编辑推荐：
为解决单一生物数据预测生物年龄的局限性及探究精神分裂症（SZ）患者生物年龄特征问题，研究人员整合脑 MRI、肠道微生物组和血液数据开展生物年龄预测研究。结果显示多生物数据模型预测更准，SZ 患者生物年龄差距（BAG）增大，且与认知、症状评分相关，为评估神经精神疾病提供新视角。
在生命的长河中，衰老一直是科学家们深入探索的神秘领域。随着研究的不断深入，生物年龄的概念逐渐走进人们的视野。它不再是简单地与实际年龄划等号，而是反映人体生理状态的综合指标。在精神分裂症领域，患者不仅承受着精神症状的折磨，还面临着生理上的异常变化，其中生物年龄的改变备受关注。以往研究发现，精神分裂症患者常出现加速衰老的迹象，如氧化应激增加、患年龄相关疾病风险上升等。然而，仅依靠单一的生物数据，如脑成像、血液检测或肠道微生物分析，很难全面深入地了解衰老和疾病进程中的复杂机制。这就如同盲人摸象，每个部分的信息都很重要，但只有整合起来才能窥见全貌。为了填补这一空白，广州医科大学附属脑科医院的研究人员勇挑重担，开展了一项极具意义的研究。该研究成果发表在《Brain Research Bulletin》上，为精神分裂症的研究和治疗带来了新的曙光。
研究人员为了更准确地预测生物年龄，探索精神分裂症患者的生物年龄特征，招募了 140 名健康对照（HCs）和 43 名精神分裂症患者（SZs）。他们收集了这些参与者的多生物数据，包括脑磁共振成像（MRI）、肠道微生物组和血液数据，同时对认知功能和症状严重程度进行了评估。在数据处理过程中，运用了多种技术方法。首先，针对不同类型的数据进行了专门的采集和预处理。例如，MRI 数据通过特定的设备采集后，依据既定流程计算出多种图像特征；肠道微生物组样本从新鲜粪便中获取，经 16S rRNA 测序技术提取菌群特征；血液样本则获取了多类生化指标。接着，考虑到多生物数据的特性，进行了复杂的特征工程，如对肠道微生物数据进行去零值、CLR 转换等处理，还运用 LASSOCV 技术进行特征选择，以避免过拟合。最后，使用五种机器学习模型（包括 MLR、ridge、SVR、RFR 和 XGBoost 回归）进行生物年龄预测，通过 10 折交叉验证和网格搜索优化超参数，确定最佳模型 。
研究结果令人眼前一亮。在人口统计学信息方面，HC 和 SZ 组在性别和年龄上无显著差异，但 SZ 组在 MCCB 测试的多个认知领域得分显著低于 HC 组。在生物年龄预测性能上，整合多生物数据的模型表现出色，XGBoost 回归结合 LASSOCV 特征选择时精度最高（MAE = 2.41 年），且多生物数据模型比仅使用脑 MRI 数据的模型预测性能更好。经过偏差调整后，SZ 组的预测生物年龄显著高于实际年龄，其 BAG 也显著高于 HC 组。通过对特征重要性的分析发现，脑 MRI 数据贡献了大部分重要特征，其中额叶、颞叶和穹窿对生物年龄预测尤为关键；同时，还确定了部分与年龄相关的血液生化指标和肠道微生物属。进一步分析发现，SZ 组的 BAG 与 MCCB 得分呈显著负相关，与 PANSS 得分呈显著正相关。
研究结论表明，整合多生物数据能够更精准地预测生物年龄，这一成果为理解衰老和疾病过程提供了更全面的视角。对于精神分裂症患者而言，他们的生物年龄预测 BAG 显著增大，这不仅反映了疾病导致的加速衰老现象，还与认知功能和症状严重程度密切相关。这意味着 BAG 有可能成为评估认知衰老和神经精神疾病的重要生物标志物，为临床诊断和治疗提供新的参考指标。不过，该研究也存在一定局限性，如样本量较小、年龄分布不均、分层阈值的普适性不确定以及缺乏部分纵向数据等。尽管如此，这项研究依然意义非凡，它为后续更大规模、更深入的研究奠定了坚实基础，有望推动精神分裂症早期检测和监测技术的发展，让我们在攻克精神分裂症这一难题的道路上迈出了重要一步。
