空气污染与心肺功能及代谢生物标志物之间的关联：混合物暴露的新见解

《Journal of Hazardous Materials》：Associations between air pollution and cardiorespiratory function and metabolic biomarkers: New insights into mixture exposures

　　

摘要

空气污染是全球主要的健康风险因素之一，对心血管、呼吸和代谢系统产生不利影响。既往研究主要集中在单一污染物的健康效应，以识别对健康影响更大的污染物。然而，在真实世界的混合暴露场景下，尚不清楚那些在单污染物模型中显示无显著关联的污染物是否仍可能影响健康。本研究利用北京慢性阻塞性肺疾病（COPDB）研究数据，分析了112名老年人的410次随访数据。我们连续监测了细颗粒物（PM2.5）、超细颗粒物和累积模式颗粒物（UFPs和Acc）、气态污染物（SO2、NO、NO2、O3）以及PM2.5成分（碳系物、金属和水溶性离子）。本研究选择空腹血糖（FBG）、心率（HR）和呼气峰值流速（PEF）作为健康指标。使用贝叶斯核机器回归（BKMR）模型，我们首先在单污染物模型中识别了与各健康指标相关的污染物。结果表明，SO2和UFPs与FBG升高显著相关；PM2.5中的Ca2+与HR升高显著相关；O3和UFPs与PEF降低显著相关。在排除与健康指标相关的污染物后，我们进一步评估了剩余污染物与健康指标之间的整体关联，并评估了所有污染物之间的成对交互关联。结果显示，整体关联变得更加显著且统计学意义更强，尤其是金属和气态污染物组。例如，在14天暴露窗口期，气态污染物组与FBG升高19.1%（95%置信区间：10.8%–27.4%）和PEF降低16.0%（95%置信区间：8.7%–23.3%）显著相关。此外，显著关联提示可能存在协同交互作用，主要涉及金属组。从混合暴露角度评估健康影响至关重要。即使在单污染物模型中未显示显著关联的污染物，在混合暴露下仍可能影响健康。

1. 引言

空气污染已成为威胁全球人类健康的主要环境风险因素之一[1]。大量流行病学和毒理学证据表明，暴露于空气污染物会对心血管[2]、呼吸[3]和代谢系统[4]产生不利影响。在真实世界中，人们通常暴露于共同存在且可能相互作用的空气污染物混合物[5]。

既往研究主要关注单一污染物的健康效应，这有助于识别对健康影响更大的污染物，并为制定有效的预防措施提供依据[6]。然而，在混合暴露条件下，空气污染物可能通过累积效应[7]或交互作用[8]产生更复杂的健康效应。例如，某些污染物可能单独作用效应较弱，但在混合暴露下联合评估时，其整体效应可能增强并达到统计学显著性，提示污染物之间存在潜在累积效应[9]。此外，一种污染物可能影响另一种污染物的效应估计，表明它们之间可能存在潜在的协同或拮抗交互作用。这些累积效应和潜在交互作用是空气污染导致不良健康结局的重要组成部分[10]。然而，关于空气污染物混合物健康效应的研究仍然有限。特别是对于那些单独评估时未显示显著关联的污染物，尚不清楚它们在混合暴露条件下是否仍可能影响健康。贝叶斯核机器回归（BKMR）是一种混合暴露模型，能够灵活捕捉多种污染物之间的非线性效应和潜在交互作用，从而比传统混合模型（如分位数g计算法（qgcomp）和加权分位数和（WQS）回归）更全面地表征联合暴露的健康影响。

空腹血糖（FBG）、心率（HR）和呼气峰值流速（PEF）分别反映代谢[11]、心血管[12]和呼吸状态[13]的健康指标。具体而言，FBG可用于评估代谢功能障碍和糖代谢受损[14]；HR反映心血管负荷和自主神经系统功能[15]；PEF是衡量气流受限和呼吸功能的常用指标[16]。这些指标在临床实践和流行病学研究中被广泛使用，且相对容易进行重复测量。此外，既往研究表明它们可能受到空气污染物短期暴露的影响[17]、[18]、[19]。

因此，本研究基于北京老年人进行的面板研究，即北京慢性阻塞性肺疾病（COPDB）研究。本研究选择FBG、HR和PEF作为健康指标。我们首先识别了与三个健康指标中每一个相关的空气污染物。随后，在排除与各健康指标相关的污染物后，我们评估了每组中剩余污染物与健康指标之间的整体关联，以考察那些在单污染物模型中与健康指标无显著关联的污染物在混合暴露条件下是否仍可能影响健康。最后，我们分析了空气污染物之间的成对交互关联与健康指标之间的关系。本研究评估了那些在单污染物模型中未显示显著关联的污染物在混合暴露下的潜在健康效应，突出了在评估空气污染健康效应时将混合暴露和"无显著性"污染物纳入考虑的重要性。

2. 方法

2.1. 研究设计

研究设计此前已详细描述[20]。简要而言，COPDB研究于2016年8月至2017年9月从北京什刹海社区招募了135名老年参与者（平均年龄：60.7±7.7岁）。其中23名参与者仅参加了一次随访，其余112名参与者完成了2至4次随访，在87个随访日共收集了410次随访观察数据，每天约评估3-7名参与者。基线信息（包括人口学特征、生活方式因素和健康状况）在招募时通过问卷调查收集。在随访期间，参与者完成一份10分钟的问卷以回忆前一天的活动。基线和随访问卷的详细信息见附表S1。COPDB研究中参与者招募、纳入和排除标准、失访情况及随访访问分布的详细信息见补充材料S2。COPDB面板研究于2016年经北京大学生物医学伦理委员会批准（批准号：IRB 00001052-15088）。

2.2. 空气污染物测量

既往研究已详细描述COPDB研究中空气污染物的测量方法[21]。简要而言，在什刹海社区卫生服务中心屋顶站点（距地面12米）连续监测每次随访前两周的小时浓度，监测的污染物包括臭氧（O3）、一氧化氮（NO）、二氧化氮（NO2）、二氧化硫（SO2）、细颗粒物（PM2.5）、有机碳（OC）、元素碳（EC）、黑碳（BC）和金属（K、Ca、V、Cr、Mn、Fe、Ni、Cu、Zn、As、Cd、Ba、Pb）。本研究仅定量测量总金属浓度，未测量水溶性组分。超细颗粒物（UFPs，5.6–93.1 nm）和累积模式颗粒物（ACCs，93.1–560 nm）的数量浓度由粒径分布推导得出。此外，使用四通道的空气颗粒物采样器（TH-16A；天津天鸿，中国）在聚四氟乙烯滤膜（PTFE，46.2 mm，Whatman?）上离线收集1天PM2.5样品。水溶性离子（NH4?、K?、Ca2+、NO3?、SO42?）通过离子色谱法（Dionex ICS-2500/200）分析。四通道的空气颗粒物采样器上的便携式气象站连续监测小时相对湿度（RH）和温度（T）。

空气监测站位于参与者居住区附近，87%的参与者居住在监测点5 km以内，7%的参与者居住在5-10 km范围内，6%的参与者居住在10-15 km范围内。仪器、质量控制方案、测量方法和检测限的详细信息见附表S2。移动平均污染物浓度（如7天平均值为滞后0-6的平均值）作为暴露指标使用。

2.3. 健康指标测量

呼气峰值流速（PEF）和心率（HR）的测量方法此前已详细描述。简要而言，在每次随访时，使用MicroLab肺活量计（NS Medical Inc.）按照标准方案测量PEF。测试前，指导参与者松开紧身衣物，双腿不交叉地坐着，佩戴鼻夹，使用塑料口含器而不咬住，并以最大能力用力呼气[22]。HR在上午8:00至9:00之间测量三次，使用便携式指端脉搏血氧仪（Nonin Onyx Vantage 9590；Foremost Medical Equipment Corp.，美国），每次测量间隔至少5分钟。每次测量时，指导参与者正常呼吸，前臂平放于平面上，肘部与心脏保持同一水平。对每位参与者，计算三次测量中最接近的两个HR读数的平均值[23]。空腹血糖（FBG）在什刹海社区卫生服务中心使用生化分析仪（Hitachi 3500，东京，日本）按照标准临床检验程序测量。

2.4. 统计分析

贝叶斯核机器回归（BKMR）是一种非参数统计方法，可评估空气污染物混合物的健康效应[24]。BKMR设置完全按照开发者原始方法论文实施，未作任何额外修改。我们将空气污染物分为四组：[1] 金属，[2] 水溶性离子，[3] 碳系颗粒物和颗粒物（CPM），[4] 气态污染物。我们进行了以下分析。（i）在1天、7天和14天的暴露窗口内，我们评估了同一组内单一空气污染物浓度增加一个四分位间距（IQR）与健康指标之间的关联，同时将同组内的其他污染物固定在其水平。与健康指标显著相关的污染物称为"健康指标相关污染物"。（ii）在排除健康指标相关污染物后，我们进一步评估了每组中剩余污染物与健康指标之间的整体关联。以25百分位数作为参考水平，我们估计当暴露于剩余污染物的浓度从35百分位数增加到75百分位数时，健康指标水平的变化，以评估在混合暴露条件下剩余空气污染物与健康指标之间的整体关联是否变得更强且统计学意义更显著。（iii）最后，我们检验了所有空气污染物之间的成对潜在交互作用。将两种金属同时纳入模型，其中一种指定为主要金属，另一种指定为次要金属。当次要金属浓度从25百分位数增加到75百分位数时，主要金属浓度增加一个IQR的估计效应出现显著增加或减少，则解释为存在潜在协同或拮抗交互作用的证据。所有分析中，p值使用Benjamini-Hochberg程序进行调整以控制错误发现率（FDR）。统计学显著性以FDR调整后p值<0.05为标准。

协变量的选择分两步进行。首先，基于流行病学理论和既往文献[25]，人口学和社会经济变量（年龄、性别、教育程度、年收入和体重指数）以及气象因素（温度和相对湿度）先验纳入模型。其次，其余变量（包括生活方式因素、个人暴露源、疾病状况和药物使用）使用线性混合效应（LME）模型进行评估。我们分别为FBG、HR和PEF构建了独立的LME模型，选择与生物标志物显著相关的变量作为协变量，并将参与者编号作为随机截距以考虑个体内相关性。LME结果见附表S3，各健康指标最终模型中包含的协变量详见材料S1。

在BKMR分析之前，健康指标浓度进行了ln变换、中心化及标准化。相比之下，空气污染物浓度以原始尺度纳入BKMR模型，未进行对数变换或标准化。在我们的数据分析中，进行了10,000次马尔可夫链迭代。检查MCMC迹线图并评估有效样本量（ESS）以评价模型收敛性（附表S7和附图S5）。所有分析和可视化均在R（版本4.4.3）中使用'bkmr'和'ggplot2'软件包完成。

2.5. 敏感性分析

我们进行了一系列敏感性分析以评估结果的稳健性。具体而言，对于主模型中未校正慢性阻塞性肺疾病（COPD）状况、糖尿病、代谢状况、季节、户外活动时长或特定污染源暴露（如烹饪油烟）的健康指标，我们在敏感性分析中进一步校正了这些协变量。我们改变了BKMR模型中的平滑参数（从r.b.=100改为r.b.=50和200）以评估结果对参数设置的依赖性。

我们根据疾病状态将参与者分为两组，并分别在每组内进行了BKMR分析的分层分析。我们排除了居住在监测站10公里以外的参与者。我们将所有已测量的污染物同时纳入BKMR模型，并采用加权分位数和（WQS）混合模型来评估结果是否依赖于BKMR模型的设定。

3. 结果

3.1. 一般数据：描述性统计

表S1总结了研究人群的demographic特征和基线生物标志物水平。男性占人群的41%，58%的参与者达到高中教育水平或以上，16%的参与者报告月收入超过5,000元人民币（高月收入）。39%、21%、53%和74%的参与者分别报告了既往经医生诊断或自报的慢性阻塞性肺疾病（COPD）、糖尿病、急性呼吸道疾病及其他代谢紊乱。FBG的均值±标准差（SD）为5.6 ± 1.3 mmol/L，HR的均值±SD为73.7 ± 11.1次/分钟，PEF（%预期值）的均值±SD为78.4 ± 24.2%。

表1展示了随访就诊前1天、7天和14天滞后期内空气污染物浓度和气象因子的分布情况。O?、SO?、NO、NO?、PM2.5、UFPs和Acc的7天移动平均浓度的中位数（四分位距）分别为26.9（21.5，36.2）ppb、1.7（0.9，4.7）ppb、7.5（4.6，13.1）ppb、20.3（17.5，25.2）ppb、57.0（40.0，71.1）μg/m3、9.0（6.2，11.5）×103/cm3和1.0（0.4，2.0）×103/cm3。图S1-S3展示了1天、7天和14天暴露窗口内污染物之间的相关性。值得注意的是，金属元素之间观察到强相关性，相关系数大于0.7。水溶性离子与其他污染物之间的相关性为中等（约0.5-0.7），而气态污染物和UFPs与其他组分的相关性相对较弱，大部分相关系数低于0.5。

表1. 随访就诊前1天、7天和14天空气污染物和气象因子的平均分布

参数 | 单位 | 1天 | 7天 | 14天
---|---|---|---|---
O? | ppb | 24.6（18.2，35.2） | 26.9（21.5，36.2） | 27.1（21.7，33.2）
NO | ppb | 6.0（3.2，14.6） | 7.5（4.6，13.1） | 7.8（4.1，13.6）
NO? | ppb | 19.5（15.1，27.7） | 20.3（17.5，25.2） | 20.2（18.8，28.1）
SO? | ppb | 1.7（0.5，4.6） | 1.7（0.9，4.7） | 2.0（0.8，5.7）
CO | ppm | 0.8（0.4，1.2） | 0.9（0.5，1.2） | 0.9（0.5，1.5）
UFP | 103/cm3 | 8.6（5.9，11.6） | 9.0（6.2，11.5） | 11.0（8.0，14.5）
Acc | 103/cm3 | 0.8（0.3，2.0） | 1.0（0.4，2.0） | 1.2（0.5，2.2）
PM2.5 | μg/m3 | 43.0（26.0，66.0） | 57.0（40.0，71.1） | 59.2（47.2，76.9）
EC | μg/m3 | 1.6（0.9，2.2） | 1.8（1.3，2.2） | 1.9（1.6，2.3）
BC | μg/m3 | 2.4（1.6，3.4） | 2.5（2.0，3.4） | 2.7（2.4，3.2）
OC | μg/m3 | 6.5（4.8，8.9） | 7.1（5.9，8.8） | 7.8（6.4，9.3）
K | ng/m3 | 676.9（451.2，961.0） | 788.3（605.3，1019.6） | 749.5（602.4，1152.6）
Ca | ng/m3 | 241.5（180.1，380.4） | 242.1（186.3，309.9） | 239.4（194.9，291.1）
V | ng/m3 | 0.3（0.1，1.3） | 0.7（0.3，2.1） | 0.7（0.4，1.9）
Cr | ng/m3 | 1.5（1.1，2.2） | 1.8（1.3，2.3） | 1.9（1.6，2.6）
Mn | ng/m3 | 22.9（16.3，32.1） | 26.3（21.3，32.0） | 26.8（23.5，34.0）
Fe | ng/m3 | 416.0（297.0，539.4） | 446.2（358.4，528.9） | 442.0（411.4，606.2）
Ni | ng/m3 | 0.7（0.5，1.3） | 0.9（0.7，1.5） | 1.1（0.7，1.4）
Cu | ng/m3 | 12.0（8.8，16.4） | 14.5（11.5，17.3） | 14.6（12.8，18.4）
Zn | ng/m3 | 75.8（40.4，143.9） | 108.6（83.3，132.5） | 109.0（87.6，129.5）
As | ng/m3 | 3.4（0.5，8.6） | 5.8（3.0，7.9） | 5.7（3.5，8.2）
Cd | ng/m3 | 7.8（7.2，8.4） | 7.8（7.3，8.2） | 7.8（7.4，8.1）
Pb | ng/m3 | 28.0（12.5，48.7） | 33.2（25.8，41.9） | 33.6（26.0，44.2）
Ba | ng/m3 | 20.1（14.7，25.4） | 19.9（17.6，27.2） | 20.9（18.4，30.7）
K? | mg/L | 0.30（0.17，0.42） | 0.36（0.26，0.44） | 0.33（0.27，0.42）
Ca2? | mg/L | 0.24（0.15，0.41） | 0.24（0.17，0.54） | 0.28（0.19，0.42）
SO?2? | mg/L | 3.8（1.8，9.2） | 6.3（3.3，12.3） | 6.5（3.9，9.4）
NO?? | mg/L | 5.2（0.8，10.1） | 8.9（4.5，12.6） | 7.1（6.4，11.8）
NH?? | mg/L | 3.2（0.99，6.8） | 5.2（2.1，8.9） | 5.0（2.6，6.6）
温度 | ℃ | 21.3（10.2，27.1） | 22.8（8.6，27.0） | 22.9（7.4，26.8）
相对湿度 | % | 46.3（31.7，67.0） | 51.8（38.0，67.1） | 51.8（36.8，66.7）

注：RH，相对湿度；O?，臭氧；NO?，二氧化氮；SO?，二氧化硫；CO，一氧化碳；PM2.5，空气动力学直径≤2.5 μm的颗粒物；BC，黑碳；OC，有机碳；EC，元素碳；UFP，超细颗粒物；Acc，累积模态颗粒物。

3.2. 空气污染与FBG、HR和PEF的关联

3.2.1. 单一污染物关联

图1展示了1天、7天和14天暴露窗口内，单一污染物浓度增加一个四分位距与FBG、HR和PEF的关联。在三个暴露窗口中，SO?和UFPs与FBG升高显著相关，PM2.5中的Ca2?与HR升高显著相关，O?和UFPs与PEF显著下降相关。经FDR校正后，大部分污染物与健康指标之间的关联仍然稳健。因此，这些空气污染物被认为与健康指标相关。对于其余污染物，尽管观察到一些效应趋势，但大部分关联不具有统计学显著性。

图1. 空气污染物与FBG、HR和PEF的关联。红色点表示统计学显著关联（p < 0.05），蓝色点表示不显著的结果。y轴显示每增加一个四分位距空气污染物浓度时生物标志物的估计百分比变化。结果在1天、7天和14天的时间窗口内进行分析。*表示FDR校正后p < 0.05，**表示FDR校正后p < 0.01，***表示FDR校正后p < 0.001。FBG：空腹血糖；HR：心率；PEF：峰值呼气流速；CPM：含碳颗粒物和颗粒物。

3.2.2. 剩余污染物与健康指标的总体关联

图2展示了在排除与健康指标相关的污染物后，各组中剩余污染物与生物标志物的总体关联。图中还列出了FDR校正后的p值。尽管这些剩余污染物在单一污染物模型中的关联大多不显著，但当污染物作为混合物联合评估时，其总体关联变得更强且更具统计学显著性，特别是金属组和气态污染物组。例如，在1天暴露窗口中，气态污染物组增加一个四分位距与HR增加5.6%显著相关（95% CI：0.4%，11.0%）。同样，在14天暴露窗口中，气态污染物组与FBG增加19.1%（95% CI：10.8%，27.4%）和PEF降低16.0%（95% CI：8.7%，23.3%）显著相关。

图2. 剩余污染物与健康指标的总体关联。结果在1天、7天和14天的时间窗口内进行分析。在FBG模型中，UFPs从CPM组中排除，SO?从气态污染物组中排除；在HR模型中，Ca2?从水溶性离子组中排除；在FBG模型中，O?从气态污染物组中排除，UFPs从CPM组中排除；在HR模型中，O?从气态污染物组中排除，UFPs从CPM组中排除。FBG：空腹血糖；HR：心率；PEF：峰值呼气流速；CPM：含碳颗粒物和颗粒物。*表示FDR校正后p < 0.05，**表示FDR校正后p < 0.01。

3.2.3. 空气污染物与健康指标之间的两两交互关联

图3汇总了空气污染物与健康指标之间的两两交互关联。经FDR校正后，177对交互关联仍具有统计学显著性，主要集中在FBG和HR模型中。对于PEF，尽管最初识别出4对交互关联，但经FDR校正后均不具有统计学显著性。此外，大部分关联提示可能存在协同交互作用，这主要涉及金属组。具体而言，在FBG模型中57%的显著关联涉及金属，在HR模型中61%的显著关联涉及金属。

图3. 空气污染物与健康指标之间经FDR校正后的两两交互关联。结果在1天、7天和14天的时间窗口内进行分析。红色代表协同作用，蓝色代表拮抗作用。颜色越深表示协同和拮抗交互的数量越多。FBG：空腹血糖；HR：心率；PEF：峰值呼气流速；CPM：含碳颗粒物和颗粒物。经FDR校正后，峰值呼气流速（PEF）未发现显著的交互关联。

诊断结果显示BKMR模型拟合过程在计算上是稳定的（图S5和表S7）。此外，我们进行了多项敏感性分析（表S4-S6和图S4），包括调整协变量、改变模型参数、排除居住距离超过10公里的参与者、在疾病人群中进行分层分析以及使用替代统计模型进行交叉验证。总体而言，这些分析的结果与主要发现的方向一致，并进一步支持了其稳健性。

4. 讨论

在本研究中，我们发现SO?和UFPs与FBG升高最为显著相关，Ca2?与HR升高最为显著相关，O?和UFPs与PEF下降最为显著相关，这表明这些污染物可能需要特别关注。在排除这些与健康指标相关的污染物后，剩余污染物与生物标志物之间的总体关联变得更强且更具统计学显著性，尤其是在金属组和气态污染物组中。此外，我们的发现提供了空气污染物之间可能存在协同交互作用的提示性证据，这主要涉及金属。

以往关于空气污染的研究主要集中在单一污染物的健康效应上。其中一个主要原因是，识别与健康指标高度相关且需要特别关注的污染物有助于优化干预策略[26]。这种方法仍然有价值且被广泛接受。因此，我们首先评估了单一污染物与生物标志物之间的关联，并确定了若干需要特别关注的污染物。

毒理学证据表明，较小的颗粒物，如PM2.5和UFPs[27]，以及刺激性气态污染物，如O?和SO?，具有高度生物活性，可能对多个生理系统产生不利影响[28]。这些污染物可能诱导氧化应激和全身性炎症，从而破坏胰岛素信号传导和葡萄糖代谢，导致FBG升高[29]。此外，较小的颗粒物更可能沉积在呼吸道中并增加气道反应性[30]，而O?作为一种强氧化剂，可直接造成氧化性气道损伤并损害肺功能[31]。以往研究还表明，Ca2?可能参与自主神经调节和心脏电生理过程[32]、[33]，从而影响HR。综合来看，这些毒理学和生物学证据在一定程度上支持了我们在本研究中观察到的短期空气污染暴露与FBG升高、HR改变和PEF降低之间统计关联的合理性。

单一污染物分析有助于识别可能需要特别关注的污染物；然而，现实环境中的空气污染通常涉及多种组分的联合暴露。在本研究中，金属之间的强相关性表明它们可能具有共同的来源或联合出现在暴露场景中。基于这种真实暴露模式，我们进一步在混合暴露框架下评估了空气污染物与健康指标之间的关联，并首次考虑了在单一污染物模型中关联不具有统计学显著性的污染物。我们发现，即使在单一污染物模型中不具有统计学显著性的污染物，在混合暴露条件下仍可能对健康结局产生贡献，尤其是对于金属和气态污染物而言。

毒理学证据表明，金属的健康影响不仅取决于其浓度，还取决于其化学形态和生物利用度，且水溶性组分往往产生更强的健康影响[34]。另一方面，气态污染物通常具有较强的刺激性和氧化性[35]。实验证据表明，O?[36]、NO?[37]和SO?[38]的不良健康影响可能通过诱导刺激性反应和增加氧化负荷来实现。基于这些毒理学证据，我们假设本研究观察到的关联可能归因于金属生物利用度的差异以及气态污染物导致不良健康影响的机制。

总金属主要以不溶形式存在[39]，其生物利用度相对有限[40]；因此，可能难以观察到单一总金属暴露与健康指标之间的显著关联。然而，当多种总金属联合暴露时，它们可能会共同积累，从而在混合模型中表现出显著关联。同样，气态污染物由于其刺激性增加氧化负荷的特性，在多种污染物联合暴露的场景下，其不良健康影响可能进一步积累；因此，它们更可能在混合暴露模型中表现出显著关联。

我们发现观察到的协同作用关联主要涉及金属。基于现有的毒理学研究，金属通常共享诱导活性氧（ROS）产生、驱动氧化应激和促进炎症反应的机制[41]。机制上的共同性可能增加协同效应发生的可能性，从而为本研究中观察到的统计关联提供毒理学解释。具体而言，体外研究通常显示，金属可通过氧化还原反应或Fenton样反应增强ROS产生[42]、[43]，从而损害细胞抗氧化防御系统并诱导线粒体功能障碍，进而使氧化应激持续或加重[44]。体内研究进一步表明，动物模型中常观察到金属诱导的炎症相关标志物变化，并伴随炎症反应的增强[45]、[46]。

表S8总结了一些金属诱导氧化应激的机制，以及炎症信号通路的激活。此外，我们发现FBG和HR均存在与协同相互作用相关的统计学显著关联。这可能与金属诱导的氧化应激和炎症反应共有的机制有关。现有的毒理学证据表明，氧化应激和炎症反应是影响FBG的关键机制。空气污染物可刺激局部活性氧（ROS）的生成[47]，进而可能诱导全身性氧化应激并激活炎症信号通路[48]，从而损害胰岛素信号传导。HR的变化主要通过空气污染物暴露于呼吸道所触发的神经反射来介导，并可能因氧化应激和炎症反应而进一步放大[49]。相比之下，短期PEF主要反映空气污染物在呼吸道中的直接沉积[50]；因此，PEF未观察到显著关联可能是因为不同健康指标的生物反应存在差异。本研究采用了纵向重复测量面板设计，包括112名参与者，共产生410个随访观察值，从而增加了可用于分析的统计信息量。先前的研究以相似或更少的参与者数量以及相似数量的污染物进行了类似分析。例如，Shi等基于73名参与者的273个随访观察值，使用BKMR评估了26种环境有机污染物的总体关联和相互作用[51]。Chen等基于45名年轻人的180个随访观察值，研究了17种金属混合物与心血管指标之间的关联[52]。这些先前的研究表明，混合物和相互作用分析在小型重复测量面板研究中是方法学可行的。在本研究中，环境污染物浓度作为暴露代理指标。这种方法可能导致暴露错误分类，从而影响估计值的精确性。然而，从空间角度看，空气监测站位于参与者居住地附近。87%的参与者居住在监测站5公里范围内，7%居住在5-10公里范围内，6%居住在10-15公里范围内。我们在模型中校正了参与者居住地与监测站之间的距离，并排除了居住距离超过10公里的参与者进行了敏感性分析。为考虑潜在的室内暴露影响，我们通过校正户外活动时间及特定污染源暴露进行了敏感性分析。主要结果仍然稳健，此前具有统计学显著性的发现仍然显著。因此，这些结果表明暴露错误分类可能未对主要结论产生实质性影响。本研究中有部分参与者存在基础疾病。因此，我们进行了多项敏感性分析，包括校正慢性阻塞性肺疾病（COPD）、糖尿病及其他代谢疾病，以评估模型结果的稳健性。敏感性分析的结果与主要发现一致，此前显著的关联仍然具有统计学显著性。此外，本研究中观察到的关联得到了现有毒理学证据的支持。这些潜在的机制不限于特定人群或特定疾病状态。然而，效应大小可能因人群而异，尽管关联方向可能一致。未来研究应在更广泛的普通人群样本中验证这些发现。总体而言，本研究存在若干局限性。首先，我们无法获取所有28种空气污染物的个人暴露监测数据；因此，不得不使用环境浓度作为暴露代理指标。由于缺乏室内浓度数据，我们无法进一步校正室内空气污染水平和时间-活动模式。这可能导致暴露错误分类，影响健康效应估计的精确性。其次，我们无法测量水溶性金属。因此，我们无法直接验证对所观察关联的解释假设。未来研究可进一步调查水溶性金属的健康效应。第三，我们未开展与健康效应相关的机制分析。未来研究可整合多组学方法，如转录组学或代谢组学，以更深入地识别空气污染物之间的相互作用及其潜在的生物机制。第四，本研究相对有限的样本量可能影响效应估计的稳定性。因此，研究结果应在更大规模的纵向研究中进一步验证。第五，效应的大小可能因人群而异；因此，有必要在更广泛的普通人群中进一步验证本研究的结论。5. 结论从混合物暴露角度评估健康影响至关重要。即使在单污染物模型中未显示显著关联的污染物，在混合物暴露下仍可能影响健康。CRediT作者贡献声明：Zhu Tong：审阅与编辑、基金获取。Zheng Mei：审阅与编辑。Bu Duo：审阅与编辑。Zhang Yidan：初稿撰写、可视化。Chen Xi：审阅与编辑、形式分析。Luan Mengxiao：数据管理。Wang Teng：调查研究。Qiu Xinghua：审阅与编辑。Wang Qi：调查研究。Li Xiaoying：调查研究。Zhang Yidan | Chen Xi | Luan Mengxiao | Wang Qi | Li Xiaoying | Wang Teng | Zheng Mei | Qiu Xinghua | Bu Duo | Zhu Tong北京大学环境科学与工程学院，青藏高原研究院，环境与健康中心，MEEKL-AERM，北京 100871，中国