体重指数与血容量对临床前阿尔茨海默病血浆生物标志物浓度及正电子发射断层扫描分类的影响：稀释效应的关键作用

本研究发现，在认知未受损（CU）人群中，体重指数（BMI）和血容量（BV）通过稀释效应显著影响阿尔茨海默病（AD）血液生物标志物（BBM）浓度，包括Aβ42/40、p-Tau181、p-Tau217、GFAP和NfL，且独立于脑淀粉样蛋白负荷。研究强调，基于BMI分层的BBM阈值可提高淀粉样蛋白PET分类准确性，而BMI/BV的急剧下降会增加BBM变异性和系统性错误分类，对临床前AD的诊断和早期干预具有重要意义。

1 BACKGROUND

阿尔茨海默病（AD）是痴呆症的主要病因，其特征是淀粉样蛋白β（Aβ）斑块、神经纤维缠结和神经退行性变的积累。Jack等人提出的淀粉样蛋白/Tau/神经退行性变（ATN）框架作为一种基于生物标志物的系统，用于分类AD病理和分期疾病进展。该框架后来扩展为纳入炎症、血管功能障碍和α-突触核蛋白病（IVS）作为与AD神经退行性变相关的其他组成部分。ATN分类的金标准模型包括正电子发射断层扫描（PET）和脑脊液（CSF）生物标志物检测，磁共振成像（MRI）起支持作用。然而，PET示踪剂的有限可用性和高成本以及腰椎穿刺的侵入性促使人们转向开发血液生物标志物（BBM）。新兴证据表明，AD BBM可有效识别跨临床谱的PET分类淀粉样蛋白阳性。有前景的BBM包括Aβ肽（Aβ₄₀和Aβ₄₂）、磷酸化Tau（p-Tau₁₈₁、p-Tau₂₁₇和p-Tau₂₃₁）、神经丝轻链（NfL）和胶质纤维酸性蛋白（GFAP）。

随着BBM成为AD诊断的重要组成部分，必须考虑可能影响其浓度和解释的生理因素。肥胖与AD风险和生物标志物变异有关，其影响在整个生命周期中有所不同。中年肥胖与AD和痴呆风险增加有关，而晚年体重减轻被认为是AD的非认知标志，表明在衰老和疾病进展的不同阶段存在 distinct 机制。毫不奇怪，BMI已知与AD BBM相关。然而，新兴证据表明，这些关联可能部分由血容量（BV）效应驱动，而不是与AD病理的直接关联。BV由血浆和细胞成分组成，代表个体内循环的血液总体积，并与体型成正比。假设BBM反映AD病理，它们在血液中的浓度不仅取决于潜在病理的程度，还取决于它们分布的体积。在BV较高的个体中，例如肥胖者，尽管病理负担相当，但BBM浓度可能由于稀释而显得人为降低。相反，在BV较低的个体中，例如脱水、体重不足或经历与年龄或AD相关的体重减轻者，BBM浓度可能显得人为升高。因此，BV可能根据衰老和疾病状态放大或掩盖BMI-BBM关联中的病理信号。如果AD BBM部分通过BV相关稀释受BMI影响，而不是 solely 反映AD病理，则当前用于预测淀粉样蛋白PET阳性的BBM cutoff 可能需要按BMI类别分层。

虽然先前将BBM与淀粉样蛋白PET联系起来的研究对BMI进行了调整，但它们 primarily 将其建模为静态协变量，忽略了BMI和BBM对PET结果的潜在交互效应，以及随着衰老、AD进展和伴随的BV变化，BMI的纵向变化。此外，先前的研究通常关注轻度认知障碍（MCI）或痴呆个体，这些群体疾病负担变异性大，难以将BMI的影响与共存的神经退行性和系统性合并症隔离开来。然而，血液稀释问题在临床前阶段可能特别重要，此时BBM浓度更经常徘徊在阳性阈值附近，细微波动可能归因于疾病进展或BV相关稀释效应。

为解决这些考虑，我们使用阿尔茨海默病神经影像倡议（ADNI）的数据来检查BMI和BV如何与认知未受损（CU）个体的AD BBM（Aβ_42/40、p-Tau₁₈₁、p-Tau₂₁₇、GFAP和NfL）相关。我们测试了BMI和BV相关稀释效应是否独立影响BBM水平，无论是横断面还是随时间变化的关系，并调查了这些因素如何影响淀粉样蛋白PET预测。我们的目标是确定当前基于BBM的PET cutoff 是否需要调整以更准确地捕捉临床前阶段出现的AD病理。

2 METHODS

2.1 Participant data

本研究中的所有参与者均 enrolled in the ADNI。ADNI是一项 ongoing 研究，于2003年作为公私合作伙伴关系启动，由首席研究员Michael W. Weiner医学博士领导。ADNI的主要重点是通过纵向研究队列测试AD的临床进展，同时收集临床、生化、遗传和影像数据。ADNI参与者的招募年龄在55至90岁之间，认知状态定义为CU、MCI和AD。ADNI是一项多中心研究，遵守标准方案，每个参与数据收集的站点都获得了当地机构审查委员会（IRB）的批准。获得了 enrolled 参与者的书面知情同意。

在本分析中，仅包括在分析期间保持CU的参与者，以防止AD相关因素（如神经退行性过程、共病理学和相关体重减轻）的混淆，这些因素可能进一步影响生物标志物浓度并掩盖稀释效应的影响。此外，本研究仅关注具有可用AD血浆生物标志物数据的参与者，这些数据是作为美国国立卫生研究院基金会（FNIH）进行的一项子研究的一部分。为确保评估之间的时间 alignment，根据每次访问时记录的检查日期精确计算了血液采集、PET成像、认知评估和体检访问之间的时间，而不是 solely 依赖访问编号。所有ADNI波次的更新研究信息可在ADNI网站上获得，本研究中包含的所有ADNI数据均直接从研究网站获取。

2.2 BBM quantification

BBM测量源自FNIH生物标志物联盟发布的数据集，该数据集比较了来自Quanterix Accelerator Laboratory、C2N Diagnostics、国家阿尔茨海默病生物标志物检测实验室中央存储库（NCRAD-BAL）和哥德堡大学的七个领先BBM检测平台。为每个检测平台分析了单独的血浆等分试样。根据ADNI和FNIH生物标志物联盟协议收集、运输和储存血浆样本，这些协议在ADNI网站上有描述。

这些检测测量的特定BBM包括Aβ₄₀、Aβ₄₂、Aβ_42/40比率、p-Tau₁₈₁、p-Tau₂₁₇、苏氨酸217处非磷酸化Tau（n-pTau₂₁₇）、p-Tau₂₁₇/n-pTau₂₁₇比率、GFAP和NfL。成功分析的参与者数量因平台而异，详见表S1以及相应的检测细节。所选BBM的血浆浓度在分析前进行了log10转换，以考虑偏度和峰度（表S1）。Quanterix检测重复进行，变异系数（CV）> 25%的样本被排除在分析之外（n = 10；n = 6用于p-Tau₂₁₇ [Janssen]，n = 3用于p-Tau₂₁₇ [Alzpath]，n = 1用于Aβ₄₂）。

2.3 Amyloid PET

淀粉样蛋白PET值源自加州大学伯克利分校海伦·威尔斯神经科学研究所在ADNI网站上发布的数据集。在本研究中，[18F]-florbetapir (FBP) 是用于量化皮质摘要标准摄取值比率（SUVR）的示踪剂。对于横断面分析，包括接收者操作特征（ROC）曲线，SUVR通过全小脑进行强度归一化，并使用1.11 SUVR的阈值对淀粉样蛋白阳性进行分类。对于纵向分析，SUVR通过复合参考区域进行强度归一化，并使用0.78 SUVR的阈值对淀粉样蛋白阳性进行分类。SUVR cutoff 点的这种差异反映了参考区域归一化的差异，而不是淀粉样蛋白负荷的差异。全小脑参考由于其个体间的稳定性而 preferred for 横断面研究，而复合参考区域减少了噪声和扫描间变异性，使其更适合纵向分析。0.78 SUVR阈值是通过全小脑归一化阈值的线性转换得出的，以保持淀粉样蛋白分类随时间的一致性。这些阈值是预先确定的，并由加州大学伯克利分校的作者建议。有关这些方法的更多信息可以通过下载加州大学伯克利分校-淀粉样蛋白PET处理方法文档找到，该文档需要ADNI访问权限。

每个FBP-SUVR阈值可以使用先前描述的方法转换为Centiloid尺度。具体来说，1.11 SUVR阈值（全小脑归一化）对应于 approximately 19.8 Centiloids (CL = 188.22×SUVR-189.16)，而0.78 SUVR阈值（复合参考归一化）对应于 approximately 25.7 CL (CL = 300.66×SUVR-208.84)。然而，由于FBP是本分析中 sole 使用的示踪剂，保留归一化SUVR值作为结果以保持测量准确性。

2.4 Cognitive status

使用于2025年2月4日直接从ADNI网站下载的DXSUM.csv文件评估认知诊断标准。纳入的参与者在血浆采集后6个月内或随访访问时获得CU的临床诊断（DXSUM文件中的DIAGNOSIS = 1）。一些参与者（n = 30）显示从MCI revert to CU，在这种情况下，他们被视为本研究的CU。

2.5 BMI and BV calculations

用于计算BMI和BV变量的身高和体重数据来源于2025年2月4日直接从ADNI网站下载的VITALS.csv文件。对于在给定访问中身高缺失的参与者，使用之前访问的值或前后访问的平均值来估算身高。为了评估插补身高值的潜在偏差，我们将身高建模为年龄的函数，使用所有记录身高的纳入参与者访问（n = 304）。线性混合模型显示，身高每年衰老显著但 modest 下降0.20 ± 0.04 cm（p < 0.001）。考虑到我们样本中身高测量和BMI/BV计算之间的平均时间为2.05年[Q1 = 0.096, Q3 = 3.57]，插补可能引入 minimal 偏差。与身高相反，体重处理更严格，因为其可能在短时间内波动。任何体重缺失的访问都被排除（n = 13），并且没有进行插补，确保体重和BBM测量之间的有效时间 alignment。

BMI使用公式计算：BMI = weight (kg) / height (m)²。

BV使用Nadler方程计算，该方程因性别而异：

对于男性：BV = 0.3669 × height (m)³ + 0.03219 × weight (kg) + 0.6041

对于女性：BV = 0.3561 × height (m)³ + 0.03308 × weight (kg) + 0.1833

尽管Nadler方程因性别而异，我们在调整后的回归模型中保留了性别作为协变量，以解释BV之外的生物学差异。为了评估潜在的多重共线性，我们计算了包含BV和性别的所有BBM模型的方差膨胀因子（VIF）。在所有模型中，BV和性别的VIF consistently 低（～2.2–2.4），并且低于多重共线性关注的常规阈值（VIF > 5）。

2.6 Statistical analysis

所有统计分析均使用R版本4.2.2进行。使用tableone包生成表1，通过Pearson卡方检验比较分类变量，t检验比较连续变量。对于二元比例估计，使用Wilson score方法计算95%置信区间。所有线性混合效应模型（LMM）均使用lmerTest包生成，并包含随机截距以解释 within-subject 多次访问的相关性。所有ROC曲线分析均使用pROC包进行。匹配程序使用MatchIt包进行，ggplot2包用于数据可视化。在本研究中，p值≤0.05被认为是显著的，而p值≤0.10被认为是 marginally 显著的。

2.6.1 Continuous associations between BMI/BV and BBMs

我们使用LMM检查BMI或BV与涵盖所有参与者访问的BBM之间的关联。每个BBM分别建模，BBM作为因变量，BMI或BV作为主要暴露，并包括年龄、性别、种族、教育、载脂蛋白E（APOE）ε4和淀粉样蛋白PET SUVR作为协变量。纳入随机截距以解释 within-subject 多次访问的相关性。BMI和BV通过将每个变量在其均值处中心化并按其标准差缩放进行z-score标准化，以 enable β系数的直接比较。

2.6.2 Associations between BBMs and amyloid PET SUVR

接下来，我们使用LMM研究BBM与淀粉样蛋白PET SUVR之间的直接关联，涵盖所有参与者访问。每个BBM分别建模，PET SUVR作为因变量，BBM作为主要暴露，年龄、性别、种族、教育和APOE ε4作为协变量。随后，对于每个BBM，进行了另外两个模型，以评估添加BMI与BV作为标准化后协变量的影响。

2.6.3 Modification of BBM-PET SUVR associations by BMI and BV

为了评估BMI/BV是否修改了BBM与淀粉样蛋白PET SUVR之间的关联，我们在将BMI或BV作为与BBM的交互项纳入 instead of 作为独立协变量后重复了分析。其他所有条件保持不变。

2.6.4 Associations between BBMs and amyloid PET positivity

为了评估BBM对淀粉样蛋白PET阳性的预测能力，使用每个参与者的基线访问的横断面数据进行ROC曲线分析。具体来说，为每个BBM生成一个单独的逻辑回归模型，淀粉样蛋白PET状态作为因变量，BBM作为主要暴露，年龄、性别、种族、教育和APOE ε4作为协变量。随后，我们评估了添加BMI或BV作为协变量或交互项对曲线下面积（AUC）值的影响。DeLong检验用于评估调整BMI/BV后观察到的AUC差异是否显著，这提供了一种考虑数据相关结构的非参数方法来比较AUC。由于ROC曲线来自同一组参与者（仅测试了协变量添加），使用了DeLong检验的配对版本，考虑了 within-subject 相关性。

为了进一步评估ROC性能是否因BMI组而异，我们在正常体重与超重/肥胖参与者中进行了单独的ROC曲线，从而启用单独的 cutoff 阈值。由于参与者组 non-overlapping，我们使用未配对版本的DeLong检验来确定组间观察到的AUC值差异是否显著。每个亚组的AUC值也与完整队列进行了比较，并使用 bootstrapping 通过重采样（n = 5000次迭代）评估组间差异的置信区间。这些分析在按BMI和BV中位数而不是BMI组对参与者进行分层后重复进行。

2.6.5 Influence of BMI and BV when determining BBM cutoff thresholds for PET positivity

为了进一步评估BMI分类对淀粉样蛋白PET阳性的BBM cutoff 阈值的影响，我们分别为正常体重参与者和超重/肥胖参与者推导了基于ROC的最佳 cutoff，这些参与者在年龄和淀粉样蛋白阳性状态上以0.1的 caliper 匹配。匹配后，正常体重和超重/肥胖参与者在年龄、性别、种族、教育或APOE ε4状态方面未观察到显著差异，除了p-Tau₂₁₇^(Fujirebio)（66% [95% CI: 53%–76%] vs. 46% [95% CI: 34%–58%], p = 0.045）和p-Tau₂₁₇^{(Quanterix,Alzpath)}（62% [95% CI: 49%–73%] vs. 40% [95% CI: 28%–52%], p = 0.026）的正常体重组中女性比例较高。接下来，我们评估了将源自正常体重参与者的BBM cutoff 阈值应用于超重/肥胖组对淀粉样蛋白PET阳性错误分类率的影响。使用 bootstrapping 确定应用外来 cutoff 阈值时淀粉样蛋白PET错误分类率变化的置信区间（n = 5000次重采样迭代）。这些分析在比较上下BMI和BV中位数时重复进行。

2.6.6 Changes in BMI and BV over time, and their associations with changes in BBMs

使用以下公式计算BMI和BV（暴露）或BBM（结果）随时间的变化：变化率 = (X_{visit n+1} - X_{visit n}) / (t_{visit n+1} - t_{visit n})，其中X代表BMI、BV或给定的BBM，t指给定访问的时间。时间差以年计算，从访问n到访问n+1。

为了评估BMI或BV变化对BBM浓度的影响，我们使用公式1计算每个变量的变化率。为每个BBM生成LMM，BBM浓度变化率作为时变因变量，BMI或BV变化率作为主要时变暴露。所有模型都针对年龄、性别、种族、教育、APOE ε4状态和访问间隔时间进行了调整。模型包括随机截距以解释 within-subject 相关性。为了进一步将稀释效应与早期神经退行性和系统性合并症的影响分开，在按淀粉样蛋白PET状态分层后重复进行分析。

2.6.7 Impact of drastic declines in BMI and BV on PET prediction accuracy

为了评估BMI或BV的大幅下降是否影响基于BBM的淀粉样蛋白PET SUVR预测的偏差和准确性，我们比较了BMI或BV显著降低（> 1 SD below the mean；“下降”组）和值稳定（within 1 SD；“稳定”组）参与者之间的模型性能，重点关注淀粉样蛋白阴性个体。下降组和稳定组的参与者按年龄、性别、首次访问时的BMI或BV以及访问间隔时间进行匹配。匹配后，在任何分析中，这些变量均未观察到显著的组间差异。模型在未匹配的稳定参与者上进行训练，然后用于预测匹配的稳定组与下降组中的PET SUVR。所有训练和测试模型都针对年龄、性别、种族、教育、APOE ε4状态和访问间隔时间进行了调整。平均误差用于评估系统性高估或低估，而均方根误差（RMSE）捕获整体预测准确性和变异性。该分析在两个方向上进行：从BBM预测PET SUVR和从PET SUVR预测BBM，以评估下降组中的系统性高估或低估。

3 RESULTS

3.1 Cohort characteristics

本研究共纳入241名ADNI参与者，其中211名具有纵向数据（平均=每位参与者2.75次访问，SD=0.48；访问之间的平均时间=3.05年，SD=1.20）（图1）。在基线（定义为本次分析中纳入的第一次访问），参与者平均年龄73.4岁[SD=6.8]，53.9%为女性，91.7%为白人，29.9%为APOE ε4携带者。平均BMI为27.49 [SD=4.83]，平均BV为4.65 L [SD=0.85]。使用CDC标准BMI分类，只有1名（0.4%）参与者被分类为体重不足（BMI < 18.5），71名（29.5%）被分类为正常体重（18.5≤BMI < 25），113名（46.9%）被分类为超重（25≤BMI < 30），56名（23.2%）被分类为肥胖（BMI≥30）（表1）。

基线特征在正常体重、超重和肥胖参与者之间进行了比较（表1；瘦参与者未分析，因为只有一名参与者属于该类别）。BV在正常体重参与者中最低（4.16 L [SD=0.77]），在超重参与者中中等（4.74 L [SD=0.76]），在肥胖参与者中最高（5.12 L [SD=0.86]）（p < 0.001）。此外，年龄在组间存在差异，正常体重参与者最年长（74.5岁[SD=7.2]），超重参与者中等（73.7岁[SD=6.8]），肥胖参与者最年轻（71.5岁[SD=6.2]）。组间男性比例存在 marginally 显著差异（分别为42.3% [95% CI: 31.5%–53.8%], 54.0% [95% CI: 44.8%–62.9%], 和35.7% [95% CI: 24.5%–48.8%]; p = 0.059）。受教育年限（16.86 [SD=2.53], 16.58 [SD=2.54], 16.34 [SD=2.49]; p = 0.508）和APOE ε4携带者（33.8% [95% CI: 23.9%–45.4%], 31.0% [95% CI: 23.2%–40.0%], 23.2% [95% CI: 14.1%–35.8%]; p = 0.413）也存在差异，但方差分析（ANOVA）后这些差异不显著（表1）。

就BBM而言，p-Tau₂₁₇^(C2N)在正常体重参与者中最高（2.31 [SD=2.32]），在超重参与者中较低（1.86 [SD=2.05]），在肥胖参与者中最低（1.37 [SD=1.29]）（p = 0.036）。p-Tau₂₁₇/N-ptau₂₁₇^(C2N)（4.50 [SD=3.76], 3.29 [SD=2.56], 和2.61 [SD=2.00], respectively; p = 0.001）、NfL^(Roche)（4.02 [SD=1.49], 3.34 [SD=1.32], 和3.12 [SD=1.39]; p = 0.001）和NfL^(Quanterix)（22.24 [SD=8.61], 17.81 [SD=8.52], 17.81 [SD=8.18]; p = 0.005）也观察到相同的模式。其余检测平台测量的p-Tau₂₁₇水平在BMI组间显示出相似趋势，但仅达到边际显著性：Fujirebio（0.20 [SD=0.26], 0.17 [SD=0.27], 0.10 [SD=0.08]; p = 0.069）、Alzpath（0.40 [SD=0.27], 0.38 [SD=0.29], 0.30 [SD=0.17]; p = 0.103）和Janssen（0.06 [SD=0.04], 0.05 [SD=0.04], 0.04 [SD=0.03]; p = 0.083）。在任何平台上，Aβ_42/40、p-Tau₁₈₁或GFAP均未观察到显著的组间差异（表1）。

值得注意的是，正常体重、超重或肥胖参与者在淀粉样蛋白PET SUVR或淀粉样蛋白PET阳性方面没有显著差异，表明上述BBM的BMI组差异可能不反映脑淀粉样蛋白负荷。具体来说，平均SUVR值在正常体重参与者中为1.13 [SD=0.22]，在超重参与者中为1.11 [SD=0.21]，在肥胖参与者中为1.06 [SD=0.15]（p = 0.175），这些组中被分类为淀粉样蛋白阳性的参与者比例分别为35.2% (95% CI: 25.1%–46.8%), 33.6% (95% CI: 25.6%–42.7%), 和21.4% (95% CI: 12.7%–33.8%)（p = 0.189）（表1）。

3.2 Continuous associations between BMI/BV and BBMs

在涵盖所有血浆访问的调整后LMM中，较高的BMI与较低的p-Tau₂₁₇^(C2N)（β = -0.032, p = 0.025）、p-Tau₂₁₇/N-ptau₂₁₇^(C2N)（β = -0.044, p < 0.001）、p-Tau₂₁₇^(Fujirebio)（β = -0.034, p = 0.034）、p-Tau₂₁₇^{(Quanterix, Alzpath)}（β = -0.024, p = 0.034）、GFAP^(Roche)（β = -0.032, p ≤ .001）、GFAP^(Quanterix)（β = -0.028, p = 0.015）、NfL^(Roche)（β = -0.050, p < 0.001）和NfL^(Quanterix)（β = -0.057, p < 0.001）水平显著相关。较高的BV与较低的p-Tau₂₁₇/N-ptau₂₁₇^(C2N)（β = -0.054, p = 0.006）、GFAP^(Roche)（β = -0.048, p = 0.002）和GFAP^(Quanterix)（β = -0.043, p = 0.016）、以及NfL^(Roche)（β = -0.074, p < 0.001）和NfL^(Quanterix)（β = -0.082, p < 0.001）相关，与BMI相比显示出更大的效应量（表S2）。

3.3 Associations between BBMs and amyloid PET SUVR

较低的血浆Aβ_42/40与除C2N外的所有检测平台的较高PET SUVR相关，而较高水平的血浆p-Tau₁₈₁、p-Tau₂₁₇、p-Tau₂₁₇/n-pTau₂₁₇和GFAP与较高的PET SUVR相关（表S3）。在调整BMI作为协变量后，这些关联仍然存在，除了Aβ_42/40^(Fujirebio)（表S3）。BMI本身在与Aβ_42/40^(C2N)、Aβ_42/40^(Fujirebio)和Aβ_42/40^(Roche)作为主要暴露的模型中与PET SUVR相关，