解码骨-眼轴：机器学习在年龄相关性黄斑变性风险预测中的应用

《Cyborg and Bionic Systems》：Decoding the Bone–Eye Axis: Machine Learning for Age-Related Macular Degeneration Risk Prediction

　　

摘要 年龄相关性黄斑变性（Age-related macular degeneration, AMD）是不可逆视力丧失的主要原因，但其风险的系统性决定因素仍未完全阐明。骨矿物质密度（Bone mineral density, BMD）作为骨骼和生物衰老的标志物，可能反映连接系统性退化与视网膜退化的共同通路。研究人员采用整合流行病学分析、孟德尔随机化（Mendelian randomization, MR）、蛋白质组学和代谢组学分析、机器学习及实验性低BMD模型的多层框架，探讨了BMD与AMD之间的关联。在包括英国生物银行（UK Biobank）、美国国家健康与营养调查（National Health and Nutrition Examination Survey, NHANES）及医院为基础的天津队列在内的3个队列中，较低的BMD与较高的AMD风险持续相关，尽管各队列的AMD确定方式和BMD测量方法存在差异。双样本MR分析提供了支持性遗传证据，与较高BMD可能对较低AMD风险具有适度贡献的假说一致，而敏感性分析未显示反向因果关系的强证据。机器学习模型识别出BMD与年龄一同作为重复出现的预测因子，但其增量临床效用需通过包含和不包含BMD的模型进行正式评估。UK Biobank蛋白质组学和代谢组学分析揭示了涉及细胞外基质重塑、脂质转运、氨基酸代谢及炎症通路的重叠分子特征。两步MR将循环蛋白（包括颗粒酶A、II型胶原α1链及NEL样蛋白1）优先确定为候选分子中间体，而非已确立的机制性介质。在糖皮质激素诱导的低BMD大鼠模型中，观察到与退化相关的视网膜改变，包括外层视网膜变薄、血管狭窄及视觉-空间表现延迟，但这些发现不应被解释为对AMD病理学的直接验证。总体而言，这些发现支持较低BMD与AMD风险之间的关联，并提示BMD可能作为与视网膜易感性相关的系统性衰老过程的可及标志物。

骨-眼轴：骨密度与年龄相关性黄斑变性关联的多维度研究解读

一、研究背景与意义

年龄相关性黄斑变性（Age-related macular degeneration, AMD）是老年人不可逆中心视力丧失的主要原因，约占全球失明病例的9%。随着人口老龄化，其疾病负担持续上升，2020年全球约2亿人受累，预计到2040年将接近3亿。早期AMD以玻璃膜疣沉积和视网膜色素上皮功能障碍为特征，晚期则表现为新生血管性或萎缩性形式。尽管两种晚期形式的临床进程不同，但最终均导致中心视力丧失，对患者独立性和生活质量产生重大影响。AMD的异质性和多阶段进展凸显了早期识别和风险分层的重要性。

骨矿物质密度（Bone mineral density, BMD）是骨骼强度的关键指标，也是系统性衰老的标志物。其下降是骨质疏松和骨折风险增加的基础，50岁以上女性中高达三分之一、男性中五分之一受影响。除骨骼结构外，BMD还反映内分泌、代谢和免疫过程的综合影响，包括激素调节、矿物质稳态、炎症及生活方式因素。骨骼同时作为内分泌器官，影响远处组织，支持BMD作为系统性生物标志物的概念。

新出现的证据提示骨骼健康与AMD之间可能存在"骨-眼轴"关联。共享机制包括慢性低度炎症、氧化应激、线粒体功能障碍和微血管改变，这些因素可能同时影响骨骼和视网膜完整性。脂质代谢紊乱、细胞外基质转换和补体激活的异常进一步支持这种重叠。然而，现有流行病学证据仍不一致且有限，主要基于横断面、单一人群、小样本研究，无法对因果性和普适性做出稳健推断。此外，这种关联的分子机制仍未得到充分表征，整合性多组学方法很少被应用。

为填补这些空白，研究人员建立了跨国、多维框架，整合大规模流行病学数据、多组学分析和机器学习。该研究旨在提供稳健的人群水平证据、识别潜在生物学通路、评估BMD对AMD风险分层的增量预测价值，并通过低BMD大鼠模型桥接人群发现与实验证据。该研究发表于《Cyborg and Bionic Systems》。

二、主要关键技术方法

该研究采用多队列观察性分析与双样本孟德尔随机化（Mendelian randomization, MR）相结合的策略，纳入三个独立数据集：英国生物银行（UK Biobank, UKB）提供大规模前瞻性人群队列，美国国家健康与营养调查（NHANES）2005-2008提供横断面人群调查，天津队列为医院为基础的临床病例对照队列。BMD测量在各队列中有所不同：UKB采用跟骨超声估算BMD，NHANES和天津队列采用双能X射线吸收测定法（DXA）。蛋白质组学分析基于UKB子集的Olink平台（邻近延伸分析），代谢组学基于核磁共振波谱。机器学习采用四种算法：正则化逻辑回归、径向基函数核支持向量机、随机森林和极端梯度提升（XGBoost）。动物实验采用糖皮质激素诱导的低BMD大鼠模型。

三、研究结果

基线特征

分析队列包括270,297名无AMD参与者和5,455名AMD患者。

观察性关联分析

在UKB中采用Cox比例风险模型，在NHANES和天津队列中采用多变量逻辑回归模型评估BMD与AMD的关联。BMD作为连续变量和四分位数（Q1至Q4）进行分析。构建三个调整水平递增的模型：模型1调整年龄、性别和种族；模型2进一步调整体质指数（BMI）、腰围、吸烟状况、饮酒、高血压、糖尿病和教育水平；模型3进一步纳入队列特异性生化变量。三个队列中较低BMD与较高AMD风险一致相关，尽管各队列的AMD确定方式和BMD测量方法不同。模型3被解释为广泛调整的关联模型而非纯混杂控制的因果估计，模型2作为主要多变量模型。

非线性与亚组分析

采用限制性立方样条（RCS）函数和广义加性模型（GAM）评估非线性关联。按性别、吸烟状况、饮酒、高血压和糖尿病进行亚组分析并检测交互作用。

特征选择与风险预测模型

采用Boruta和最小绝对收缩和选择算子（LASSO）回归进行特征选择，两种方法一致选择的变量用于构建多变量逻辑回归模型和列线图。模型性能通过受试者工作特征（ROC）曲线、曲线下面积（AUC）和校准分析评估。

机器学习分类

四种机器学习算法应用于各队列。为防止数据泄漏，缺失值插补、变量缩放、特征选择和超参数调优仅在训练集内进行，学习参数不变地应用于保留测试集。模型可解释性通过SHapley Additive exPlanation（SHAP）评估，平均绝对SHAP值用于排序预测贡献。机器学习模型识别出BMD与年龄一同作为重复出现的预测因子，但其增量临床效用需通过包含和不包含BMD的模型进行正式评估。

孟德尔随机化分析

双样本MR使用公开可用的全基因组关联研究（GWAS）汇总统计数据进行。主要因果估计采用随机效应模型下的逆方差加权（IVW）方法，敏感性分析采用加权中位数、加权众数和MR-Egger回归。水平多效性通过MR-Egger截距检验评估，异质性通过Cochran's Q统计量评估。多变量MR联合建模BMD与BMI、空腹血糖、总胆固醇、甘油三酯和循环维生素D水平。两步中介MR框架用于识别连接BMD与AMD的潜在蛋白介质。MR分析提供了支持性遗传证据，与较高BMD可能对较低AMD风险具有适度贡献的假说一致，敏感性分析未显示反向因果关系的强证据。

蛋白质组学和代谢组学分析

UKB蛋白质组学和代谢组学分析揭示了涉及细胞外基质重塑、脂质转运、氨基酸代谢和炎症通路的重叠分子特征。参与者按BMD四分位数分层，比较最低（Q1）和最高（Q4）BMD组。与BMD和AMD均显著相关的分子被认为是重叠分子特征。两步MR将循环蛋白包括颗粒酶A、II型胶原α1链和NEL样蛋白1优先确定为候选分子中间体而非已确立的机制性介质。功能通路富集分析使用京都基因与基因组百科全书（KEGG）数据库进行。

动物实验

在糖皮质激素诱导的低BMD大鼠模型中，观察到与退化相关的视网膜改变，包括外层视网膜变薄、血管狭窄和视觉-空间表现延迟。视网膜厚度参数包括总视网膜厚度、内层视网膜厚度和外层视网膜厚度，基于标准化层分割测量。视网膜血管管径从眼底图像量化。视觉-空间和行为表现通过Morris水迷宫测试评估。这些发现不应被解释为对AMD病理学的直接验证。

四、讨论与结论

该研究通过整合多队列流行病学分析、MR、多组学分析、机器学习和实验模型，提供了BMD与AMD关联的多维度证据。三个独立队列一致显示较低BMD与较高AMD风险相关。MR分析提供了支持性遗传证据，提示较高BMD可能对较低AMD风险具有适度贡献。蛋白质组学和代谢组学分析揭示了涉及细胞外基质重塑、脂质转运、氨基酸代谢和炎症通路的共享分子特征。动物实验观察到低BMD状态下的视网膜结构和功能改变。

总体而言，这些发现支持较低BMD与AMD风险之间的关联，并提示BMD可能作为与视网膜易感性相关的系统性衰老过程的可及标志物。该研究为理解骨-眼轴提供了流行病学广度、多组学深度和计算建模的结合，为未来AMD风险分层和系统性衰老相关机制研究奠定了基础。然而，BMD的增量临床效用需通过包含和不包含BMD的模型进行正式评估，蛋白质介质应被视为候选分子中间体而非已确立的机制性介质，动物实验发现不应被解释为对AMD病理学的直接验证。