探索暴露组与表观遗传衰老中未解释方差——来自青少年和成年早期纵向双生子研究的见解

《Environment International》:Exploring the exposome and unexplained variance in epigenetic ageing – Insights from a longitudinal twin study in adolescence and early adulthood

【字体: 大 中 小 】 时间:2026年07月29日 来源:Environment International 10.2

编辑推荐:

  • 筛选了186种独特暴露(exposome);预测因子解释了高达31%的表观遗传衰老(epigenetic ageing)。 • 数据驱动的机器学习(machine learning)模型揭示了非线性的环境表观遗传衰老预测因子。 • 生活方式、社会经

  
• 筛选了186种独特暴露(exposome);预测因子解释了高达31%的表观遗传衰老(epigenetic ageing)。
• 数据驱动的机器学习(machine learning)模型揭示了非线性的环境表观遗传衰老预测因子。
• 生活方式、社会经济、绿地及污染因素预测表观遗传年龄(epigenetic age, EA)。
• 双生子模型(twin model)表明,缺失的暴露组反映了非共享环境暴露(non-shared environmental exposures)。
• 研究结果强调了可改变的系统性暴露,这些暴露可能减少衰老不平等。
研究背景:衰老并非疾病,而是一个复杂过程,增加晚年疾病风险。生命晚期的健康基础在年轻时建立,衰老过程始于出生前,遵循发育可塑性(developmental plasticity),童年环境暴露通过表观基因组(epigenomic)改变影响成人特质及疾病易感性。表观遗传年龄(epigenetic age, EA)通过DNA甲基化(DNA methylation, DNAm)在胞嘧啶-磷酸-鸟嘌呤(cytosine-phosphate-guanine, CpG)位点估计,被视为衰老标志;其变化可反映与时间年龄的同步或加速/减速。表观遗传时钟(epigenetic clocks)如PCGrimAge和DunedinPACE可预测年龄相关疾病、死亡率及生理衰退。然而,大多数流行病学研究仅关注单一暴露或领域,忽视了暴露的复杂性和共暴露混淆(co-exposure confounding)。暴露组(exposome)概念应运而生,定义为从受孕到生命历程影响个体健康的所有环境和生物暴露。理解早期衰老并促进健康公平需要识别这些暴露,但现有研究在范围和方法上受限,常忽略非线性关系及相互作用。本研究旨在通过纵向双生子设计,探索童年和青少年期积累的大范围外部暴露与成年早期EA的关联,并利用双生子模型控制遗传混淆,量化暴露组解释的方差比例及未解释方差的组成。该论文发表在《Environment International》。

研究人员开展的研究:基于芬兰双生子队列FinnTwin12(FinnTwin12 cohort),包含848名个体(379对完整双生子及89名单胎),在22岁时采集血液样本进行DNA甲基化分析,计算PCGrimAge和DunedinPACE两种EA指标。暴露组评估涵盖186种独特暴露(共556次测量),包括生活方式、家庭与朋友、居住环境及居住地人口统计四大领域,数据来源于问卷调查和环境数据源(如空气质量、绿地等)。采用系统分析流程:先进行暴露组关联研究(Exposome-Wide Association Study, ExWAS)筛选单暴露线性关联,再应用Knockoff Boosted Tree(KOBT)和稀疏N路偏最小二乘(sparse N-Way Partial Least Squares, sNPLS)处理非线性与纵向结构,最后通过Boruta算法(基于随机森林)进行稳定性选择识别稳健预测因子。对选出的暴露进行线性混合模型(linear mixed-effects model, LMM)验证,并利用经典双生子模型(Cholesky分解)分解EA方差,比较未调整模型与暴露调整后模型的遗传(A)、共享环境(C)和独特环境(E)成分变化。

研究结果:

3.1 研究人群(Study population)
纳入847名个体(42.3%男性),其中29.4%父亲和43.5%母亲拥有中学文凭,16.6%父亲和17.8%母亲拥有大学学位。PCGrimAge均值38.7岁,DunedinPACE均值0.88。

3.2 ExWAS(ExWAS)
对556种暴露进行单暴露线性混合模型分析,经Benjamini–Hochberg(FDR)校正后,仅9种暴露(PCGrimAge 7种、DunedinPACE 2种)显著。吸烟行为呈剂量-反应正相关,非吸烟者EA降低;饮酒、性行为年龄等也显著。绿地大小对DunedinPACE呈正相关(β=0.388, 95% CI [0.171, 0.604], p=0.009)。

3.3 KOBT和sNPLS(KOBT and sNPLS)
KOBT在严格FDR控制下未识别显著预测因子,但接近阈值的暴露模式与ExWAS相似(吸烟、饮酒、低收入水平、植被指数)。sNPLS未通过稳定性选择标准,未识别纵向稳定预测因子。

3.3.1 后续分析(Follow-up analyses)
针对Boruta选出的绿地大小(22岁)与DunedinPACE的正关联,进行土地利用类型交互分析。简单斜率检验显示,该正关联仅在非灌溉耕地(农用土地)中显著(β=0.011, 95% CI [0.000, 0.023], p=0.045),而森林用地无关联。空气黑碳(aerial black carbon)水平在城市环境(体育休闲设施、城市绿地)显著高于农村环境(β=0.26, 95% CI [0.19, 0.34], p<0.01),但黑碳与EA呈负相关,可能反映城市优势。

3.4 双生子模型(Twin modelling)
未调整模型显示,PCGrimAge总方差(V_tot=9.87)中遗传因素(A)占73%,独特环境(E)占27%;DunedinPACE总方差(V_tot=0.01)中A占72%,E占28%。调整Boruta选出的暴露后,未解释方差(PCGrimAge V_tot=7.01;DunedinPACE V_tot=0.007)组成发生逆转:PCGrimAge中A降至38%,E升至62%;DunedinPACE中A降至16%,E升至84%。表明暴露组成功捕捉了大部分遗传成分,未解释方差主要由非共享环境暴露驱动。

讨论总结:研究识别了九个经共识衍生的预测因子(PCGrimAge和DunedinPACE各九个,部分重叠),涵盖生活方式(吸烟、饮酒、能量摄入、性行为年龄)、人口统计(失业率、人口密度、年龄结构)和环境(树冠覆盖、植被指数、空气污染)领域,解释了约30%的EA方差。非线性动态和共暴露相互作用对预测至关重要,线性方法无法捕捉。双生子模型揭示,未解释方差主要为独特环境暴露,提示“缺失暴露组”可能包含未测量的环境变量、随机暴露、表观遗传漂移(epigenetic drift)和测量误差。部分结果(如绿地大小与EA正关联、黑碳与EA负关联)可能反映了城乡差异和社会结构因素,而非直接暴露效应。研究强调,早期生活暴露可编程晚年健康,识别可改变的系统性因素为精准干预和健康公平提供了社会层面杠杆。

研究结论翻译:研究人员识别了稳健预测因子,解释了成年早期表观遗传衰老的方差,范围从已确立的生活方式风险(如吸烟和饮酒)到负相关因素(如绿地暴露和适龄居住人口统计)。非线性和相互作用的证据尤为关键,因为简单效应模型无法捕捉主要以独特环境暴露为主的未解释方差。研究人员对EA未解释方差(“缺失暴露组”)的双生子模型表明,研究人员的暴露组有效捕捉了共享遗传和环境影响,剩余部分主要由驱动家庭内个体差异的独特、非共享环境因素主导。早期生活暴露可编程晚年健康,研究人员的识别了可改变的系统性因素,这些因素为针对人群水平健康公平的精准干预提供了社会杠杆,超越了仅针对个体行为所能实现的范围。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号