5.7 Q1|同济大学NHANES发文 | 端粒长度作为身体成分和骨折变化的指标
1.第一段–文章基本信息
文章题目：Telomere length as a marker of changes in body composition and fractures-an analysis of data from the NHANES 2001-2002
中文标题：端粒长度作为身体成分和骨折变化的指标——对 NHANES 2001-2002 数据的分析
发表杂志：Frontiers in Immunology
影响因子：1区，IF= 5.7
发表时间：2023年9月
2.第二段–研究思路
本研究思路
本文旨在探讨端粒长度（TL）与身体成分及骨折之间的关系。研究基于2001-2002年国家健康与营养调查（NHANES）数据，纳入20950名参与者。研究测量了参与者的身体成分（包括骨密度[BMD]、骨矿含量[BMC]、脂肪含量和肌肉含量）和端粒长度（通过定量PCR测定）。通过多变量加权线性回归和逻辑回归模型分析TL与身体成分及骨折的关联。结果显示，TL与大部分身体部位的BMD和BMC呈正相关，但在上肢和头骨呈负相关。脂肪含量与TL呈负相关，肌肉含量与TL呈正相关。此外，TL增加与腕部骨折风险增加相关，与脊柱骨折风险降低相关，且这些关联存在一定的性别特异性。研究提示TL与身体成分及骨折相关，但需进一步研究确认这些关联的因果关系。
3.第三段-Introdction
背景
全球范围内，随着人口老龄化，骨质疏松症的患病率不断增加，已成为一个主要的公共健康问题。在美国，约有10万名50岁以上的成年人患有骨质疏松症，另有34万名处于发病风险中。2017-2018年，50岁及以上成年人骨质疏松症的年龄标准化患病率为12.6%。每年美国约有2万例骨质疏松性骨折，导致高达1亿美元的直接医疗成本。骨质疏松性骨折不仅降低个体生活质量，还给全球医疗保健系统带来社会和经济负担。骨质疏松症是一种以骨量丢失、骨组织微结构退化、骨脆性增加和骨折风险上升为特征的系统性骨骼疾病。越来越多的研究认为，衰老是与动脉粥样硬化、肿瘤、神经退行性疾病、糖尿病和骨质疏松症等年龄相关慢性疾病的最大风险因素。衰老导致骨量丢失，尤其是在绝经后女性中，雌激素水平下降加剧了这一过程。衰老还会导致身体成分变化，如无脂组织质量下降和脂肪质量增加，导致体脂百分比上升。端粒作为衰老标记，在调节细胞衰老中起着关键作用，近年来受到广泛关注。本研究基于NHANES数据库数据，研究TL、身体成分和骨折之间的关系，并考虑已知和潜在的混杂因素。
4.第四段-Methods
方法
本研究为横断面研究，数据来源于2001-2002年国家健康与营养调查（NHANES）。所有参与者均进行了完整的骨密度（BMD）、骨矿含量（BMC）、脂肪含量、肌肉含量、体脂百分比和端粒长度（TL）的测量。通过家庭访谈，由经过培训的调查员收集了所有参与者的人口统计学数据、教育水平和个人疾病史。排除了临床检测结果、实验室数据和人口统计学信息不完整的参与者。最终，共有20,950名20至79岁的受试者被纳入研究。所有参与者均被告知研究的伦理审批情况，并获得了国家卫生统计中心伦理审查委员会的同意。
暴露：端粒长度
端粒长度的测量方法遵循Cawthon（21）发表的方法。从外周血中提取DNA，使用苯酚氯仿法提取，并在-80°C下保存，浓度超过100 ng/ml。然后，使用定量实时聚合酶链反应（qRT-PCR）技术。T/S比值（端粒测定的Ct/单拷贝基因测定的Ct）用于评估端粒的相对长度，其中Ct是在qRT-PCR过程中达到阈值荧光水平的循环数分数。
结局: 身体成分
使用双能X线吸收法（DXA）评估了头骨、四肢骨骼、骨盆、肋骨、躯干骨骼、脊柱、亚总体（除头部外的总身体）、总身体的BMD、BMC、脂肪含量、瘦组织含量和体脂百分比。有关BMD评估的更多细节可在NHANES网站上找到。
协变量:
年龄、性别、种族、教育水平、吸烟状况、糖尿病（DM）、骨质疏松症病史、既往骨折史、体力活动水平以及止痛药使用史
统计学方法
基线特征由加权平均值和标准差（连续变量）以及加权比例（分类变量）组成。分析中使用的权重根据NHANES数据库提供的说明选择。在本研究中，部分变量在移动检查中心（MEC）收集，因此我们使用MEC的检查权重（WTMEC2YR）进行分析。其次，使用多变量加权线性回归模型评估TL与身体成分之间的相关性。协变量调整设计了以下四个模型：模型1 = 未调整模型；模型2 = 年龄、性别、种族和BMI；模型3 = 模型2 + 教育和吸烟；模型4 = 模型3 + 骨质疏松症病史、DM病史、止痛药摄入史和体力活动水平。计算TL与身体成分之间的b相关系数。第三，使用双变量多变量加权逻辑回归评估TL与骨折事件之间的相关性。此外，还对分层因素（包括年龄和BMI）进行了亚组分析。使用似然比检验进行交互作用检验。通过P值小于0.05确定统计显著性。使用Bonferroni校正对多重比较进行P值校正。
5.第五段-Results
结果
人群特征
研究从NHANES（2001-2002）数据库中提取数据，最终纳入20,950名受试者。受试者的加权平均年龄为42.04岁，男性11,880人（55.3%），女性9,070人（44.7%），加权BMI为27.03 kg/m²。约12.5%的受试者报告有腕部骨折史，310人有脊柱骨折史。糖尿病和骨质疏松症的患病率分别为3.9%和2.7%。整体人群的加权端粒长度为1.12 bp。相关性分析显示，端粒长度与年龄、身高、体重、BMI、种族、教育水平、吸烟、体力活动水平、止痛药使用、骨质疏松症和糖尿病显著相关，但性别亚组分析未显示显著差异。不同身体部位的BMD和BMC平均值见表2，脂肪和肌肉含量的详细信息见表2。此外，临床人口统计学特征和身体成分在不同TL组之间有显著差异。
端粒长度与骨矿含量（BMC）的关系
表3显示了不同身体部位BMC与TL的相关性。未调整协变量（模型1）时，下肢、左肋骨、骨盆、躯干、亚总体和总身体的BMC与TL增加相关，而左臂、右臂、胸椎和腰椎的BMC与TL增加呈负相关。调整年龄、性别、种族和BMI（模型2）后，下肢、左肋骨、右肋骨、胸椎、躯干、亚总体和总身体的BMC与TL增加相关，但头部和腰椎除外。进一步调整教育水平和吸烟（模型3）或所有协变量（模型4）后，结果与模型2基本一致。值得注意的是，当左肋骨和右肋骨以及四肢合并时，BMC与TL呈显著正相关。同时，当TL从连续变量转换为分类变量（Q1-Q4）时，敏感性分析结果与初步分析结果一致。亚组分析显示，BMC与TL在不同性别、年龄、BMI和种族之间存在显著差异。
端粒长度与骨密度（BMD）的关系
表5列出了不同身体部位BMD与TL的相关性。未调整协变量（模型1）时，左腿、右腿、左肋骨、右肋骨、腰椎、骨盆、躯干、亚总体和总身体的BMD与TL增加相关，而胸椎的BMD与TL增加呈负相关。调整年龄、性别、种族和BMI（模型2）后，左腿、右腿、右肋骨、亚总体、躯干和总身体的BMD与TL增加相关，但左臂、右臂和胸椎除外。进一步调整教育水平和吸烟（模型3）或所有协变量（模型4）后，结果与模型3一致。敏感性分析显示，当TL从连续变量转换为分类变量（Q1-Q4）时，结果与初步分析一致。亚组分析显示，BMD与TL在不同性别、年龄、BMI和种族之间存在显著差异。
端粒长度与脂肪含量的关系
表6显示了不同身体部位脂肪含量与TL的相关性。未调整协变量（模型1）时，头部、上肢、下肢、躯干、亚总体和总身体的脂肪含量与TL呈负相关。调整年龄、性别、种族和BMI（模型2）后，下肢脂肪含量与TL的相关性消失，其他部位保持不变。值得注意的是，所有部位的体脂百分比均随TL的减少而增加。敏感性分析显示，高TL组的脂肪含量低于低TL组，但下肢除外。亚组分析显示，脂肪含量与TL在不同性别、年龄、BMI和种族之间存在显著差异。
端粒长度与肌肉含量的关系
表7显示了不同身体部位肌肉含量与TL的相关性。未调整协变量（模型1）时，头部、左臂、躯干、亚总体和总身体的肌肉含量与TL呈负相关，而下肢的肌肉含量与TL呈正相关。调整年龄、性别、种族和BMI（模型2）后，左臂和头部的肌肉含量与TL的相关性消失，其他部位保持不变。敏感性分析显示，高TL组的肌肉含量高于低TL组，但左臂和头部除外。亚组分析显示，肌肉含量与TL在不同性别、年龄、BMI和种族之间存在显著差异。
端粒长度与骨折的关系
表8显示，多变量二元逻辑回归模型分析表明，年龄、教育水平、吸烟史、止痛药使用史、糖尿病史、BMD与腕部骨折显著相关，但TL与腕部骨折无显著相关性。然而，趋势分析显示，高TL组的腕部骨折发生率高于低TL组。另一方面，多变量二元逻辑回归模型显示，年龄、BMI、种族、吸烟史、止痛药使用史、糖尿病史、体力活动水平、BMD和TL是脊柱骨折的独立预测因子。趋势分析显示，高TL组的脊柱骨折发生率低于低TL组。性别分层分析表明，TL对男性脊柱骨折的影响更为显著。年龄和BMI的亚组分析显示，TL与骨折风险的关系在不同年龄和BMI组之间存在显著差异。
6.第六段–结论与启发
结论与启发
结论
我们的研究结果表明，端粒长度（TL）与身体成分以及骨折在大多数身体部位存在关联，并且这种关联具有一定的性别特异性。然而，需要进一步的研究来确认TL与头部和上肢的身体成分变化以及腕部骨折之间的对比关联。
【光速科研启发】
选题：研究聚焦端粒长度（TL）与身体成分（包括骨密度[BMD]、骨矿含量[BMC]、脂肪含量和肌肉含量）及骨折的关联，填补了这一领域的研究空白，具有重要的临床和公共卫生意义。
统计学：采用多变量加权线性回归模型和逻辑回归模型，评估TL与身体成分及骨折事件的关联，并通过趋势分析和敏感性分析进一步验证结果的稳健性。同时，进行亚组分析和交互作用检验，揭示不同性别、年龄、BMI和种族背景下TL与身体成分及骨折的差异。
数据库：利用NHANES数据库，确保样本的代表性和数据的丰富性，通过严格筛选提高样本质量，为研究提供坚实基础。NHANES数据库的广泛使用和高质量数据为研究结果的可靠性和普适性提供了保障。
启发：研究提示在评估骨质疏松风险时，应综合考虑TL与身体成分的联合影响；通过亚组分析，发现特定人群（如不同性别、年龄和BMI群体）中TL与身体成分及骨折的关联更显著，为个性化干预提供依据；利用TL这一非侵入性指标易于获取的优势，促进大规模人群筛查和公共卫生干预。
