高分CHARLS数据库指标：生物衰老

如何超越日历年龄，精准识别“未老先衰”的高风险人群？传统单一生理指标难以反映衰老的系统性与个体差异，而基于多维生物标志物整合的生物衰老指标为此提供了新路径。因此生物衰老指标也成为了高分文章的青睐指标之一👇

今天我们重点学习CHARLS数据库的两个生物衰老指标。

CHARLS可发文指标：生物衰老

定义：生物体随时间推移发生的系统性功能衰退过程，表现为分子、细胞、器官及整体生理学水平的渐进性损伤积累。

本质：细胞和分子层面的累积损伤，导致细胞损伤和修复能力的平衡被打破。

与实际年龄的区别：生物学年龄更能反映个体真实的健康状况和衰老程度，而非单纯的时间流逝，比实际年龄更能准确预测疾病和死亡风险。

相关生物标志物：

1️⃣ 非稳态负荷（Allostatic Load, AL）：

定义：指机体在长期暴露于各种应激源下，为维持稳态而持续激活生理调节系统所产生的累积“磨损与消耗”。

原理：通常选择反映心血管、代谢、免疫等多个系统功能的指标，根据其偏离正常范围的程度（可以通过正常值和异常值/四分位数来判断）进行计分，超过既定高风险阈值的值赋值为1分，低于阈值的值赋值为0分，最后求和得到AL总分。

2️⃣ 基于Klemera-Doubal法计算得出的KDM生物年龄（KDM-BA）：

定义：一种基于多变量反向回归的算法，用于整合多个生物标志物来估计个体的生物年龄。

原理：假设每个生物标志物与年龄呈非线性关系。该方法通过将每个标志物的观测值与年龄的回归模型相结合，并考虑各标志物的误差，最终得到一个加权的生物年龄估计值。

指标实现：

非稳态负荷（Allostatic Load, AL）：

涉及生理指标和生物标志物：收缩压和舒张压、体重指数（BMI）、高密度脂蛋白（HDL）、低密度脂蛋白（LDL）、总胆固醇、甘油三酯、糖化血红蛋白A1c、空腹血糖、血红蛋白、C反应蛋白、肌酐、胱抑素C和血尿素氮。

代码解读：

基于Klemera-Doubal法计算得出的KDM生物年龄（KDM-BA）：

涉及生理指标和生物标志物：总胆固醇、甘油三酯、糖化血红蛋白A1c、尿素、肌酐、高敏C反应蛋白、血小板计数和收缩压。

代码解读（基于BioAge包进行修改）：

如果您有做复杂指标的打算，但苦于不会操作，那么可以了解一下统计之光，我们具备实现复杂指标的技术能力，并可提供针对该数据库相关指标的全流程方法学指导。

注意事项

不同文章中所采用的生物标志物不同，可能的原因包括以下几点：

每篇文章所探索的科学问题和目的（重点在关注的健康问题）不同，聚焦的方向有所不同，对于不同的研究目的，不同指标影响的程度不一致，因此会出现不同；
对AL来说评估方法包括高风险四分位数法和临床临界值法，不同研究可能基于自身数据特点和研究目的选择不同的评估方法，导致使用不同的生物标志物；
不同研究针对不同人群，需要考虑人群的生理特点，导致使用的生物标志物存在不同。

不需要太担心这种不一致会影响我们的研究结果，我们只需要做好以下几点就好：

无需追求“统一指标”，但需明确“指标选择依据”：优先选择与胰岛素抵抗、心脏代谢疾病强相关的标志，参考CHARLS中类似主题研究的指标组合；
兼顾数据可得性：优先选择CHARLS中缺失率低的核心指标，避免因指标缺失导致样本量不足；
在论文中清晰说明“指标选择理由”：如本研究指标基于…机制，结合CHARLS数据可得性，最终纳入…项指标（具体列表），以提升研究的合理性和可重复性。

为什么AL和KDM-BA可以发高分文章

▶ 突破传统衰老评估的局限性，解决“临床痛点”：传统衰老评估依赖“实际年龄”，但实际年龄无法反映个体间的“衰老速率差异”，而生物衰老指标整合多系统生理指标（代谢、免疫、心血管、内分泌等），可以直接量化“生理衰老程度”，并通过能识别“未老先衰”人群，精准定位高风险个体。

▶ 多维度整合生理数据，契合“系统医学”研究趋势：生物衰老指标的确定整合多项临床指标，具备“多指标整合”的特点，能揭示衰老的“系统级机制”，而非单一指标的孤立关联，提升了研究的“深度与广度”。

▶ 机制明确且可验证，兼具“基础研究深度”与“临床转化价值”：衰老的核心机制均可通过这些指标间接量化，并且可以帮助直接指导干预临床转化，不仅可以用于风险分层，还可以作为干预效果评价的指标。

案例文章

以一篇发表在Frontiers in Nutrition上的文章为例，为大家介绍生物衰老有关指标。

文章解读：

研究背景：血清尿酸（SUA）是嘌呤代谢的副产物，具有抗氧化和促炎作用，因此其在衰老和慢性疾病中的作用一直备受争议。尽管如此，SUA影响衰老过程的机制仍不清楚。

研究方法：分析了NHANES（1999-2010年）和CHARLS（2011-2015年）队列的数据，以探究SUA对生物衰老的影响。广义线性回归模型评估了SUA对生物衰老标志物[ΔKDM-BA、ΔPhenoAge和异质负荷 (AL) ]的影响，而Cox回归模型则评估了其与全因死亡和过早死亡的关联。使用限制性三次样条函数 (RCS) 评估了SUA水平与衰老标志物（ΔKDM-BA、ΔPhenoAge和AL）以及全因死亡和过早死亡之间的剂量-反应关系。（需要注意：文章在NHANES数据中采用KDM-BA和PhenoAge，在CHARLS数据中采用KDM-BA和AL）

主要研究结果：

表3显示，在两个队列中，基线血清尿酸（SUA）水平与多种加速衰老标志物均呈显著正相关。在NHANES队列中，SUA每升高1 mg/dL，ΔKDM-BA的差异增加1.22岁（95% CI：1.14–1.29，p<0.0001），ΔPhenoAge的差异增加0.99岁（95% CI：0.92–1.07，p<0.0001）。在CHARLS队列中，在粗略模型中，SUA每升高1mg/dL，ΔKDM-BA的差异增加1.25岁（95% CI：1.17–1.33，p<0.0001）。同样，在未调整模型中，SUA每升高1 mg/dL，AL值增加0.34（95% CI：0.30–0.37，p<0.0001）。在全面调整混杂因素后，这种关联有所减弱，但仍具有统计学意义。在多变量回归分析中，尽管逐步调整后ΔKDM-BA和AL的效应量略有下降，但仍表明SUA水平升高、加速衰老和多系统应激负荷增加之间存在稳定的正相关关系。

图2显示SUA与加速衰老之间的剂量-反应关系，发现NHANES队列中SUA与ΔPhenoAge呈显著非线性相关（非线性p<0.0001），且当SUA水平超过约4.16mg/dL后，加速衰老效应更加明显。SUA也与ΔKDM-BA呈非线性相关（非线性p=0.02）。在CHARLS队列中，SUA与ΔKDM-BA呈非线性相关（非线性p=0.01），与AL呈线性相关（非线性p=0.31）。总体趋势表明，较高的SUA水平与加速衰老标志物的增加相关。