尿液金属元素与肌少症及糖代谢异常的关联：基于NHANES数据的机器学习研究

本研究针对肌少症（sarcopenia）与糖代谢异常（尤其T2DM）的关联机制，通过分析NHANES数据库中2390名参与者的尿液金属元素数据，结合多组学聚类算法（iClusterBayes等）和机器学习模型（Lasso、RandomForest等），首次发现铅（Pb）、二甲基砷酸（DMA）、总砷（As）和钼（Mo）是糖尿病前期（IFG/IGT）和糖尿病（DM）人群肌少症的关键诊断标志物（AUC=0.998-1.0）。研究揭示了金属暴露与肌少症的代谢状态特异性关联，为高危人群精准筛查提供新策略。

　　

随着全球老龄化加剧，肌少症（sarcopenia）——一种以骨骼肌质量和功能进行性下降为特征的综合征，已成为老年健康的重要威胁。流行病学数据显示，65-70岁人群患病率达13-24%，80岁以上更是高达50%。更令人担忧的是，肌少症与2型糖尿病（T2DM）存在恶性循环：高血糖促进肌肉蛋白中的晚期糖基化终产物（AGEs）积累，而胰岛素抵抗又加速肌肉分解。与此同时，环境中的金属元素通过氧化应激、线粒体功能障碍等途径影响肌肉健康，但不同代谢状态下金属元素与肌少症的具体关联仍不明确。

为破解这一难题，研究人员利用美国国家健康与营养调查（NHANES）2011-2014年周期数据，纳入2390名具有完整尿液金属元素、糖尿病和肌少症诊断信息的参与者。通过MOVICS软件包中的10种多组学聚类算法（如iClusterBayes、moCluster）将人群分为两个亚组，发现高肌少症患病率的亚组2在糖尿病群体中尤为显著。随后采用12种机器学习算法（包括Lasso、XGBoost等）的113种组合进行特征筛选，最终锁定铅（Pb）、二甲基砷酸（DMA）、总砷（As）和钼（Mo）四个关键标志物。

3.1. 受访者亚组的确定
通过聚类预测指数（CPI）和Gap统计量确定最佳亚组数为2。亚组2在整体人群和糖尿病患者中肌少症患病率显著更高（P<0.05），且该亚组尿液金属浓度普遍低于亚组1，提示低水平金属暴露可能与肌少症风险相关。

3.2. 机器学习回归的特征选择
随机森林（RF）与梯度提升机（GBM）组合在整体人群中表现最优（AUC=0.998），而不同糖代谢状态的最佳模型各异：IFG人群适用岭回归（AUC=1），DM人群适用RF（AUC=1）。维恩图分析揭示四个跨群体一致的标志物：尿液铅（Lead_Urine）、二甲基砷酸（Urinary_DimethylarsinicAcid）、总砷（Urinary_TotalArsenic）和钼（Molybdenum_Urine）。

3.3. 关键特征与肌少症的关联
在糖尿病患者中，尿液铅每增加1单位，肌少症风险下降2.5%（OR=0.975，P=0.028），且45岁以上人群关联更强。限制性立方样条（RCS）分析显示铅与肌少症呈非线性关系，而二甲基砷酸在DM群体中也显示显著差异（P=0.02）。值得注意的是，即使在调整慢性肾病（CKD）分期后，这些关联依然存在，表明金属毒性可能独立于肾功能影响肌肉健康。

这项发表在《Ecotoxicology and Environmental Safety》的研究具有三重意义：首先，首次建立尿液金属元素与肌少症的代谢状态特异性关联图谱，尤其填补了糖尿病前期人群的研究空白；其次，机器学习模型（AUC近1.0）的卓越性能为临床筛查提供高效工具；最后，揭示铅等金属的"双刃剑"效应——适量时可能参与生理调节，过量则导致毒性累积。未来研究需深入探索金属干扰肌肉稳态的具体通路，如是否通过活性氧（ROS）生成或胰岛素信号转导发挥作用。

该研究的局限性在于横断面设计难以推断因果关系，且正常糖代谢人群样本量不足可能掩盖潜在关联。作者建议开展前瞻性队列验证，并探索通过螯合疗法或营养干预调节金属代谢的可行性。这些发现为制定分层干预策略奠定基础，尤其对糖尿病等高风险群体的肌少症防控具有重要指导价值。