基于GAMLSS模型跨人群构建年龄相关淀粉样蛋白β动态轨迹：横断面轨迹与纵向验证揭示种族差异

本研究运用广义加性位置尺度形状模型（GAMLSS）首次在认知正常人群中对淀粉样蛋白β（Aβ）正电子发射断层成像（PET）的年龄动态轨迹进行建模与验证。通过匹配韩国与非西班牙裔白人（NHW）队列，发现NHW人群（尤其APOE ε4携带者）呈现更陡峭的Aβ积累轨迹。该横断面建模方法经纵向数据校准验证，为阿尔茨海默病（AD）预防策略提供可扩展的多族群研究框架。

　　

背景

阿尔茨海默病（AD）的特征性病理改变包括淀粉样蛋白β（Aβ）斑块和神经原纤维缠结的异常积聚，这些病理变化驱动神经退行性过程和认知功能下降。在Aβ和tau病理中，Aβ沉积在临床症状出现前数十年即已开始，这使其成为早期检测和干预的关键靶点。即便在认知正常（CU）个体中，Aβ斑块也经常被观察到，且Aβ阳性率随年龄增长而增加。然而，尽管Aβ阳性率随年龄增长而增加已被充分记录，但很少有研究专注于描述CU个体中与年龄相关的Aβ轨迹。

方法

研究设计与人群

研究共纳入5125名韩国参与者，这些参与者来自韩国克服痴呆症登记及加速痴呆症研究项目（K-ROAD），该项目是全球阿尔茨海默病神经影像倡议（ADNI）的成员。所有参与者均接受了全面的神经心理学评估、脑磁共振成像（MRI）和Aβ PET成像。CU状态的定义基于以下标准：根据Christensen健康筛查标准，无可能影响认知功能的疾病史；并且基于全面的神经心理学测试电池，在任何认知领域均无客观认知损害，其操作化定义为在记忆领域表现高于年龄和教育调整后常模的-1.0个标准差（SD），在其他认知领域高于-1.5个标准差。应用这些标准后，996名基线年龄≥50岁且具有基线Aβ PET扫描的CU韩国参与者被纳入模型开发。其中，149名参与者至少接受了一次随访扫描，这些数据用于内部验证。

为了比较不同种族间的年龄相关Aβ积累模式，本研究分析了北美ADNI（NA-ADNI）数据集。从该队列中，我们确定了555名CU非西班牙裔白人（NHW）参与者，基线年龄≥50岁，他们总共贡献了1446次纵向测量（包括891次随访）。NA-ADNI的详细纳入和排除标准可在ADNI网站查询。参与者筛选的流程图见支持信息中的图S1。

为了进一步评估研究结果的可靠性，本研究将抗淀粉样蛋白治疗无症状阿尔茨海默病（A4）研究的数据作为独立的NHW队列纳入分析。具体而言，我们比较了来自NA-ADNI的NHW参与者与来自A4研究的NHW参与者之间的年龄相关Aβ轨迹。K-ROAD、NA-ADNI和A4研究的队列特异性CU定义和纳入标准总结于支持信息中的表S1。

所有K-ROAD参与者均提供了书面知情同意书，各参与中心的机构审查委员会批准了研究方案。此外，ADNI数据共享和出版物委员会批准了数据使用和发表。

淀粉样蛋白PET成像采集

所有韩国参与者使用[1?F]-florbetaben、[1?F]-flutemetamol或[11C]-匹兹堡化合物B（PiB）进行Aβ PET扫描，遵循制造商指南（支持信息中的方法S1）。对于K-ROAD队列，所有成像分析，包括标准化摄取值比（SUVR）的计算，均在三星医疗中心的核心实验室进行。所有来自NA-ADNI队列的NA-ADNI参与者和A4研究参与者均接受了[1?F]-florbetapir（AV45）PET扫描，SUVR从他们各自的数据集中获得。

为确保不同示踪剂间Aβ PET测量的可比性，本研究使用了Klunk Centiloid（CL）标度，该标度在队列研究和临床试验中被广泛接受。在K-ROAD研究中获取SUVR并将这些值转换为CL的详细程序见方法S1。对于NA-ADNI参与者，我们使用先前建立的线性变换（CL = 188.22 × SUVR_FBP – 189.16）将AV45 SUVR转换为CL值。

倾向评分匹配与分层以比较Aβ积累模式

仅使用基线数据（即每位参与者首次访视的数据）来拟合模型，随后使用相同受试者的剩余纵向数据对拟合的模型进行验证。在模型拟合之前，进行了倾向评分匹配（PSM）以平衡两个队列之间的潜在混杂因素。匹配前，总队列包括1551名参与者，其中996名（64.2%）韩国人和555名（35.8%）NHW。与韩国人相比，NHW的男性比例、APOE ε4携带者比例更高，年龄和CL值也更高，表明组间存在基线不平衡。为解决这种不平衡，我们使用多变量逻辑回归模型进行了1:2的PSM，以年龄、性别和APOE ε4状态（携带者和非携带者）作为协变量。应用了最近邻算法（无放回），使用倾向评分logit值的0.1 SD作为卡钳宽度。PSM后，总共包括1370名参与者（849名来自K-ROAD，521名来自NA-ADNI）（图1）。匹配质量通过绝对标准化均数差（aSMD）进行评估，aSMD < 0.1的变量被认为平衡良好。倾向评分（PS）匹配参与者的基线特征概括如下：连续变量（如年龄）用均数±标准差或中位数（四分位距）表示，分类变量（如性别、APOE ε4状态）用计数（百分比）表示。

为了进一步探索CL积累模式中潜在的种族差异，PS匹配队列经历了一个两阶段的分层过程。首先，PS匹配队列按APOE ε4携带状态（携带者 vs. 非携带者）和性别（男性 vs. 女性）分层以形成亚组。随后，将总体匹配队列和新形成的亚组分别按种族分层。结果，总共生成了10个不同的数据集用于分析：在(1)总PS匹配队列、(2)APOE ε4携带者、(3)APOE ε4非携带者、(4)男性、(5)女性中比较韩国人与NHW（图1）。

Aβ轨迹的百分位数曲线与模型拟合

构建了基于百分位数估计的生长曲线，以说明CL值随年龄分布的情况。此方法分别应用于总PS匹配队列中的每个种族组，以及按APOE ε4状态和性别定义的亚组，以比较韩国人和NHW之间CL积累的年龄相关轨迹。对于CL的百分位数估计，我们使用了广义加性位置尺度形状模型（GAMLSS）。在GAMLSS中，将lambda-mu-sigma方法扩展到双曲正弦-反正弦双曲（sinh-arcsinh）分布，以考虑CL值的偏度和峰度，同时兼顾负值和接近零的观测值。应用惩罚样条函数将四个参数建模为年龄的平滑函数：μ（位置偏移参数）、σ（尺度参数）、ν（偏度参数）和τ（峰度参数）。应用了两种版本的双曲正弦-反正弦双曲分布：原始的双曲正弦-反正弦双曲分布和修正的双曲正弦-反正弦双曲分布。使用Akaike信息准则和Schwarz-Bayesian准则进行模型选择，以选择CL的适当分布。模型的拟合优度通过worm plots（残差的去趋势分位数-分位数图）进行评估。

模型验证与统计分析框架

通过比较观察到的纵向CL值与拟合模型预测的值来进行模型验证。为了预测纵向CL值，我们首先根据基线观察确定每位参与者的百分位位置，然后使用相应百分位的估计轨迹来估计他们在随访年龄的CL值。计算均方根误差（RMSE）以评估整体预测性能。使用校准图进一步评估观察值与预测值之间的一致性，并使用局部估计散点平滑（LOESS）拟合平滑曲线。拟合形式为 observed = α + β × predicted 的线性回归模型，通过估计校准斜率（β；理想值为1）和校准截距（α；理想值为0）及其95%置信区间（CI）来得出校准性能。

此外，我们评估了来自NA-ADNI的NHW的Aβ积累模式是否在来自独立A4研究的NHW中得到复制。为确保队列间的可比性，在来自NA-ADNI的匹配前NHW与来自A4研究的NHW之间进行了额外的1:4比例PSM。PSM过程与先前在K-ROAD韩国人与NA-ADNI NHW之间应用的过程相同。随后，对匹配的A4研究队列估计了百分位数曲线。如图1所示，生成了五个数据集用于分析：来自A4研究的NHW在(1)总PS匹配队列、(2)APOE ε4携带者、(3)APOE ε4非携带者、(4)男性、(5)女性中。

所有分析均使用R版本4.4.0进行。模型拟合和诊断程序使用GAMLSS包版本5.4-22进行。应用R中的pb()函数作为非参数平滑函数，并考虑了SASHo(μ,σ,ν,τ)和SASH(μ,σ,ν,τ)分布。双侧P值< 0.05被认为具有统计学意义。

结果

参与者的基线特征

PSM后，总共包括1370名参与者（849名韩国人和521名NHW）。在PS匹配队列中，345名（40.6%）韩国人和226名（43.4%）NHW为男性，而238名（28.0%）韩国人和152名（29.2%）NHW携带至少一个APOE ε4等位基因。韩国人的平均（SD）随访时间为5.82（1.80）年，NA-ADNI的NHW为7.80（3.04）年。PSM前的基线特征总结于支持信息中的表S2。总PS匹配队列（表1）和所有亚组（支持信息中的表S3和S4）在两个种族组的所有变量上均平衡良好。尽管总PS匹配队列中年龄的aSMD略高（0.321），但种族间的年龄分布仍然可比，具有相似的年龄均值（均值±SD，韩国人为72.5±6.5岁 vs. NHW为72.9±6.3岁）和中位年龄（73.0岁 vs. 72.2岁），表明残留不平衡最小。总体而言，除了年龄上的这一微小差异外，PSM成功地最小化了基线差异，为后续分析确保了可比的基础。

Aβ积累的模式

韩国人和来自NA-ADNI的NHW（按性别和APOE ε4状态匹配）的估计年龄相关CL值百分位数曲线分别显示在图2A,B中。在两组中，较低的百分位数（第5-25位）随年龄保持相对平坦，表明基线负荷低的个体很少或没有Aβ积累。相反，较高的百分位数（第75-95位）随年龄稳步增加，表明基线水平较高的个体出现进行性Aβ积累。值得注意的是，与韩国人相比，来自NA-ADNI的NHW在第50百分位数以上显示出更陡峭的增长，表明随年龄增长Aβ积累更快。来自A4研究的NHW显示相对于NA-ADNI略高的CL值；然而，两个NHW队列都表现出相似的年龄相关积累轨迹（图2C）。

按APOE ε4状态划分的年龄相关CL百分位数曲线

图3显示了按APOE ε4状态（携带者和非携带者；韩国人见图3A1和3B1，NA-ADNI NHW见图3A2和3B2，A4研究NHW见图3A3和3B3）分层的估计年龄特异性CL百分位轨迹。在ε4携带者和非携带者中，较高的百分位数（第75-95百分位数）与较低百分位数相比，表现出更明显的年龄相关增长，表明基线负荷较高的个体Aβ积累更快。这种模式在ε4携带者中尤其明显，从第40百分位向上，NHW显示出比韩国人更陡峭的增长。值得注意的是，在NA-ADNI中观察到的年龄依赖性积累模式在独立的A4研究中得到复制，尽管在ε4携带者和非携带者中，A4研究的基线CL值均略高。

按性别划分的年龄相关CL百分位数曲线

图4呈现了按性别分层的韩国人和NHW的估计年龄相关CL百分位数曲线。在男性和女性中， across ethnic groups，年龄相关的Aβ积累在第75百分位数以下仍然很小，增长仅限于较高的百分位数（第75-95百分位数）。韩国人表现出相对温和的增长，而来自NA-ADNI的NHW显示出更陡峭的CL进展轨迹，尤其是在女性较高的百分位数中（图4B1和4B2）。这些模式在来自A4研究的独立NHW队列中是一致的，支持了观察到的种族差异的稳健性。这些发现表明，性别并未实质性改变年龄依赖性Aβ积累模式中的种族差异，因为NHW consistently present more pronounced increases in higher CL percentiles than Koreans。

跨种族、APOE ε4状态和性别的模型校准验证

韩国参与者表现出良好的校准，斜率接近理想值1.0（1.03，95% CI；0.97至1.09），校准截距接近0（1.99，95% CI；-0.74至4.71）。类似地，按APOE ε4状态和性别分层的分析也显示出良好的校准，表明观察到的和预测的CL值之间具有很强的一致性（表2）。在来自NA-ADNI的NHW参与者中，校准斜率保持足够（1.00，95% CI；0.97至1.03）；然而，校准截距值> 0（7.34，95% CI；6.02至8.66），表明预测的CL值系统性地低于观察到的CL值。这种低估模式在所有按APOE ε4状态和性别分层的NHW亚组中一致观察到（表2）。用于图形评估的校准图呈现于图5以及图S2和S3。韩国人的RMSE为13.07，NA-ADNI的NHW为20.25（表2），韩国参与者较低的RMSE与校准结果一致。无法在来自A4研究的NHW中进行验证，因为无法获得纵向CL值。

讨论

本研究展示了基于GAMLSS的百分位数曲线在横断面基线数据中的应用，用于开发年龄相关的Aβ轨迹。通过纵向数据校准证实了这种方法的稳健性。值得注意的是，较低的百分位数随年龄保持相对稳定，而较高的百分位数则表现出显著增加，表明基线水平较高的CU个体出现进行性Aβ积累。在种族比较中，来自NA-ADNI的NHW表现出比韩国人更陡峭的轨迹，尤其是在APOE ε4携带者中。来自A4研究的独立NHW队列显示出可比的年龄相关Aβ模式，支持了我们建模方法的普适性和可重复性。综上所述，我们的发现强调了种族对CU人群Aβ积累模式的影响，尤其是在APOE ε4携带者中，并强调了针对早期检测和干预的人群特异性策略的重要性。解决种族变异性有助于推进AD研究和管理的个性化方法，包括一级和二级预防。

在本研究中，我们利用CU韩国参与者的基线数据成功开发了年龄相关的Aβ轨迹，这代表了一项重大的方法论进步，因为此类轨迹以前主要通过纵向随访数据获得，只有少数研究尝试使用横断面数据探索类似方法。通过使用我们自己的纵向数据集验证这些轨迹，我们证明了强大的校准，从而证实了我们横断面方法的可靠性。该方法论的一个关键方面是GAMLSS的应用，这是一个非常适合捕捉复杂的、年龄相关变化的统计框架。GAMLSS在处理非正态分布、估计多个参数和建模非线性模式方面特别有效。一些研究采用分位数回归来模拟CL积累的生长曲线，以捕捉不同年龄段的异质积累模式。然而，这种方法有两个主要缺点：它只能分析预先指定的分位数，并且可能在极端百分位数处产生不稳定的估计。为了解决这些方法学挑战，我们采用了GAMLSS，该方法以前尚未在痴呆症研究中应用。它在本研究中的成功应用强调了其用于研究动态生物标志物轨迹（如CU人群中的Aβ积累）的多功能性和适用性。这种创新方法允许高效分析大型、多样化的人群，并有助于识别Aβ积累中的细微模式。从基线数据推断纵向Aβ轨迹的能力不仅简化了AD研究，而且为检查不同人群的Aβ动态提供了一个可扩展的框架。因此，我们的方法能够进行更全面和包容的Aβ积累研究，从而增进我们对CU个体AD进展的理解。

使用根据横断面基线数据开发的Aβ轨迹，我们复制了APOE ε4对Aβ积累模式的既定影响，证明APOE ε4携带者的Aβ沉积水平显著高于非携带者。这一发现强化了APOE ε4作为AD中Aβ病理的主要遗传驱动因素的作用。虽然早期的一项研究表明APOE ε4影响Aβ积累的开始但不影响其进展，但我们的发现表明APOE ε4影响 onset 和积累率。这些差异可能源于人群或方法学相关的变异；然而，我们使用PS匹配提供了更稳健的方法。另一项研究支持我们关于APOE ε4与Aβ阳性更早发生和更短临床前阶段相关的发现，尽管它表明APOE ε4不改变Aβ积累的速率。此外，有可能的是，具有较低CL值的老年APOE ε4携带者更可能出现认知障碍，导致他们在高龄CU队列中的代表性不足。这可能部分解释了在该亚组中观察到的CL值下降。此外，在Aβ积累方面未观察到显著的性别差异，这与先前表明性别对CU人群Aβ动态没有实质性影响的研究一致。这些发现与认知轨迹中的发现形成对比，在认知轨迹中，女性通常表现出加速衰退。这种差异表明，性别特异性效应可能在疾病连续谱的后期出现，特别是当Aβ负荷与tau病理学和其他下游过程相互作用时。通过在我们K-ROAD队列内部验证这些轨迹，我们证明了我们方法的普适性，并强调了APOE ε4在驱动早期Aβ积累中的核心作用。

我们的分析框架应用于K-ROAD的韩国人和NA-ADNI的NHW，以比较不同种族间的年龄相关Aβ积累模式。NHW表现出比韩国人更陡峭的轨迹，突出了Aβ动态中的人群特异性差异。为了评估可重复性，我们进一步分析了来自独立A4研究队列的NHW。在A4研究中观察到的年龄相关Aβ积累模式与NA-ADNI中的模式高度一致，强化了我们横断面方法的稳健性和普适性。这些发现表明，我们的方法可靠地捕捉了不同人群间的Aβ积累动态。

我们的主要发现揭示，与韩国人相比，NHW表现出更陡峭的年龄相关Aβ轨迹，尤其是在APOE ε4携带者中。值得注意的是，这种差异在CL分布的第50百分位数以上最为明显，突出了NHW在较高Aβ负荷水平下加速Aβ积累的更大趋势。这种模式在NA-ADNI和独立的A4研究队列中一致观察到，强化了我们研究结果 across different NHW populations 的稳健性。这些发现与我们先前在CU阶段韩国人Aβ阳性率较低的观察结果一致，并表明年龄相关Aβ轨迹中存在人群特异性差异。这可能部分由遗传因素解释，包括我们先前研究中发现的一个保护性SORL1变体。该变体在亚洲人群中富集但在欧洲人中罕见，与小胶质细胞中SORL1表达增加有关，而小胶质细胞对Aβ清除至关重要。单细胞RNA测序进一步证明，与Aβ阳性个体相比，Aβ阴性个体中SORL1表达更高，表明该变体通过促进SORL1活性来增强Aβ清除。该变体在NHW中的较低流行率可能部分解释了他们更陡峭的年龄相关Aβ轨迹。与NHW男性相比，韩国男性随年龄增长CL值下降，可能表明年长的韩国男性在较低的Aβ负荷下出现症状，强调了人群特异性的Aβ动态。综上所述，这些结果强调了遗传和细胞机制在塑造Aβ积累的人群特异性模式中的关键作用，并突出了多族裔研究对于发现针对AD的多样化保护途径的重要性。

我们研究的优势在于使用主要基于基线数据的稳健建模方法，全面评估了年龄相关的Aβ轨迹，并在内部和外部 across diverse populations 进行了验证。此外，PSM的使用确保了队列间基线特征的良好平衡，增强了我们研究结果的可比性和可靠性。然而，我们的研究有几个局限性。首先，尽管使用了PSM，但参与者选择标准、教育水平、认知储备和PET成像方案方面的残留异质性可能影响了观察到的Aβ积累模式，即使有CL标度 harmonization。其次，虽然我们的模型成功地从基线数据推导出纵向Aβ轨迹，但这种方法可能无法完全捕捉Aβ积累动态中的个体变异性。第三，NHW中存在低估，可归因于两个关键因素：CL值的大变异性和模型开发集（即基线数据）中较高CL范围内的样本量小，以及模型验证集（即随访数据）中的长期随访，尤其是在NA-ADNI的NHW中。在基线时，NHW参与者表现出 substantial CL variability 和较高CL范围内的小样本量，这可能限制了模型完全捕捉较高CL值的能力。此外，来自NA-ADNI的NHW验证集包括了 significant proportion of cases (21%, 181 of 835) with follow-up durations beyond 6 years。值得注意的是，当将分析限制在随访期 under 6 years 的样本时，低估程度 decreased (calibration intercept reduced from 7.34 to 4.91)。此外，RMSE随随访时间延长逐渐增加，在6年后显著上升（支持信息中的表S5）。尽管存在这种低估，我们的模型有效地捕捉了CL值间淀粉样蛋白积累的不同速率。由于我们的主要 focus 是探索淀粉样蛋白积累模式中的种族差异，包括组间跨年龄和积累率的变化，模型捕捉相对趋势的能力足以解决我们的研究目标。第四，虽然我们推测人群特异性遗传因素可能影响种族差异，但我们没有将遗传数据纳入我们的模型。这限制了对机制的理解，强调了未来需要整合多组学数据以更好地理解Aβ积累途径的研究。最后，我们的研究主要包括韩国和NHW参与者，这限制了研究结果对其他种族群体的普适性。尽管如此，这种对基线数据的创新使用允许在没有广泛随访的情况下高效和可扩展地模拟纵向模式，为人群特异性Aβ积累模式提供了重要见解，并强调了多族裔研究对于完善AD早期干预和预防策略的必要性。

总之，我们的研究使用基于GAMLSS的横断面建模方法，在CU个体中开发并验证了年龄相关的Aβ轨迹。我们的发现揭示了韩国和NHW队列之间Aβ积累的显著人群特异性差异，强调了多族裔研究在理解Aβ沉积动态中的重要性。我们观察到韩国和NHW队列之间年龄相关Aβ PET轨迹的差异。这些可能反映了与 ancestry 或地区相关的遗传、环境、文化和医疗保健相关因素的组合，而不是内在的种族或民族特征。通过为模拟Aβ轨迹提供一个可扩展且高效的框架，我们的研究为完善AD预防和早期干预（包括一级和二级预防工作）的人群特异性策略提供了宝贵的见解。