身体组成模式、心血管疾病和神经退行性疾病风险的关联研究
身体组成模式、心血管疾病与神经退行性疾病风险之间的关联研究
背景介绍
神经退行性疾病（Neurodegenerative Diseases），包括阿尔茨海默病（Alzheimer’s Disease, AD）和帕金森病（Parkinson’s Disease, PD），目前已影响全球超过6000万人，并且逐渐成为全球范围内第七大致死原因。随着人口老龄化，这一情况预计将进一步恶化。不幸的是，目前针对这些疾病的疾病修正疗法仍然稀缺。因此，识别可修改的风险因素并发展预防措施显得尤为重要。此外，在研究这些可修改的风险因素时，考虑个体的遗传易感性，以实现更加精确和个性化的预防措施，也十分重要。
研究来源
本研究由四川大学华西医院的许士士（Shishi Xu, MD, PhD）、文澍（Shu Wen, MD, PhD）、杨瑶（Yao Yang, MSc）、何俊辉（Junhui He, MSc）、杨华珍（Huazhen Yang, MSc）、屈媛媛（Yuanyuan Qu, MSc）、曾钰（Yu Zeng, MSc）、朱建伟（Jianwei Zhu, MD, PhD）和瑞典卡罗林斯卡学院的方方（Fang Fang, PhD）共同撰写。该研究成果发表于《Neurology》期刊，发布时间为2024年8月27日。
研究方法及过程
本研究是一项利用英国生物银行（UK Biobank）数据库进行的回顾性分析。研究纳入了在招募时无神经退行性疾病且具有必要身体组成测量数据的参与者，从招募后5年起到2023年4月1日，对这些参与者进行了随访，以识别新发神经退行性疾病病例。研究对象共包含412,691名参与者（平均年龄56.0岁，55.1%为女性），其中确诊8,224例神经退行性疾病新病例，随访时间平均为9.1年。
主要步骤
数据采集和预处理
- 从UK Biobank数据库中收集参与者的社会人口学、生活方式、医疗和遗传因素的信息。
- 通过触屏问卷、身体测量和样本检测获取数据。
身体组成测量
- 身高、腰围和臀围手工测量。
- 使用Tanita BC-418 MA体成分分析仪测量身体脂肪质量（Fat Mass, FM）和瘦体质量（Lean Mass, LM）。
- 使用Jamar J00105手持液压握力计测量双手握力。
- 使用Norland Mccue接触超声波骨质分析仪评估跟骨骨密度。
神经退行性疾病判定
- 利用医院住院记录和死亡登记记录，根据国际疾病分类编码系统（ICD-10）识别神经退行性疾病病例。
身体组成模式识别
- 首先绘制28个身体组成变量之间的相关性图谱，然后使用主成分分析（PCA）识别身体组成模式，采用PCA算法归纳为“脂肪到瘦体质量”、“肌肉力量”、“骨密度”等7种主要模式。
统计分析
- 使用多变量Cox模型评估身体组成模式与神经退行性疾病发生率之间的关系，以及心血管疾病（CVDs）对这些关系的中介作用。
- 使用stratified分析评估不同易感性人群之间的风险差异，包括多基因风险评分（Polygenetic Risk Scores, PRS）和家族史等。
研究结果
主要结果
- “脂肪到瘦体质量”（HR=0.74-0.94）、“肌肉力量”（HR=0.81-0.94）、“骨密度”（HR=0.94-0.89）、“腿部占优势的脂肪分布”（HR=0.94-0.89）模式与较低的神经退行性病率相关。
- “中心性肥胖”（HR=1.13-1.21）和“手臂占优势的脂肪分布”（HR=1.10-1.26）模式与较高的神经退行性病率相关。
- 分层分析发现，不同易感性人群之间的风险估计值相对一致，心血管疾病对关系的调解作用显著（10.7%–35.3%）。
脑老化生物标志物分析
- 在一小部分40,790名参与者中，进一步分析显示出“中心性肥胖”、“肌肉力量”和“手臂占优势的脂肪分布”模式与脑老化生物标志物（如脑萎缩和脑小血管疾病）的显著关联。
研究结论
本研究揭示了身体组成模式与神经退行性疾病风险之间的显著关联，特别是中心性肥胖和肌肉力量。这些结果表明，通过改善身体组成和早期管理心血管疾病，有可能减轻未来神经退行性疾病的风险。
研究亮点
- 创新性方法：本研究首次通过PCA识别主要身体组成模式，涵盖了复杂的身体成分间的相互作用。
- 多元分析：考虑了多种遗传和环境因素的影响，确保了研究结果的稳健性。
- 全方位评估：结合临床诊断和脑成像数据，确保了研究结果的全面性和可靠性。
研究价值
本研究不仅为理解身体成分对神经退行性疾病的独特贡献提供了新见解，还强调了改善身体组成早期干预心血管疾病对减轻神经退行性病风险的重要性。未来的研究应进一步探讨这些目标策略和它们背后的生物学机制。