人工智能驱动的视网膜神经纤维层代谢组学：揭示死亡与心血管代谢疾病风险的新途径

《Nature Communications》：Artificial intelligence-driven metabolomics of retinal nerve fibre layer to profile risks of mortality and cardiometabolic diseases

本刊推荐：为阐明视网膜神经纤维层（RNFL）厚度与心血管代谢疾病（CMD）关联的生物学基础，研究团队整合视网膜光学相干断层扫描（OCT）与人工智能算法，通过双队列代谢组学分析鉴定出26个与RNFL厚度显著相关的代谢生物标志物（其中19-26个与HDL组成和脂质运输相关），这些标志物可解释RNFL-CMD关联的显著比例（如2型糖尿病63.7%，心肌梗死44.7%）。AI驱动的RNFL代谢状态模型能将CMD风险分层提升至21.8倍，并在跨遗传和人口统计学层面展现出临床转化价值，为公平化CMD管理提供新策略。

　　

眼睛作为"心灵的窗户"，不仅承载着视觉功能，更可能成为窥探全身健康的独特窗口。视网膜作为中枢神经系统的延伸部分，其独特的解剖结构为无创监测心血管代谢健康提供了天然平台。随着光学相干断层扫描（OCT）技术的飞速发展，如今我们能够以微米级分辨率无创观察视网膜各层的细微变化，这其中，视网膜神经纤维层（RNFL）的厚度变化与心血管代谢疾病（CMD）的关联日益受到关注。

然而，尽管大量证据表明RNFL变薄与2型糖尿病（T2D）、心肌梗死、心力衰竭等疾病风险增加相关，但这种"眼-心"连接的生物学基础始终是个未解之谜。理解这一联系的分子介质，不仅对确立RNFL作为有效生物标志物至关重要，更能揭示可干预的早期系统紊乱，为疾病预防提供新靶点。

在这项发表于《Nature Communications》的研究中，Shaopeng Yang、Zhuoyao Xin等研究人员通过整合先进视网膜成像、人工智能算法和代谢组学技术，首次系统阐明了RNFL厚度与CMD风险的共享代谢基础，为早期风险分层和精准预防提供了新见解。

关键技术方法

研究利用英国生物样本库（UKB）的78,24名同时接受OCT扫描和代谢组学分析的参与者（人群-I），以及86,014名仅接受代谢组学分析的参与者（人群-II），并独立验证于广州糖尿病眼研究（GDES）的1,286名中国糖尿病患者队列（人群-III）。采用核磁共振（NMR）和液相色谱-质谱联用（LC-MS）互补代谢组学分析，结合机器学习算法构建预测模型，并通过多基因风险评分（PRS）评估遗传易感性。

RNFLT相关代谢物与CMD风险的关联

研究发现26个NMR生物标志物与RNFL厚度独立相关，其中24个呈负相关，主要涉及高密度脂蛋白（HDL）各亚类颗粒中的总脂质、磷脂、胆固醇等成分，以及磷脂酰胆碱和载脂蛋白A-I等。这些代谢物同样与多种CMD结局显著相关，介导分析显示它们解释了RNFL厚度与CMD关联的相当大比例（T2D为63.7%，心肌梗死为44.7%），远高于传统风险因素的贡献。

RNFLT代谢状态对CMD的预测价值

AI驱动的RNFL代谢状态模型展现出卓越的风险分层能力，最高十分位与最低十分位参与者的事件发生率差异达21.8倍。当整合RNFL代谢状态信息后，所有30个传统预测模型的性能均显著提升，尤其在T2D预测中表现最为突出。模型在校准曲线和决策曲线分析中均表现出良好的校准度和临床效用。

对健康不平等人群的益处

研究特别关注了RNFL代谢状态在减少健康不平等方面的潜力。结果显示，整合RNFL代谢状态后，女性、社会经济弱势群体和低教育水平人群的CMD风险预测改善程度更为显著，有效缩小甚至逆转了不同人群间的预测差距，为实现公平的CMD管理提供了新思路。

独立队列中的外推验证

在GDES队列中，研究不仅验证了磷脂、胆碱等NMR平台发现的代谢物，还通过LC-MS检测到更多低丰度代谢物，涉及氨基酸、苯衍生物、辅酶等多个生物通路，进一步丰富了RNFL代谢状态的内涵。RNFL代谢状态在该独立队列中仍保持最强的预测效能，且在不同人口统计学亚组中的益处模式与UKB队列一致。

研究结论与意义

该研究首次提出并验证了"共享代谢基础"概念，阐明RNFL退化与CMD风险关联的生物学机制。RNFL代谢状态不仅作为有效的CMD风险生物标志物，更捕获了传统方法忽视的早期系统紊乱，为风险分层提供了统一视角。特别值得注意的是，这种方法在缩小健康不平等方面的潜力，以及在不同遗传易感性和种族背景下的稳健性，为其在初级保健场景中的规模化应用奠定了基础。

随着视网膜扫描在初级医疗中的普及，这种人工智能驱动的"眼组学"方法有望成为连接眼部表型与全身健康档案的可扩展桥梁，为心血管代谢健康的早期预警和精准干预开辟新途径。未来研究需在更多样化人群中验证这一框架，并探索其随时间动态变化的规律，以充分发挥其在个性化医学中的潜力。