为什么同样步入老龄，有人大脑依然“年轻”，而有些人却出现明显的认知衰退？ 这种差异，可能不仅仅取决于年龄或基因，还与个体一生中的 多维暴露因素（exposome） 密切相关。

近期，一项发表于Nature Communications的研究，基于UK Biobank近4万人大样本数据，整合暴露组+机器学习+脑龄差异（BAG）分析框架，系统评估了多种生活方式、代谢状态与环境因素对大脑灰质健康的综合影响。

研究背景

随着全球老龄化加剧，脑健康衰老已成为重要公共卫生问题。个体之间脑衰老速度差异显著，而这种差异难以用单一因素解释。

近年来，脑龄差异（Brain Age Gap, BAG）被广泛用于评估脑健康状态。但传统研究多聚焦单一因素（如吸烟或高血压），缺乏对暴露组整体效应的系统评估。本研究创新将多维暴露因素整体建模，系统评估其对脑健康的综合预测作用。

图1. 基于暴露组特征预测灰质健康

核心突破：三大分析体系

1、脑龄预测模型构建

研究人员依托UK Biobank近4万名受试者总队列，筛选5025名健康人群作为建模集，基于全脑灰质体积数据对比岭回归、随机森林、SVR等多种算法，最终确定以1054脑区特征+岭回归作为最优脑龄预测模型。结果显示，该模型预测精度优异（r=0.76，MAE≈3.93 年），可在近 4 万总队列中精准量化个体脑龄差异（BAG），稳定反映大脑灰质健康状态。

2、暴露组机器学习预测

随后研究人员基于3706名具备高质量暴露组与脑影像数据的受试者，结合生物医学、生活方式、营养及社会心理等领域的261个暴露因素，采用随机森林、岭回归与SVR三种机器学习算法交叉建模，并结合SHAP值解析各暴露因素的贡献度以及作用方向。结果显示，暴露组特征可显著预测灰质健康状态（r=0.23, P<0.002），且该结论在4292人复制集及7736人大样本验证集中均表现出高度稳健性。

图2. 基于SHAP值筛选并经多算法验证的灰质健康预测前30核心暴露变量

3、关键暴露因素识别

SHAP分析进一步筛选出核心影响因素，主要涵盖心血管、代谢、生活方式、营养及骨骼肌肉相关指标，其中臀股脂肪表现出脑保护作用。研究发现，暴露时长与暴露起始年龄对脑老化的预测价值远高于是否患病，提示尽早干预防护对延缓大脑衰老至关重要。

图3. SHAP值展示核心暴露变量对灰质健康预测的影响方向与贡献程度

拜谱小结

本研究基于UK Biobank超大人群队列，系统性开展暴露组特征解析与机器学习建模分析，构建暴露组与脑龄差异（BAG）的关联预测模型，借助SHAP精准挖掘核心暴露因子，阐明了暴露组对衰老人群大脑灰质健康的关联模式，为脑衰老机制解析、痴呆早期防控提供了全新研究视角与关键干预方向。

拜谱生物作为国内领先的多组学服务公司，可提供完善成熟的暴露组数据深度挖掘、机器学习建模分析、生物信息学整合解析技术支持。全面解析机制机理，助力高分文章发表，欢迎致电咨询