基于贝叶斯网络分析揭示个体背景风险因素与流感易感性间的因果关系网络

本研究针对流感易感性个体风险因素复杂关系不清的问题，通过分析日本岩木健康促进项目(IHPP)的1,062名居民健康检查数据，运用贝叶斯网络(BN)构建个体化因果网络模型。研究发现五种流感易感人群亚型（高血糖型、肺炎型、睡眠剥夺型、营养不良型和过敏型），首次系统揭示了从营养摄入、睡眠习惯到血液指标等多因素交互作用的致病通路。该研究为个性化流感预防策略提供了创新性方法框架，相关成果发表于《Scientific Reports》。

　　

流感作为全球性健康威胁，每年导致数十万人死亡，但其个体易感因素间的复杂网络关系始终是未解之谜。传统研究多聚焦单一环境或生物因素，而现实中人们常面临多重风险因素的协同作用——年轻人通勤接触病毒的机会增加却睡眠不足、过敏体质者伴随营养失衡、糖尿病患者免疫防御功能下降...这些错综复杂的个体背景如何共同影响流感易感性？来自日本弘前大学的研究团队创新性地采用贝叶斯网络(BN)建模方法，在《Scientific Reports》发表的研究中揭开了这层神秘面纱。

研究团队利用岩木健康促进项目(IHPP)2019年度1,062名居民的健康检查数据（含2,090项指标），通过机器学习筛选出165个关键参数。采用B样条非参数回归算法构建贝叶斯网络，引入创新的路径相对贡献值(PathRC)量化因果通路重要性，并通过层次聚类识别个体差异特征。样本队列来自日本青森县农村社区，涵盖20岁以上各年龄段人群（平均52.67±15.25岁），其中11.4%报告过去一年有流感感染史。

【研究结果】

Subject background & data preparation

研究团队从初始2,090项检查参数中，通过机器学习特征选择和专家评估相结合的方式，最终确定165个分析指标。基础分析显示，流感组与非流感组在21项指标上存在显著差异，包括年龄较轻（49.85 vs 53.05岁）、肺炎病史（13% vs 5%）、睡眠时间短（6.64 vs 6.95小时）等特征。

Basic analysis

逻辑回归分析识别出13个关键风险因素，其中肺炎病史使流感风险增加2.88倍（OR=2.88），睡眠每增加1小时风险降低22%（OR=0.78）。血液指标中，补体C4水平每升高1单位风险降低5%（OR=0.95），而二高-γ-亚麻酸(DGLA)水平升高使风险翻倍（OR=2.08）。

Network analysis

构建的贝叶斯网络揭示多条流感发病通路："医疗史/心肺功能"和"睡眠"直接导致流感发病；"营养素/食物"通过"血液检测"和"医疗史"间接影响；另有通路经"过敏"和"生活习惯"传导。图中橙色边显示直接关联路径，如睡眠效率与流感发病的直接关联强度达PathRC 1.737。

Clustering of all participants

基于网络贡献值(RC)的聚类分析将人群分为5类，其中Cluster 1流感发病率达28.4%（其他组7.2-12.2%）。该群体61.7%有肺炎病史，睡眠质量指数(PSQI-J)显著偏高，糖化白蛋白水平升高。

Clustering of participants with influenza

深入分析流感患者亚型发现：Cluster 1（高血糖型）表现为糖代谢异常；Cluster 2（肺炎型）全部有呼吸道病史；Cluster 3（睡眠剥夺型）显示睡眠效率低下；Cluster 7（过敏型）杂草/杉树过敏测试阳性率显著。

研究结论开创性地提出流感易感性的"个体化因果网络"理论：不同人群存在差异化的风险因素组合及传导路径。高血糖通过损害树突细胞功能、肺炎病史削弱呼吸道防御、睡眠不足影响免疫调节、营养不良导致必需脂肪酸（如EPA/AA比例失衡）缺乏、过敏引发慢性炎症等机制，各自形成独特的"易感网络"。该研究首次实现从群体水平风险因素识别向个体化网络预测的跨越，为精准预防提供新范式——针对高血糖型需控制血糖，肺炎型应加强呼吸道防护，睡眠剥夺型需改善睡眠质量等。技术层面创新的PathRC指标和个体化网络分析方法，可拓展应用于其他复杂疾病的预防策略制定。

值得注意的是，研究存在未纳入疫苗接种史和遗传因素等局限。Akihide Terada等作者建议未来研究可整合基因组数据，并验证网络模型在前瞻性干预中的预测效能。这项来自日本乡村社区的研究成果，为全球流感精准防控提供了重要的方法论创新和实证依据。