Nat Commun | 暴露組能預測大腦“看起來老不老”嗎？

認知神經科學前沿文獻分享

基本信息

Title:Exposome-wide patterns predict brain health in aging

發表時間:2026-03-16

發表期刊: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，有些人的大腦灰質結構看起來依然相對“年輕”，有些人則更接近“提前老化”。這種差異并不只是影像學上的表面現象，它往往與認知健康、神經退行性疾病風險以及老齡社會的醫療負擔聯系在一起。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：如果影像預測出的腦齡高于實際年齡，通常意味著大腦結構狀態相對同齡人更差；反之，則提示相對保留得更好。

但現實中的腦健康從來不是單一因素造成的。一個人的腦結構狀態，會同時受到身體健康、生活方式、社會經濟條件、社會情感環境、早期經歷以及外部環境暴露的共同影響。既往許多研究雖然已經識別出吸煙、高血壓、糖尿病、酒精攝入等因素與腦健康有關，但大多仍是“一個變量對應一個結果”的研究路徑，常見做法是逐個變量做線性檢驗。這種思路適合篩查線索，卻難以回答更貼近真實世界的問題：當多個彼此相關、可能存在非線性關系和交互作用的暴露同時出現時，究竟哪些信息最關鍵，哪些只是重復信號，哪些又提供了互補信息？

實驗設計與方法邏輯

研究分為嚴格隔離的兩步，以盡量避免數據泄漏。第一步，作者在5025名健康參考參與者中，比較不同分區方案與算法，最終選出基于1054個灰質特征的嶺回歸（Ridge regression）模型來預測腦齡，再應用到其余34365名參與者，經過年齡偏差校正后得到腦齡差BAG。第二步，作者從非影像數據中篩出覆蓋生物醫學、生活方式、社會情感、早期經歷和環境等領域的暴露變量，在主分析子集用261個變量預測BAG，并設置復制子集與變量受限子集做穩健性驗證。

核心發現

發現一：研究先構建了一個可用于群體比較的灰質腦齡差指標，為后續暴露組預測提供了可靠目標

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

Figure 4. General work?ow in the UK Biobank

發現二：跨多個領域的暴露組信息可以顯著預測灰質健康，但預測能力有限，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健康有關。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測BAG。具體而言，隨機森林在主子集測試集上的相關系數為0.23，解釋方差約0.05；在復制子集和變量受限子集中，結果分別約為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，雖然數值略低，但預測仍顯著存在。

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

發現三：推動預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“能預測”之后，Figure 2進一步解釋“主要由哪些因素在驅動預測”。SHapley Additive exPlanations（SHAP）分析顯示，模型并非由某一個單獨變量主導，而是綜合利用了廣泛變量的信息；但若聚焦前30個貢獻較高的變量，則能看到相當清晰的模式：血壓相關因素、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，因此并不是隨機森林特有的結果。

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

發現四：在若干關鍵領域中，暴露發生的生命階段與持續時長，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性的細節：它不僅列出重要變量，還展示變量取值如何推動預測朝更高或更低的BAG變化。結果顯示，在吸煙、高血壓、糖尿病等經典風險領域里，最有信息量的往往不是“當前是否吸煙”或“是否被醫生診斷”，而是暴露持續了多久、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，都與更高的預測BAG相關；高血壓持續時間更長、診斷年齡更晚，同樣對應更差的預測灰質健康。

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

歸納總結和點評

這篇研究最重要的貢獻，不在于把腦健康預測做成了高精度工具，而在于用較嚴謹的、避免數據泄漏的機器學習框架證明：跨生命歷程、跨多個領域的暴露組模式，確實能夠為老齡人群的灰質健康提供可重復的預測信息。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、骨健康等領域，而更具解釋力的常常不是某種暴露是否存在，而是它發生在何時、持續了多久。這使文章超越了傳統單變量關聯分析，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，暴露評估與影像采集并非嚴格同步，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判斷或臨床決策。更合理的理解是，這項工作為暴露組進入腦健康研究打開了方法學路徑，也提示未來若結合更細的生物學指標與遺傳信息，才可能進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」

專注追蹤全球認知神經科學的最尖端突破

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，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿

作者提醒：內容由AI生成