基于脂质组的代谢年龄得分捕捉了独立于时间年龄的心脏代谢风险

科学领域:

• 代谢学和衰老研究研究
• 生物标志物发现发现
• 机器学习在健康科学中的应用

背景情况:

• 代谢衰老生物标志物可以反映与年龄相关的代谢变化,提供对个体代谢健康的见解.
• 了解代谢健康对于预测与年龄相关的疾病风险至关重要.

研究的目的:

• 使用机器学习模型开发和验证代谢年龄得分 (mAge).
• 评估代谢年龄差异 (mAgeΔ) 与健康结果,包括心血管疾病和死亡率之间的关联.
• 根据其代谢年龄,识别具有更高代谢疾病风险的个体.

主要方法:

• 利用来自澳大利亚两大人口队伍 (n=14,833) 的综合性脂质组数据集.
• 采用机器学习模型来预测时间年龄和计算代谢年龄得分 (mAge).
• 定义mAgeΔ为mAge和时间年龄之间的差异,以评估代谢健康状况.

主要成果:

• 与最低五分位数 (Q1) 相比,在最高mAgeΔ五分位数 (Q5) 的参与者中,心血管疾病的几率 (OR=2.13) 和发生心血管事件的风险 (HR=2.01) 和全因死亡率 (HR=1.56) 的增加显著高于最低五分位数 (Q1).
• 与Q1组的男性相比,Q5组的男性在心血管事件中经历了超过六年的中位数存活率减少,在所有原因死亡率方面超过四年.
• 生存分析表明,代谢年龄对寿命和疾病特异性死亡率有很大影响.

结论:

• 开发的mAge分数有效地捕捉了与年龄相关的代谢变化.
• mAge证明了对不良健康结果的预测能力,包括心血管疾病和死亡率.
• mAge有可能成为识别有代谢疾病风险增加的个体的宝贵工具.