主动通勤与生物学衰老：来自英国生物样本库的横断面证据

《Journal of Transport & Health》：Active commuting and biological aging: Cross-sectional evidence from the UK Biobank

　　

摘要

目标 基于英国生物样本库（UK Biobank，UKB），探讨通勤方式是否与生物学衰老相关，包括Klemera-Doubal方法的生物学年龄加速（KDM-BAA）、PhenoAge加速（PhenoAA）以及白细胞端粒长度（LTL）。

方法 我们对2006至2010年期间招募的225,018名UKB参与者进行了横断面研究。通勤方式被分为非主动、仅步行、混合步行、骑行和混合骑行五类。将LTL的符号反转后，对三个生物学衰老生物标志物分别进行标准化处理，并根据标准化值是否大于0进行二分类。采用逐步协变量调整的方法拟合了一系列logistic回归模型。亚组分析评估了效应修饰，敏感性分析检验了不同分析设定下的稳健性。

结果 在完全调整的模型中，步行组（ORP = 0.928，95% CI 0.874–0.984，p = 0.013；ORK = 0.922，95% CI 0.859–0.989，p = 0.022）和混合骑行组（ORP = 0.852，95% CI 0.816–0.890，p < 0.001；ORK = 0.881，95% CI 0.839–0.925，p < 0.001）相比非主动通勤组表现出较低的生物学年龄加速。骑行组表现出较低的Z-PhenoAA和较长的LTL（ORP = 0.890，95% CI 0.837–0.947，p < 0.001；ORT = 0.944，95% CI 0.893–0.998，p = 0.044）。敏感性分析结果与主要结果保持一致。

结论 主动通勤，尤其是骑行，与较慢的生物学衰老相关。用自行车通勤替代汽车出行可能是一种简单、低成本且节省时间的策略，有助于有效延缓生物学衰老。

1. 引言

衰老是关节炎、骨质疏松症、心血管疾病和神经退行性疾病等多种慢性疾病的主要危险因素（Vaiserman和Krasnienkov，2020）。在全球人口老龄化迅速加剧的背景下，这一不可逆的生物学过程已成为生命科学研究和公共卫生领域日益紧迫的问题。传统上，年龄仅由出生日期决定。尽管简单便捷，但这种时间度量无法准确反映个体的健康状况或疾病风险（Jylh?v?等，2017）。因此，"生物学衰老"这一概念受到了越来越多的关注（Argentieri等，2024）。

基于生理、分子和功能指标，生物学衰老能够更准确地衡量个体的实际衰老水平，并预测相关健康结局（Huang等，2025）。近年来的进展引入了多种测量方法，可大致分为计算方法——如Klemera-Doubal方法（KDM）、主成分分析和PhenoAge——以及生物标志物，包括白细胞端粒长度（LTL）和DNA甲基化年龄（Jylh?v?等，2017；Jia等，2017；Fasching，2018）。使用这些方法测定的生物学衰老与心血管疾病、抑郁症、焦虑症和癌症等多种疾病的发生风险以及死亡风险相关（Gao等，2023；Liu等，2018；Mak等，2023；Jiang等，2024）。例如，在一项基于英国生物样本库（UKB）的前瞻性队列研究中，由KDM和PhenoAge量化的生物学衰老与新发慢性肾脏病之间存在非线性正相关（Zheng等，2025）。此外，一项纳入14,491名参与者的Meta分析证实，较短的LTL显著增加冠心病的风险和进展（Xu等，2019）。

体力活动不足是多种疾病的公认危险因素（Andersen，2017），流行病学证据表明久坐行为会增加肥胖、心血管疾病和多种癌症的发病率（Pinto等，2023）。Ma等人通过分析美国国家健康与营养检查调查（NHANES）数据，发现每日久坐时间每增加30分钟，与PhenoAge加速（PhenoAA）正相关（β = 0.07，95% CI 0.04–0.11）。相反，用30分钟步行或骑行替代30分钟坐着，可显著降低PhenoAA（β = ?0.89，95% CI ?1.10至?0.68）（Han等，2023）。由于许多成年人缺乏结构化锻炼的动力，"主动通勤"——步行或骑自行车通勤——被提倡为将体力活动融入日常生活的实用策略（Celis-Morales等，2017）。这种通勤方式与全因死亡率显著降低相关（风险比（HR）= 0.91，95% CI 0.85–0.97），心血管疾病死亡率降低（HR = 0.85，95% CI 0.73–0.97）（Dutheil等，2020），以及肥胖和2型糖尿病风险降低（Wu等，2021）。它还可能改善自我感知学习能力（Jussila等，2025）。

尽管吸烟、饮酒和饮食等生活方式因素与生物学衰老的关系已被广泛研究，但通勤方式与衰老之间的联系在很大程度上仍未被探索。通勤是一种具有特殊意义的日常暴露因素，因为它具有习惯性、长期反复进行的特点，并且整合了多种与衰老相关的行为和环境维度。纵向证据表明，通勤方式在时间维度上通常保持稳定，可能导致长期累积暴露（Yang等，2014, 2017）。主动通勤提供规律的中等强度体力活动，与较低的全身性炎症以及较低的心血管疾病和死亡风险相关（Dinu等，2019；Allaouat等，2024）。相比之下，非主动通勤可能涉及更长的久坐时间和反复出现的心理社会压力，包括交通拥堵、拥挤、时间压力和感知控制力降低（Polsky等，2022；Norgate等，2020；Yang等，2021）。此外，每日通勤可能代表反复暴露于交通相关空气污染物（如PM2.5和NO2）的情境，而这些污染物已被证实与表观遗传年龄加速和端粒缩短有关（Zong等，2023；Yao等，2026）。然而，暴露水平可能因通勤方式而异，主动通勤者可能比乘坐封闭式交通工具的个体承受更高的交通相关污染物暴露。因此，通勤方式是一种常见但尚未被充分探索的日常行为，体力活动、久坐行为、心理社会压力和环境暴露可能在此汇聚。本研究利用英国生物样本库的大规模队列数据，旨在探究习惯性通勤方式是否与生物学衰老加速相关，包括KDM-BAA、PhenoAA和LTL的变化。阐明这种关系有助于识别通过日常通勤习惯延缓衰老的实用干预措施，并为促进健康老龄化和疾病一级预防的公共卫生政策提供循证支持。

2. 方法

2.1 研究参与者与设计

本研究为横断面研究，使用UKB数据库数据。UKB是一项大型队列研究，于2006至2010年期间招募了502,236名参与者。UKB研究获得了西北多中心研究伦理委员会的批准，所有参与者均签署了书面知情同意书。在基线时，UKB收集了参与者的生活方式、健康状况和社会经济条件信息，以及生物样本。本研究遵循流行病学观察性研究报告增强（STROBE）报告框架中列出的指南（von Elm等，2008）。

2.2 暴露因素测量

在基线时，当前就业状态为"在职或自雇"的参与者被询问："您使用什么类型的交通工具通勤上班？"他们可以从以下选项中选择一个或多个：汽车/机动车辆、步行、公共交通工具和自行车。基于现有研究（Welsh等，2020），响应结果被分类为：非主动（汽车/机动车辆或公共交通工具）、仅步行、混合步行（非主动加步行）、骑行（自行车或自行车加步行）和混合骑行（非主动加骑行）。通勤方式是主要暴露因素，而非通勤频率，因为方式描述人们习惯性出行的模式，而频率仅衡量在特定方式内积累的活动量。每周通勤距离被纳入所有模型，使得方式之间的比较不会仅仅反映参与者的出行量。

2.3 结局测量

本研究采用基于Klemera-Doubal方法（KDM）构建的生物学年龄（KDM-BA）（Klemera和Doubal，2006）和Levine开发的PhenoAge（Levine等，2018）作为生物学年龄的测量指标。KDM-BA的构建需要1秒用力呼气量（FEV1）、收缩压以及七项血液生化参数：总胆固醇、糖化血红蛋白、血尿素氮、白蛋白、碱性磷酸酶、肌酐和C反应蛋白。PhenoAge需要九项血液生化参数：白蛋白、碱性磷酸酶、肌酐、C反应蛋白、淋巴细胞比例、平均红细胞体积、葡萄糖、红细胞分布宽度和白细胞计数。KDM-BA和PhenoAge的详细构建过程见方法A.1。构建生物学年龄后，使用模型残差定义生物学年龄加速（KDM-BAA和PhenoAA），用以反映个体的生物学年龄是大于还是小于其实际年龄。

我们还使用LTL作为另一个生物学衰老生物标志物。DNA由UKB研究从外周血白细胞中提取；随后由莱斯特大学的研究人员使用多重qPCR方法测量LTL，该方法报告端粒重复序列拷贝数（T）与单拷贝基因（S）的比率。测量细节、质量控制程序和统计调整方法此前已有描述（Codd等，2022）。在本研究中，我们使用对数转换和z标准化后的T/S比值（Z-LTL）。

为方便比较，我们将Z-LTL的符号反转，然后在各自的数据库中分别对三个生物学衰老生物标志物进行标准化处理，得到Z-KDM-BAA、Z-PhenoAA和Z-neg-LTL。随后根据标准化值是否大于0进一步进行二分类处理。

我们选择了UKB中可用的三个生物学衰老指标，这些指标捕捉了衰老生物学的互补维度：KDM-BAA、PhenoAA和LTL。KDM-BAA基于常规测量的临床生物标志物来反映多系统生理失调（Hastings等，2019）。PhenoAA用于捕捉基于临床生化标志物的与死亡相关的表型衰老（Liu等，2018）。LTL被纳入作为与细胞复制性衰老和端粒维持相关的分子标志物（Sanders和Newman，2013）。未纳入基于DNA甲基化的表观遗传时钟，因为在分析时，我们当前的UKB数据访问权限无法获取全分析样本的DNA甲基化数据及其衍生的表观遗传时钟指标。

2.4 协变量

我们调整了以下变量：每周通勤距离（计算为每周通勤频率与通勤距离的乘积再乘以2）、人口学特征（年龄、性别和种族）、久坐时间、工作相关属性（重体力劳动、涉及步行或站立的工作、轮班工作）、其他生活方式因素（通过国际体力活动问卷[IPAQ]评估的体力活动、身体质量指数[BMI]、饮酒、吸烟和饮食习惯）、病史（癌症、心血管疾病[CVD]、高血压[HTN]、慢性肾脏病[CKD]、1型糖尿病[T1DM]和2型糖尿病[T2DM]）以及社会经济地位（收入、教育水平和Townsend剥夺指数）。所有协变量的详细定义见表A.1。

2.5 统计分析

参与者的基线特征按通勤方式分层描述，连续变量使用均值（标准差[SD]）或中位数[四分位数间距[IQR]]，分类变量使用比例。在主要分析中，我们在三个数据集的每一个中考察了生物学衰老——同时作为连续性和二分类结局——的处理。对连续结局拟合了分别的多变量线性回归模型，对二分类结局拟合了logistic回归模型，并进行了逐步协变量调整。协变量调整从Model 0到Model 5分为五个层次步骤：仅通勤方式（未调整），加上人口学特征和对数转换的每周通勤距离，加上久坐时间和工作相关属性，加上其他生活方式因素，加上病史，再加上社会经济地位。为考察个体特征的潜在效应修饰，我们按年龄、性别、BMI、收入、每周通勤距离和Townsend剥夺指数进行了亚组分析。这些亚组分析基于完全调整模型，除了将分层变量从相应的亚组特定模型中移除以避免冗余和潜在的多重共线性。

为评估研究结果的稳健性，我们进行了一系列敏感性分析。首先，由于通勤方式为步行的参与者的每周通勤距离≤50英里（约80.5公里），我们将参与者限制为每周通勤距离不超过50英里的个体，重新进行了主要分析。其次，为评估极端值的影响，我们在未去除生物学年龄加速或Z-LTL极端值的情况下重复了分析。第三，为应对通勤距离与结局之间可能存在的非线性关系，我们将对数转换的每周通勤距离替换为按距离四分位数定义的分类变量。最后，由于混合模式通勤类别可能代表主动和非主动出行方式的异质性组合，我们排除混合模式通勤者并进行敏感性分析，使用三级暴露变量重新拟合模型：非主动通勤、仅步行和仅骑行。此分析旨在提供在明确定义的通勤方式之间进行更严格的比较。

此外，我们探索了步行和骑行距离的剂量-反应关系。

对于步行距离，我们将样本限制为非主动通勤者和步行者，并构建了两个有序变量：（i）一个三水平变量，由非主动通勤、步行距离四分位1（Q1）和步行距离四分位2（Q2）组成；以及（ii）一个四水平变量，由非主动通勤、步行距离Q1-Q3组成。随后，我们检验了它们与三种生物学衰老标志物各自之间的关联。对骑行距离也采用了相同的方法。所有检验均认为在双尾p值小于0.05时具有统计学显著性。所有数据分析均使用R（版本4.4.1）完成。我们将生物学衰老标志物既作为连续标准化结果，也作为二分类快速衰老结果进行分析。二分类结果使用大于0的标准化值来定义，表示高于平均水平的不利衰老谱型。这种方法用于提供对加速生物学衰老的直观解释，并便于在不同衰老标志物之间进行比较。连续结果分析与二分类分析并行进行，以保留标志物的完整变异并评估发现的稳健性，相应的线性回归输出结果见附表A.2.2.6。伦理批准与参与同意所有参与者均提供了书面知情同意，UKB研究已获西北多中心研究伦理委员会批准。3. 结果3.1. 参与者特征参与者按以下标准依次排除：（i）缺乏通勤方式数据（n = 238,153）；（ii）通勤距离或每周通勤频率缺失或为极端值（为0或大于第99百分位数；n = 32,502）；（iii）缺失任何所需协变量（n = 6,563）。随后，我们排除了无法计算KDM-BA或PhenoAge所需变量的个体、无有效LTL测量的个体以及每种生物学衰老标志物的极端离群值，最终得到三个分析数据集：n_KDM-BA = 139,485，n_PhenoAge = 182,653，n_LTL = 211,105。表1呈现了按通勤方式分层、在进一步排除缺失协变量的参与者后，参与者的基本特征。平均年龄为52.46（6.96）岁，52.0%为女性，94.9%自认为白人；非主动通勤组占绝大多数（80.5%）。骑行组表现出最低的生物学年龄加速（Z-KDM-BAA：?0.13 [0.84]；Z-PhenoAA：?0.19 [0.96]），而混合骑行组表现出最长的LTL（Z-neg-LTL：?0.08 [1.00]）。相比之下，非主动通勤组表现出最高的加速（Z-KDM-BAA：0.01 [1.00]；Z-PhenoAA：0.02 [1.00]）和最短的LTL（0.01 [1.00]）。表1. 按通勤方式分层的参与者基线特征。空单元格 总体（N = 225,018）非主动（N = 181,050）步行（N = 6,726）混合步行（N = 19,051）骑行（N = 5,993）混合骑行（N = 12,198）p年龄（均值 [SD]）52.46 (6.96) 52.67 (6.97) 52.66 (6.94) 52.26 (6.81) 51.23 (6.97) 50.24 (6.64) <0.001 性别 <0.001 女性 117,005 (52.0) 94,831 (52.4) 4,208 (62.6) 11,706 (61.4) 2,059 (34.4) 4,201 (34.4) 男性 108,013 (48.0) 86,219 (47.6) 2,518 (37.4) 7,345 (38.6) 3,934 (65.6) 7,997 (65.6) 种族 <0.001 白人 213,501 (94.9) 171,476 (94.7) 6,361 (94.6) 18,037 (94.7) 5,786 (96.5) 11,841 (97.1) 亚裔 4,784 (2.1) 4,101 (2.3) 150 (2.2) 376 (2.0) 61 (1.0) 96 (0.8) 黑人 3,518 (1.6) 2,947 (1.6) 96 (1.4) 326 (1.7) 48 (0.8) 101 (0.8) 混血 1,476 (0.7) 1,136 (0.6) 48 (0.7) 155 (0.8) 45 (0.8) 92 (0.8) 其他 1,739 (0.8) 1,390 (0.8) 71 (1.1) 157 (0.8) 53 (0.9) 68 (0.6) KDM-BA（均值 [SD]）52.33 (7.16) 52.56 (7.18) 52.39 (7.16) 52.14 (6.98) 50.90 (7.05) 49.88 (6.69) <0.001 Z-KDM-BAA（均值 [SD]）0.00 (1.00) 0.01 (1.00) ?0.04 (1.08) ?0.05 (1.08) ?0.13 (0.84) ?0.12 (0.84) <0.001 ≤ 0 69,205 (30.8) 54,483 (30.1) 2,048 (30.4) 5,892 (30.9) 2,217 (37.0) 4,565 (37.4) <0.001 > 0 70,280 (31.2) 57,641 (31.8) 1,877 (27.9) 5,443 (28.6) 1,753 (29.3) 3,566 (29.2) 缺失 85,533 (38.0) 68,926 (38.1) 2,801 (41.6) 7,716 (40.5) 2,023 (33.8) 4,067 (33.3) PhenoAge（均值 [SD]）51.08 (8.04) 51.38 (8.05) 51.07 (7.87) 50.83 (7.77) 49.04 (8.05) 48.07 (7.61) <0.001 Z-PhenoAA（均值 [SD]）0.00 (1.00) 0.02 (1.00) ?0.05 (1.01) ?0.02 (1.01) ?0.19 (0.96) ?0.17 (0.96) <0.001 ≤ 0 95,074 (42.3) 75,142 (41.5) 2,906 (43.2) 8,118 (42.6) 2,954 (49.3) 5,954 (48.8) <0.001 > 0 87,579 (38.9) 71,780 (39.6) 2,475 (36.8) 7,240 (38.0) 1,994 (33.3) 4,090 (33.5) 缺失 42,365 (18.8) 34,128 (18.9) 1,345 (20.0) 3,693 (19.4) 1,045 (17.4) 2,154 (17.7) Z-neg-LTL（均值 [SD]）0.00 (1.00) 0.01 (1.00) 0.00 (0.99) ?0.03 (1.00) ?0.06 (0.99) ?0.08 (1.00) <0.001 ≤ 0 105,377 (46.8) 84,140 (46.5) 3,139 (46.7) 9,123 (47.9) 2,952 (49.3) 6,023 (49.4) <0.001 > 0 105,728 (47.0) 85,746 (47.4) 3,146 (46.8) 8,663 (45.5) 2,706 (45.2) 5,467 (44.8) 缺失 13,913 (6.2) 11,164 (6.2) 441 (6.6) 1,265 (6.6) 335 (5.6) 708 (5.8) 每周通勤距离（中位数 [IQR]）60.00 [30.00, 110.00] 64.00 [36.00, 120.00] 10.00 [10.00, 20.00] 30.00 [16.00, 70.00] 30.00 [18.00, 40.00] 40.00 [24.00, 80.00] <0.001 Q1 67,573 (30.0) 41,773 (23.1) 6,529 (97.1) 10,888 (57.2) 3,780 (63.1) 4,603 (37.7) <0.001 Q2 57,541 (25.6) 48,715 (26.9) 177 (2.6) 3,283 (17.2) 1,572 (26.2) 3,794 (31.1) Q3 45,257 (20.1) 40,330 (22.3) 14 (0.2) 2,151 (11.3) 506 (8.4) 2,256 (18.5) Q4 54,647 (24.3) 50,232 (27.7) 6 (0.1) 2,729 (14.3) 135 (2.3) 1,545 (12.7) 每周通勤频率（中位数 [IQR]）5.00 [4.00, 5.00] 5.00 [4.00, 5.00] 5.00 [4.00, 5.00] 5.00 [4.00, 5.00] 5.00 [4.00, 5.00] 5.00 [4.00, 5.00] <0.001 通勤距离（中位数 [IQR]）6.00 [3.00, 12.00] 7.00 [4.00, 13.00] 1.00 [1.00, 2.00] 3.00 [2.00, 8.00] 3.00 [2.00, 5.00] 5.00 [3.00, 8.00] <0.001 工作中步行或站立 <0.001 从不/很少 80,866 (35.9) 63,562 (35.1) 2,138 (31.8) 8,153 (42.8) 2,232 (37.2) 4,781 (39.2) 有时 69,811 (31.0) 56,644 (31.3) 1,717 (25.5) 5,797 (30.4) 1,749 (29.2) 3,904 (32.0) 通常 32,718 (14.5) 26,766 (14.8) 982 (14.6) 2,324 (12.2) 857 (14.3) 1,789 (14.7) 总是 41,623 (18.5) 34,078 (18.8) 1,889 (28.1) 2,777 (14.6) 1,155 (19.3) 1,724 (14.1) 工作中重体力劳动 <0.001 从不/很少 149,861 (66.6) 119,473 (66.0) 4,102 (61.0) 14,066 (73.8) 3,918 (65.4) 8,302 (68.1) 有时 46,840 (20.8) 38,080 (21.0) 1,594 (23.7) 3,394 (17.8) 1,219 (20.3) 2,553 (20.9) 通常 14,315 (6.4) 11,802 (6.5) 485 (7.2) 836 (4.4) 409 (6.8) 783 (6.4) 总是 14,002 (6.2) 11,695 (6.5) 545 (8.1) 755 (4.0) 447 (7.5) 560 (4.6) 工作中轮班 <0.001 从不/很少 186,664 (83.0) 149,782 (82.7) 5,614 (83.5) 16,401 (86.1) 4,949 (82.6) 9,918 (81.3) 有时 15,695 (7.0) 12,678 (7.0) 477 (7.1) 1,189 (6.2) 448 (7.5) 903 (7.4) 通常 4,518 (2.0) 3,696 (2.0) 136 (2.0) 318 (1.7) 114 (1.9) 254 (2.1) 总是 18,141 (8.1) 14,894 (8.2) 499 (7.4) 1,143 (6.0) 482 (8.0) 1,123 (9.2) 久坐时间（中位数 [IQR]）4.00 [3.00, 6.00] 4.00 [3.00, 6.00] 3.00 [2.00, 4.00] 3.00 [2.00, 5.00] 3.00 [1.00, 4.00] 3.00 [2.00, 5.00] <0.001 IPAQ <0.001 低 37,164 (16.5) 33,955 (18.8) 214 (3.2) 2,138 (11.2) 92 (1.5) 765 (6.3) 中等 75,037 (33.3) 59,289 (32.7) 2,645 (39.3) 8,293 (43.5) 1,259 (21.0) 3,551 (29.1) 高 73,527 (32.7) 54,562 (30.1) 2,771 (41.2) 5,755 (30.2) 3,943 (65.8) 6,496 (53.3) 缺失 39,290 (17.5) 33,244 (18.4) 1,096 (16.3) 2,865 (15.0) 699 (11.7) 1,386 (11.4) BMI（均值 [SD]）27.22 (4.70) 27.45 (4.76) 26.16 (4.38) 26.79 (4.64) 25.17 (3.56) 26.12 (3.85) <0.001 正常或体重不足 78,255 (34.8) 59,422 (32.8) 2,970 (44.2) 7,485 (39.3) 3,181 (53.1) 5,197 (42.6) <0.001 超重 95,111 (42.3) 77,273 (42.7) 2,640 (39.3) 7,645 (40.1) 2,293 (38.3) 5,260 (43.1) 肥胖 51,652 (23.0) 44,355 (24.5) 1,116 (16.6) 3,921 (20.6) 519 (8.7) 1,741 (14.3) 饮酒 <0.001 从不 12,761 (5.7) 10,269 (5.7) 567 (8.4) 1,158 (6.1) 308 (5.1) 459 (3.8) 仅在特殊场合 21,886 (9.7) 17,953 (9.9) 812 (12.1) 1,891 (9.9) 460 (7.7) 770 (6.3) 每月一到三次 27,136 (12.1) 21,996 (12.1) 841 (12.5) 2,419 (12.7) 652 (10.9) 1,228 (10.1) 每周一次或两次 63,689 (28.3) 51,783 (28.6) 1,882 (28.0) 5,144 (27.0) 1,551 (25.9) 3,329 (27.3) 每周三次或四次 56,620 (25.2) 44,927 (24.8) 1,509 (22.4) 4,781 (25.1) 1,644 (27.4) 3,759 (30.8) 每天或几乎每天 42,926 (19.1) 34,122 (18.8) 1,115 (16.6) 3,658 (19.2) 1,378 (23.0) 2,653 (21.7) 吸烟 <0.001 从不 130,701 (58.1) 104,455 (57.7) 3,932 (58.5) 11,621 (61.0) 3,450 (57.6) 7,243 (59.4) 偶尔 29,454 (13.1) 23,183 (12.8) 889 (13.2) 2,550 (13.4) 928 (15.5) 1,904 (15.6) 每天或几乎每天 64,863 (28.8) 53,412 (29.5) 1,905 (28.3) 4,880 (25.6) 1,615 (26.9) 3,051 (25.0) 饮食 <0.001 健康 121,851 (54.2) 94,759 (52.3) 4,051 (60.2) 11,443 (60.1) 3,952 (65.9) 7,646 (62.7) 不健康 103,167 (45.8) 86,291 (47.7) 2,675 (39.8) 7,608 (39.9) 2,041 (34.1) 4,552 (37.3) 既往癌症 11,846 (5.3) 9,786 (5.4) 363 (5.4) 919 (4.8) 241 (4.0) 537 (4.4) <0.001 既往心血管疾病 7,614 (3.4) 6,543 (3.6) 195 (2.9) 506 (2.7) 130 (2.2) 240 (2.0) <0.001 既往高血压 45,393 (20.2) 38,065 (21.0) 1,198 (17.8) 3,684 (19.3) 770 (12.8) 1,676 (13.7) <0.001 既往慢性肾病 1,363 (0.6) 1,176 (0.6) 36 (0.5) 99 (0.5) 22 (0.4) 30 (0.2) <0.001 既往1型糖尿病 737 (0.3) 613 (0.3) 20 (0.3) 53 (0.3) 16 (0.3) 35 (0.3) 0.467 既往2型糖尿病 3,377 (1.5) 2,961 (1.6) 68 (1.0) 249 (1.3) 20 (0.3) 79 (0.6) <0.001 收入 <0.001 < 18,000英镑 18,860 (8.4) 14,817 (8.2) 1,147 (17.1) 1,758 (9.2) 533 (8.9) 605 (5.0) 18,000–30,999英镑 44,588 (19.8) 36,152 (20.0) 1,676 (24.9) 3,777 (19.8) 1,102 (18.4) 1,881 (15.4) 31,000–51,999英镑 66,908 (29.7) 54,443 (30.1) 1,737 (25.8) 5,324 (27.9) 1,800 (30.0) 3,604 (29.5) 52,000–100,000英镑 61,412 (27.3) 49,175 (27.2) 1,200 (17.8) 5,197 (27.3) 1,710 (28.5) 4,130 (33.9) > 100,000英镑 15,637 (6.9) 11,873 (6.6) 323 (4.8) 1,574 (8.3) 513 (8.6) 1,354 (11.1) 缺失 17,613 (7.8) 14,590 (8.1) 643 (9.6) 1,421 (7.5) 335 (5.6) 624 (5.1) 教育 <0.001 无 138,710 (61.6) 116,089 (64.1) 4,387 (65.2) 10,286 (54.0) 2,588 (43.2) 5,360 (43.9) 大学或学院 86,308 (38.4) 64,961 (35.9) 2,339 (34.8) 8,765 (46.0) 3,405 (56.8) 6,838 (56.1) Townsend剥夺指数（均值 [SD]）?1.47 (2.93) ?1.64 (2.85) 0.09 (3.33) ?0.84 (3.14) ?0.40 (3.15) ?1.32 (2.92) <0.001 注：除非另有说明，数值以n (%)表示。3.2. 通勤方式与生物学衰老的关联图1展示了通勤方式与三种生物学衰老标志物之间的关联。在未校正的logistic回归模型（模型0）中，几乎所有主动通勤方式与非主动通勤相比，均与较低的加速生物学衰老几率相关。在这些未校正模型中，骑行组（ORP = 0.707, 95% CI 0.667–0.749, p < 0.001; ORK = 0.747, 95% CI 0.701–0.797, p < 0.001; ORT = 0.899, 95% CI 0.853–0.948, p < 0.001）和混合骑行组（ORP = 0.719, 95% CI 0.690–0.749, p < 0.001; ORK = 0.738, 95% CI 0.706–0.773, p < 0.001; ORT = 0.891, 95% CI 0.858–0.925, p < 0.001）观察到最大的效应量。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图1. 在未校正（模型0）和完全校正（模型5）的logistic回归模型中，通勤方式与生物学年龄加速（Z-PhenoAA和Z-KDM-BAA）及白细胞端粒长度（Z-neg-LTL）的关联。在校正所有预设协变量后（模型5），步行模式与非主动通勤相比，仍与较低的生物学年龄加速显著相关（ORP = 0.928, 95% CI 0.874–0.984, p = 0.013; ORK = 0.922, 95% CI 0.859–0.989, p = 0.022），而LTL未观察到显著关联。混合步行模式与任何标志物均无显著关联。骑行组表现出较低的Z-PhenoAA和较长的LTL（ORP = 0.890, 95% CI 0.837–0.947, p < 0.001; ORT = 0.944, 95% CI 0.893–0.998, p = 0.044），而混合骑行组显示出显著较低的加速（ORP = 0.852, 95% CI 0.816–0.890, p < 0.001; ORK = 0.881, 95% CI 0.839–0.925, p < 0.001）。将生物学衰老标志物作为连续结果进行线性回归模型的结果与logistic回归模型的结果总体一致，支持了所观察关联的稳健性。3.3. 补充分析为检验个体特征对效应修饰的潜在影响，我们进行了按年龄、性别、收入、每周通勤距离、BMI、IPAQ和Townsend剥夺指数分层的亚组分析。交互作用结果在各亚组之间以及在三种生物学衰老标志物之间不一致；效应估计的幅度和方向均有所不同，未识别出一致的效应修饰模式。详细结果见附表A.3，各亚组分层内通勤方式的分布见附表A.4。某些分层，特别是较长通勤距离组中的步行通勤者，参与者数量相对较少；因此，应谨慎解释这些亚组特定的估计值。为评估研究结果的稳健性，我们进行了多项敏感性分析，详细结果见图2。在前三个敏感性情景中，结果与主分析高度一致：混合骑行和步行组与较低的生物学年龄加速显著相关，其中混合骑行组显示出最大的效应量，而骑行组在大多数分析中显示出与较低生物学衰老的显著关联。混合步行组未观察到显著关联。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图2. 四种分析情景下，通勤方式与生物学年龄加速（Z-PhenoAA和Z-KDM-BAA）及白细胞端粒长度（Z-neg-LTL）关联的敏感性分析。敏感性分析1：限制为每周通勤距离≤50英里的参与者；敏感性分析2：纳入衰老标志物的极端值；敏感性分析3：通勤距离以四分位建模而非对数转换的连续变量；敏感性分析4：排除混合模式通勤者，仅保留步行、骑行和非主动组。在排除混合通勤方式参与者的敏感性分析中，结果与主分析保持一致：步行组仍与较低的加速保持显著关联（ORP = 0.922, 95% CI 0.869–0.979, p = 0.008; ORK = 0.916, 95% CI 0.853–0.983, p = 0.013），而骑行组对三种生物学衰老标志物均显示出显著的 protective 关联（ORP = 0.887, 95% CI 0.834–0.944, p < 0.001; ORK = 0.932, 95% CI 0.870–0.999, p = 0.046; ORT = 0.942, 95% CI 0.891–0.997, p = 0.038）。在剂量-反应分析中，三水平有序变量和四水平有序变量（分别为步行和骑行距离构建）均未揭示出一致的剂量-反应关系，如图3所示。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图3. 通勤距离与生物学年龄加速（Z-PhenoAA和Z-KDM-BAA）及白细胞端粒长度（Z-neg-LTL）的剂量-反应关联，分别针对骑行模式和步行模式进行分析。（A）二分距离类别（Q1, Q2）。（B）三分距离类别（Q1, Q2, Q3）。各距离类别的比值比以非主动通勤组为参照。4. 讨论本研究利用英国生物样本库大型队列的大规模横断面数据，系统评估了主动通勤方式与生物学衰老加速（以LTL、KDM-BAA和PhenoAA定义）之间的关联。我们的结果表明，骑自行车通勤与较低的PhenoAA和较长的LTL显著相关，而步行通勤以及以骑行与非主动通勤混合的主动通勤方式则与较低的PhenoAA和KDM-BAA显著相关。在校正人口统计学特征、生活方式因素、社会经济因素和合并症后，这些关系仍然稳健，并通过一系列敏感性分析得到进一步验证。综合来看，这些发现表明，采用主动通勤方式，尤其是骑自行车作为一种有别于结构化锻炼的体育活动形式，可能有助于减缓衰老过程并促进健康老龄化。我们的研究发现表明，与骑自行车相关的通勤（包括仅骑行和混合模式骑行）与有利的生物学衰老谱型更为一致地相关，而仅步行通勤的关联在各标志物之间较弱且不一致。这可能是因为与步行相比，骑行的能量强度更大（Herrmann等，2024）。一项关于通勤方式与癌症风险关联的荟萃分析发现，每周与通勤相关的体力活动每增加10个代谢当量小时，结直肠癌、乳腺癌和子宫内膜癌的风险分别降低1%、9%和5%（Thu等，2024）。以往研究表明，不同强度的体力活动对延缓生物学年龄加速的影响各异。例如，Ammous等人使用健康与退休研究（HRS）数据发现，高强度运动（β = ?1.42, 95% CI -2.15–-0.68）对减缓PhenoAA的作用强于中等强度运动（β = ?1.20, 95% CI -1.83–-0.58）（Ammous等，2025）。一致的是，基于NHANES数据的一项研究中，You等人观察到体力活动水平与DNA甲基化预测年龄之间的负相关（β = ?0.007, 95% CI -0.014–-0.001）（You等，2025）。此外，Werner等人的研究表明，运动显著增加了单核细胞中的端粒酶活性，并且在长期耐力运动员中，中性粒细胞和淋巴细胞中的年龄依赖性端粒损耗得到缓解，提示运动可能对细胞衰老机制产生根本性影响（Werner等，2009）。

在一项针对高应激非活动照护者的随机对照试验中，Puterman等人发现，有氧运动干预显著改善了参与者 perceived stress（感知压力）、心肺适能及端粒长度，表明高危人群同样可从运动中获益（Puterman et al., 2018）。世界卫生组织建议，成年人每周应进行150–300分钟中等强度有氧活动或75–150分钟高强度有氧活动，或两者等量组合，以获得显著健康收益（WHO Guidelines Approved by the, 2020）。在此背景下，主动通勤作为一种低成本、易获取且可持续的身体活动形式，值得在公共卫生层面予以推荐。

越来越多的研究揭示了通勤方式与多种慢性病、死亡率及其他健康结局之间的关联，这与我们的发现相一致。一项纳入近40万人、随访时间长达25年的数据分析显示，与私家车通勤者相比，骑行通勤者的心血管死亡率降低24%（HR=0.76，95%CI 0.61–0.93），癌症发生率降低11%（HR=0.89，95%CI 0.82–0.97）（Patterson et al., 2020）。一项荟萃分析亦指出，与非活动通勤相比，主动通勤使肥胖和糖尿病风险分别降低12%和18%，且呈线性剂量-反应关系（Wu et al., 2021）。UKB队列研究亦表明，主动通勤显著降低了抑郁和焦虑的发病率（Fan et al., 2025）。鉴于KDM-BAA和PhenoAA已被广泛证实与心血管疾病、代谢综合征、呼吸系统疾病及精神健康障碍等多种慢性病风险显著相关（Gao et al., 2023; Jiang et al., 2024; Wang et al., 2024），我们的发现提示，主动通勤可能通过延缓生物学衰老来减轻慢性病负担。

Celis-Morales等人基于UK Biobank开展的大规模队列研究发现，骑行和骑行混合通勤与全因死亡率、癌症发病率及癌症死亡率的降低显著相关，而步行通勤与全因死亡率或癌症无显著关联（Celis-Morales et al., 2017）。一项荟萃分析进一步证实，骑行通勤使全因死亡率降低21%（HR=0.79，95%CI 0.69–0.89），而步行仅降低13%（HR=0.87，95%CI 0.75–0.99），且低水平步行未显示显著保护作用（Dutheil et al., 2020）。综合来看，这些证据提示，在主动通勤方式中，骑行可能提供更全面的健康收益。

此外，为验证结果的稳健性，我们进行了一系列敏感性分析。首先，将每周通勤距离限定在不超过50英里后，结果与主分析一致，表明较长的通勤距离并非干扰主动通勤健康获益的主要因素。其次，纳入生物学年龄极端值样本后，效应未出现显著变化，进一步支持了发现的稳健性。此外，排除混合通勤组后，骑行通勤对生物学年龄加速的保护效应仍然显著，支持了骑行与生物学衰老延缓之间的独立关联。

尽管本研究基于UK Biobank这一大规模前瞻性队列，提供了具有代表性和稳健性的结果，但仍存在若干局限。首先，作为一项横断面观察性研究，无法排除反向因果关系，亦无法确定因果关联。健康状况更好、BMI更低、活动能力更佳或生物学衰老谱更有利的个体可能更倾向于选择步行或骑行通勤。因此，通勤方式与生物学衰老之间的关联方向无法确立。其次，通勤方式和距离由参与者自报，可能引入回忆偏倚。第三，在多重变量校正（包括BMI和体力活动校正）后，观察到的关联效应量较小。对于通勤方式这类常见生活方式暴露，这种模式并不意外，因其可能对长期累积产生微小但持续的影响。因此，应将本研究发现解读为生物学衰老谱的适度差异，而非个体层面的大幅效应。未来需要纵向研究来确定这些关联的长期生物学意义。此外，UKB主要代表英国40–69岁人群，这限制了研究结果向其他人群的推广。最后，尽管KDM-BAA、PhenoAA和LTL捕捉了生物学衰老的互补维度，但它们并不等同互换，这些指标间不一致的发现可能反映了其所代表生物学领域的差异。此外，本研究完整分析样本中未提供基于DNA甲基化的表观遗传时钟数据；未来纳入表观遗传衰老指标的研究是必要的。

5. 结论

本研究基于UK Biobank，提供了大规模横断面证据，表明主动通勤（尤其是骑行）与较低的生物学衰老水平显著相关。我们的发现提示，骑行通勤可能是一种简单、低成本且具有潜在可推广性的日常行为，与更有利的生物学衰老谱相关，对于旨在促进健康老龄化的公共卫生策略具有潜在意义。未来需要进一步的前瞻性队列研究乃至随机对照试验，以提供更稳健的因果证据。

CRediT作者贡献声明

Zhao-Yu Wang：写作—审阅与编辑，写作—初稿，可视化，形式分析，概念构思。Meng-Jie Liu：写作—审阅与编辑，写作—初稿，可视化，形式分析，概念构思。Zi-qi Hua：写作—审阅与编辑，可视化，形式分析，数据管理。Jia-Hui Luo：写作—审阅与编辑，数据管理。Jiao-Jiao Liao：数据管理。Zhao-Ji Li：数据管理。Li-Yuan Tao：写作—审阅与编辑，资金获取，概念构思。

数据和材料的可获得性

支持本研究的科学数据来自UK Biobank，经批准申请号为[79114]。UK Biobank（https://www.ukbiobank.ac.uk/）是一项大型前瞻性队列研究，可供获批研究人员访问。

资金支持

本研究由国家自然科学基金资助[项目编号82474337]。

Zhao-Yu Wang | Meng-Jie Liu | Zi-qi Hua | Jia-Hui Luo | Jiao-Jiao Liao | Zhao-Ji Li | Li-Yuan Tao

北京大学第三医院临床流行病学研究中心，北京，100191，中国