健康寿命蛋白质组特征的开发与验证

一、学术背景：从寿命延长到健康寿命的增进

随着20世纪以来全球医疗和社会经济水平的提高，人类整体寿命（Lifespan）显著延长，尤其是在发展中国家。然而，健康寿命（Healthspan）——即个体在无重大慢性疾病和功能障碍、保持全面健康状态下生活的年限——却未能与寿命同步增长。这在全球范围内造成了“健康寿命缺口”（healthspan-lifespan gap），使越来越多的人口虽然生命得以延长，但晚年多伴随慢性疾病、残疾和功能丧失，造成巨大社会、经济和医疗负担。

面对这一挑战，抗衰老生物学领域出现了“老年医学科学”（Geroscience）研究范式。与以往仅聚焦单一疾病的防治不同，Geroscience强调同时针对影响衰老进程的核心生物学机制（如炎症、免疫失衡、代谢异常、细胞功能障碍等“衰老标志”hallmarks of aging）进行干预，希望能延缓全身多类慢性疾病的发生，从源头上延长健康寿命。

在相关研究的推动下，各类生物标志物（Biomarkers of aging）陆续被提出。这些标志物可用于测量衰老状态甚至预测疾病、死亡风险，包括临床生理参数、血液生化指标、组学特征（表观遗传、蛋白质组、代谢组等）和综合评分模型。然而，目前学界和医疗界主要聚焦于“寿命标志物”或死亡预测因子，直接反映健康寿命的生物标志物尚属空白。这主要因为健康寿命定义尚无统一标准，标志物开发需依赖长期大样本随访、收集健康个体直至各类结局的完整数据，难度远高于单纯预测寿命或单一疾病。

鉴于此，如何基于“健康寿命”的定义，开发可准确预测个体健康状态变化、用于跨人群、跨疾病、跨干预的“健康寿命生物标志物”，成为临床转化和抗衰老干预研究的关键挑战和前沿热点。

二、论文来源与作者背景

本文为一项原创性研究论文，题为《A proteomic signature of healthspan》，发表于美国国家科学院院刊（PNAS, Proceedings of the National Academy of Sciences）2025年第122卷第23期。该研究由Chia-Ling Kuo（第一作者及通讯作者，University of Connecticut Health Center）、Peiran Liu、Gabin Drouard、Eero Vuoksimaa、Jaakko Kaprio、Miina Ollikainen、Zhiduo Chen、Luke C. Pilling、Janice L. Atkins、Richard H. Fortinsky、George A. Kuchel及Breno S. Diniz等作者团队完成，涉及美国康涅狄格大学健康科学中心、芬兰赫尔辛基大学、英国埃克塞特大学等多家顶尖机构。

论文于2025年6月6日正式公开，属于PNAS“直接投稿”类别，获得国际学者Ana Maria Cuervo编辑。数据主要源自英国生物银行（UK Biobank）和芬兰双生子队列（Finnish Twin Cohort），Proteomics测定采用Olink Explore 3072高通量蛋白质组平台，研究设计严谨、样本量巨大、技术路线创新，具有突出的学术价值和广泛的转化前景。

三、研究设计与方法流程详述

1. 研究目的与总体设计

本研究旨在开发一种基于蛋白质组的大规模生物标志物——健康寿命蛋白质组评分（Healthspan Proteomic Score, HPS），以准确预测个体健康寿命（即首次发生包括癌症、糖尿病、心衰、心肌梗死、中风、慢性阻塞性肺疾病、痴呆或死亡等重大健康事件前的岁月数），并系统验证其预测性能在不同人群、不同健康结局及不同测量指标下的有效性与临床应用价值。

具体设计包括：

• 以UK Biobank（UKB）Pharma Proteomics Project（PPP）大队列为基础开发HPS模型；
• 利用独立子样本、芬兰“Essential Hypertension Epigenetics Study”外部队列等多重队列进行交叉、外部验证；
• 采用横断面及随访数据、多层次对比各种蛋白、表观遗传等生物年龄相关打分模型；
• 关联蛋白水平、临床健康指标及各类重大结局，揭示其潜在生物学机制。

2. 主要实验流程与步骤

（1）样本来源及基本特征

• UKB PPP Cohort：筛选并纳入53,018名UKB活跃参与者（2006-2010年招募，40-70岁），其中43,119人在研究基线时未诊断健康寿命定义内的重大疾病，被作为主要研究对象，随机分为70%的训练集（30,184人）和30%的测试集（12,935人）。
• 蛋白组测定：利用Olink Explore 3072平台，测量UKB样本血浆中2923种蛋白质的表达，涵盖心血管、炎症、神经、肿瘤等多个功能系统，数据遵循严格的批次校正及缺失值插补（K=10的KNN法）。

（2）HPS开发与建模过程

1. 健康寿命定义的确立
   参照前沿研究，作者将健康寿命定义为个体出生至首次确诊下列任一疾病：恶性肿瘤（不含非黑色素瘤皮肤癌）、糖尿病（I型/II型/营养不良型）、心衰、心肌梗死、中风、慢性阻塞性肺疾病、痴呆、或死亡。

2. 特征选择与模型建立

   • 首先，通过LASSO（最小绝对收缩与选择算子）Cox回归模型，在2,920个蛋白质和年龄中筛选最具预测力的变量，严控模型复杂度，最终保留86种蛋白质和年龄指标，总模型完整保留接近最优偏差。
   • 在此基础上组装Gompertz生存模型，计算各样本未来10年内首次发生上述事件的概率（风险Rh），以1-Rh定义HPS——分值越低表示风险越高。

3. 训练-测试与交叉验证

   • 用训练集开发模型，用测试集独立评估性能，包括与多种生物年龄评分（如Proteomic Aging Clock, PAC，PhenoAge，BioAge，Protage-EN等）和表型指标对比，检验模型在多种疾病、死亡等结局的预测力和泛化性。

（3）主要数据分析与统计方法

• 采用Spearman相关系数、Wilcoxon秩和检验、Aalen加法风险模型、Harrell’s C统计量等多重统计方案。
• 除标准年龄、性别、种族、受教育程度等，进一步矫正BMI、吸烟状况、高血压、高胆固醇、就业背景、样本集构成等多层协变量，力求降低混杂影响。
• 多重比较采用FDR（Benjamini-Hochberg方法）严谨控制假阳性。
• 所有蛋白信号均做归一化、逆正态变换，生物信息学分析则结合FUMA等工具进行通路富集和功能注释。

（4）外部验证

• 采用芬兰Essential Hypertension Epigenetics Study数据，纳入401名芬兰双生子队列样本（血压表型、死亡结局、中长期随访、蛋白组与表观遗传数据齐备），系统评估HPS在其它欧洲队列的适用性和扩展性，并与DNA甲基化、代谢组等多维度生物年龄指标直接对比。

3. 主要实验结果与逻辑递进

（1）健康寿命结局与样本表型

• 在UKB PPP训练-测试大队列中，约28.8%的无基线重大疾病参与者在13.5年随访期内首次发生健康寿命定义内事件，癌症、心梗、糖尿病、COPD等为主要首发病因，首次发病年龄均值约66.7岁。
• 按HPS分组，各类慢病患者或风险人群（男性、老年、吸烟者、肥胖者、高血压或高胆固醇患者）在基线时HPS分值显著低于其他人群，显示生物年龄分型的区分度和疾病早期生物学改变的敏感性。

（2）HPS与生物年龄、临床结局的关联

• HPS与实际年龄呈中等负相关（r = -0.73），与PAC等蛋白组时钟（r = -0.87）、表型年龄分（如PhenoAge、BioAge）（r = -0.79、-0.74）呈密切负相关；与表型虚弱指数（frailty index）弱负相关。
• 多变量回归及生存分析表明：HPS分值越低，未来10年内首次发生主要慢病或死亡风险显著升高——每减少0.1分，对应增加1600起新病例/10万人年。低HPS组在各类单病种、总体死亡、癌症分型等多重健康结局事件中表现出更差的生存/健康预后（如Kaplan-Meier生存曲线显著分离，HR为每0.1单位下降，死亡风险增加55%）。

（3）蛋白质组生物学机制与HPS逻辑支持

• 统计学筛选出HPS低分组特异上调或下调的蛋白质（累计1398个，Bonferroni校正后），在免疫反应、炎症反应、细胞信号转导、代谢调控等26个hallmark通路高度富集，强化了蛋白组与衰老生物学之间的实质联系。
• 与PAC等传统寿命时钟直接对比下，HPS在多种器官相关慢病、死亡、多个健康结局预测上具有更优或相当的分辨力，并且二者结合可获得更强的预测效能和更广泛的适用性。

（4）外部验证与泛化性能

• 芬兰EH-EPI队列中，HPS分值与死亡、糖尿病、代谢组标志物等健康结局显著相关，评分低者死亡率更高，表现稳定；与DNA甲基化时钟、其他蛋白组学指标同时验证，HPS显示更强或相当的前瞻性生物预测力，具备在不同族群应用的潜力。

（5）联合与交互作用分析

• 进一步探索发现，HPS低+PAC高的个体属于“最差生物学衰老分组”，介于健康人（HPS高+PAC低）与单指标准分者之间。联合分型可优选出虽然临床尚健康、但已出现显著系统生物学不良改变的高风险人群，有助于靶向预防性老年干预。

四、研究结论、科学价值与应用前景

1. 主要结论

• HPS作为一种健康寿命蛋白组学评分，能够精准预测健康中青年群体未来主要慢性疾病或死亡（健康寿命终止）风险，在多种亚组（年龄、性别、吸烟、肥胖、基线慢病）均表现优良分型能力。
• HPS反映了全身系统级别的生物衰老状态（systemic biological aging），并捕捉到了衰老标志相关的功能障碍进程，而非单一器官或单一危险事件。
• HPS不仅与传统蛋白组、表观遗传等“寿命分”相关，也能独立提供新的健康风险分层维度；多 measures 联用将增强健康结局预测和精准医学分型能力。
• 应用HPS将极大推动抗衰老干预的人群筛查、效果评估、临床试验结局替代，缩短随访周期，提高试验效率，推动Geroscience在临床转化和健康老龄社会建设中的落地。

2. 科学及应用意义

• 科学价值：填补了健康寿命生物标志物空白，为健康老龄社会和全生命周期慢病防控提供了新型精准工具，推动蛋白组学与老年医学的深度融合。
• 应用前景：HPS可作为新一代生物年龄测量工具，被用于疾病风险评估、高风险人群筛查、干预效果监控、药物研发、保险及公共卫生政策制定等多元场景，极具临床与产业转化潜力。

五、研究亮点与创新点

• 首次基于大样本人群纵向随访，严格定义健康寿命生物结局结构性开发蛋白组评分模型，填补国际空白。
• 模型涵盖广泛蛋白组信号，富集于衰老相关的炎症、免疫、信号通路等通用通路，揭示了慢病共性生物学机制。
• 样本量巨、数据多维，横跨英、芬不同族群和样本源；具备良好泛化和外部扩展能力。
• 与前沿蛋白组、表观遗传等多种生物年龄模型直接对比，优劣分析系统，带来极高技术可靠性与权威性。
• 联合多分型实现更精准生物健康分层，为个体化抗衰老干预及早筛查、精准治疗带来现实科学依据。

六、其他信息与未来展望

• 模型代码、分析流程开源托管于github，可供学界自由下载与拓展。
• 研究作者及团队为国际一流老年医学、蛋白组学、人口队列研究者，项目获得英国、芬兰、美国等国家顶尖科学基金与医疗研究资助，权威性高。
• 研究中对健康寿命定义亦进行了限制性讨论，承认电子病历资料较难纳入所有慢性功能障碍，但实际模型预测主流常见健康结局，已具广泛应用适应性。
• 未来需进一步在多种族、多年龄、更广泛医疗数据人群中验证HPS评分临床转化价值，推动国际健康老龄政策和精准医学研究落地。

七、结语

该项研究作为健康寿命领域的开创性蛋白组学探索，不仅推动了生物年龄精准分类和“从实验室到床边”的临床转化，也为全球老龄化社会背景下的“延长健康寿命”目标建设提供了坚实的基础性科学工具。HPS及其衍生结合策略，有望指引未来抗衰老干预、慢病预防、健康政策制定等诸多创新方向，奠定了新时代精准健康管理的理论和技术基石。