一项韩国前瞻性队列研究：在代谢综合征轨迹中，饮食模式是超越遗传风险的心血管风险关键预测因子

《The Journal of Nutrition》：Dietary Patterns Are Key Predictors of Cardiovascular Risk Beyond Genetic Risk Across Metabolic Syndrome Trajectories in A Korean Prospective Cohort Study

　　

摘要

背景

代谢综合征（MetS）的进展涉及不同的轨迹状态，包括新发（ND-MetS）、恢复（R-MetS）和持续性MetS（P-MetS），每种状态均与不同的心血管疾病（CVD）风险特征相关。转变为新发MetS代表了一个关键的早期饮食干预窗口，因为亚临床代谢恶化通常先于临床识别。然而，在纵向队列中，饮食质量相对于生化标志物和遗传标志物的预测价值在整合机器学习框架内仍缺乏充分表征。

目的

本研究旨在开发并评估基于机器学习的预测模型，整合饮食质量指数、生化标志物和遗传变异，以在大规模韩国前瞻性队列中对不同MetS轨迹群体进行CVD风险分层。

方法

我们分析了来自韩国基因组和流行病学研究（KoGES）的58,701名韩国成年人，随访5年，分为四个MetS轨迹组：N-MetS（无MetS；n=46,647）、ND-MetS（n=3,505）、R-MetS（n=5,307）和P-MetS（n=3,242）。Cox比例风险模型确立了各轨迹组的CVD风险，确定ND-MetS为最高风险人群。随后开发随机森林和极端梯度提升（XGBoost）模型，评估饮食模式、改良版韩国健康饮食指数（MKHEI）评分、生化标志物和遗传变异的预测贡献。

结果

与N-MetS相比，ND-MetS与新发CVD风险呈正相关（HR=1.87，95% CI：1.23–2.67）。为避免循环论证，排除MetS组成变量后，随机森林模型实现了最佳预测性能（AUC=0.756），优于XGBoost（AUC=0.731）。关键预测因子包括肝酶（γ-GTP、ALT、AST）、炎症标志物（hs-CRP）、饮食模式和人体测量指标。APOA4-APOA5-ZPR1-SIK3-APOC3基因簇的遗传风险评分在所有机器学习模型中，其预测重要性始终低于饮食模式（反映饮食质量）和生化标志物。

结论

整合饮食质量指数与常规生化标志物的机器学习模型，相较于单纯的遗传方法，改善了ND-MetS的CVD风险分层，为韩国成年人提供了一种实用的、可扩展的、不依赖基因型的精准营养策略。

章节摘要

引言

代谢综合征（MetS）是一种复杂的疾病，以腹部肥胖、血脂异常、高血压和高血糖为特征，均与胰岛素抵抗密切相关[1]。全球MetS的患病率已达到约25%的成年人，在某些亚洲人群中上升至近35%[2]、[3]，该综合征显著增加了心血管疾病（CVD）、2型糖尿病和全因死亡率的风险[4]。重要的是，初次转变为MetS的个体——

参与者招募与研究设置

本研究采用前瞻性队列设计，使用韩国基因组和流行病学研究（KoGES）的次级数据，这是一个大规模人群基纵向队列[14]。在初始招募期（2004–2011年）共纳入72,228名40岁及以上的韩国成年人。其中，65,612名参与者完成了第一次和第二次访视（2012–2016年），随访间隔为5年，而6,616名参与者失访。数据缺失的参与者——

第二次测量时的人口学、人体测量和生化特征

各组的年龄和性别分布差异显著（p<0.001），P-MetS和R-MetS组的年龄大于N-MetS组。N-MetS组的男性比例较低。ND-MetS和P-MetS组的BMI、腰围、空腹血糖和HbA1c显著升高，其中P-MetS组数值最高（表1）。P-MetS组显示最低的HDL-C和最高的甘油三酯水平。P-MetS和ND-MetS组的肝酶（AST、ALT、γ-GTP）和hs-CRP升高（p<0.001）。

讨论

本纵向研究整合了遗传、生化和生活方式因素，以识别MetS的早期指标和可改变的风险因素。我们全面的方法与传统诊断标准相比展示了优越的预测准确性，即使排除常规MetS组成成分，机器学习模型仍实现了较高的性能。

我们的心血管发现揭示了重要的表型特异性模式。R-MetS组中矛盾地呈现最高的心肌梗死患病率——

结论

本纵向研究表明，反映饮食质量的饮食模式、生化标志物和遗传变异与韩国成年人的MetS发展和心血管风险相关。富含水果、蔬菜、坚果、鸡蛋和牛奶的植物性饮食模式，具有高MKHEI评分者，与较低的MetS发生几率相关，表明饮食质量可能代表MetS风险降低的可改变靶点。虽然脂蛋白相关的遗传变异——

作者贡献

SP提出了研究问题，解读了数据，并撰写了论文初稿。MSK设计了研究分析，解读了数据，并获得了研究经费。HJY和MJK分析了数据并审阅和修改了论文。HJH和HJJ分析了数据。所有作者阅读并批准了本稿的最终版本。

数据可用性声明

KoGES数据的获取可通过韩国国立卫生研究院的标准数据访问程序申请（韩国乌山）。

资助

本研究由韩国食品研究院的研究计划（E0220602-06）资助，由科学与信息通信技术部提供资金。

致谢

我们感谢参与KoGES的参与者及科学家们。

杨惠正 | 金敏贞 | 张铉俊 | 许亨全 | 金明善 | 朴顺玟