些信息最關(guān)鍵，哪些只是重復(fù)信號，哪些又提供了互補(bǔ)信息？

實(shí)驗(yàn)設(shè)計與方法邏輯

研究分為嚴(yán)格隔離的兩步，以盡量避免數(shù)據(jù)泄漏。第一步，作者在5025名健康參考參與者中，比較不同分區(qū)方案與算法，最終選出基于1054個灰質(zhì)特征的嶺回歸（Ridge regression）模型來預(yù)測腦齡，再應(yīng)用到其余34365名參與者，經(jīng)過年齡偏差校正后得到腦齡差BAG。第二步，作者從非影像數(shù)據(jù)中篩出覆蓋生物醫(yī)學(xué)、生活方式、社會情感、早期經(jīng)歷和環(huán)境等領(lǐng)域的暴露變量，在主分析子集用261個變量預(yù)測BAG，并設(shè)置復(fù)制子集與變量受限子集做穩(wěn)健性驗(yàn)證。

核心發(fā)現(xiàn)

發(fā)現(xiàn)一：研究先構(gòu)建了一個可用于群體比較的灰質(zhì)腦齡差指標(biāo)，為后續(xù)暴露組預(yù)測提供了可靠目標(biāo)

這項(xiàng)研究的關(guān)鍵前提，不是直接讓暴露變量去“猜”腦健康，而是先建立一個相對穩(wěn)定的灰質(zhì)健康表型。Figure 4展示了完整分析流程：作者先在健康樣本中訓(xùn)練腦齡模型，再將其應(yīng)用到獨(dú)立人群，以避免腦齡模型和暴露預(yù)測模型之間的信息泄漏。Supplementary Table 1顯示，在多種算法與分區(qū)粒度比較后，最佳方案是基于1054個灰質(zhì)特征的嶺回歸。該模型應(yīng)用到其余34365人時，預(yù)測年齡與實(shí)際年齡相關(guān)系數(shù)為0.76，平均絕對誤差為3.93年。

Figure 4. General work?ow in the UK Biobank

發(fā)現(xiàn)二：跨多個領(lǐng)域的暴露組信息可以顯著預(yù)測灰質(zhì)健康，但預(yù)測能力有限，尚不足以支持個體化判斷

論文的主問題是，一個人的暴露組輪廓是否與其灰質(zhì)健康有關(guān)。Figure 1給出了直接回答：在主分析子集里，261個暴露變量能夠顯著預(yù)測BAG。具體而言，隨機(jī)森林在主子集測試集上的相關(guān)系數(shù)為0.23，解釋方差約0.05；在復(fù)制子集和變量受限子集中，結(jié)果分別約為r=0.23和r=0.24，r2約0.05至0.06。Supplementary Table 5還顯示，換用嶺回歸和支持向量回歸后，雖然數(shù)值略低，但預(yù)測仍顯著存在。

Figure 1. Prediction ofthe grey matter health (BAG) from the expotype

發(fā)現(xiàn)三：推動預(yù)測的并不是單一暴露，而是一組以心血管、代謝、吸煙飲酒、飲食和骨健康為主的組合信號

在證明“能預(yù)測”之后，F(xiàn)igure 2進(jìn)一步解釋“主要由哪些因素在驅(qū)動預(yù)測”。SHapley Additive exPlanations（SHAP）分析顯示，模型并非由某一個單獨(dú)變量主導(dǎo)，而是綜合利用了廣泛變量的信息；但若聚焦前30個貢獻(xiàn)較高的變量，則能看到相當(dāng)清晰的模式：血壓相關(guān)因素、吸煙、酒精、糖尿病、飲食因素，以及骨密度和臀圍更為突出。Supplementary Figures 1–5與Supplementary Tables 6–7進(jìn)一步表明，這一排序在不同算法下總體一致，因此并不是隨機(jī)森林特有的結(jié)果。

Figure 2. Thirty top contributing variables in the main subset (n = 3706, 261exposome variables)

發(fā)現(xiàn)四：在若干關(guān)鍵領(lǐng)域中，暴露發(fā)生的生命階段與持續(xù)時長，比簡單的“是否暴露”更有信息量

Figure 3提供了這篇文章最有啟發(fā)性的細(xì)節(jié)：它不僅列出重要變量，還展示變量取值如何推動預(yù)測朝更高或更低的BAG變化。結(jié)果顯示，在吸煙、高血壓、糖尿病等經(jīng)典風(fēng)險領(lǐng)域里，最有信息量的往往不是“當(dāng)前是否吸煙”或“是否被醫(yī)生診斷”，而是暴露持續(xù)了多久、何時開始、何時停止。文中指出，更長的吸煙時間、更早開始吸煙和更晚戒煙，都與更高的預(yù)測BAG相關(guān)；高血壓持續(xù)時間更長、診斷年齡更晚，同樣對應(yīng)更差的預(yù)測灰質(zhì)健康。

Figure 3. SHAP value for the common most contributing variables when usingrandom forest in the main subset (n = 3706, 261 exposome variables)

歸納總結(jié)和點(diǎn)評

這篇研究最重要的貢獻(xiàn)，不在于把腦健康預(yù)測做成了高精度工具，而在于用較嚴(yán)謹(jǐn)?shù)摹⒈苊鈹?shù)據(jù)泄漏的機(jī)器學(xué)習(xí)框架證明：跨生命歷程、跨多個領(lǐng)域的暴露組模式，確實(shí)能夠?yàn)槔淆g人群的灰質(zhì)健康提供可重復(fù)的預(yù)測信息。其中特別突出的信號集中在心血管與代謝健康、吸煙飲酒、飲食、骨健康等領(lǐng)域，而更具解釋力的常常不是某種暴露是否存在，而是它發(fā)生在何時、持續(xù)了多久。這使文章超越了傳統(tǒng)單變量關(guān)聯(lián)分析，為“如何用暴露組理解腦健康差異”提供了一個更整體的研究框架。不過，論文同樣清楚交代了邊界：BAG本身是有爭議的派生指標(biāo)，暴露評估與影像采集并非嚴(yán)格同步，模型在測試集中的解釋方差只有約5%，因此不能用于個體層面的精準(zhǔn)判斷或臨床決策。更合理的理解是，這項(xiàng)工作為暴露組進(jìn)入腦健康研究打開了方法學(xué)路徑，也提示未來若結(jié)合更細(xì)的生物學(xué)指標(biāo)與遺傳信息，才可能進(jìn)一步提高對個體腦健康差異的解釋力。

請打分

這篇剛剛登上 Nature Communications 的研究，是否實(shí)至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區(qū)分享您的深度見解。

分享人：BQ

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨(dú)行。歡迎加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來

一鍵關(guān)注，點(diǎn)亮星標(biāo) ? 前沿不走丟！

一鍵分享，讓更多人了解前沿

作者提醒：內(nèi)容由AI生成