别错过🔥心血管医学领域超火Meta分析选题
数据收集
1. 数据来源：
- 使用美国国家健康与营养调查（NHANES）数据库，涵盖2007-2010年的数据。
- 包括4,471名20岁及以上的美国成年人。
2. 变量选择：
● 主要变量：
- AIP：通过公式 AIP = log₁₀(TG/HDL-C) 计算。
- PhenoAgeAccel：通过PhenoAge与实际年龄的差值计算。
● 协变量：
- 人口统计学变量：年龄、性别、种族、教育水平、贫困收入比（PIR）、婚姻状况。
- 生活方式因素：身体活动、吸烟、饮酒。
- 健康状况：糖尿病、高血压、心血管疾病（CVD）、体质指数（BMI）。
3. 数据清洗：
- 排除缺失PhenoAge数据、AIP数据以及关键协变量信息的个体。
- 最终纳入4,471名参与者。
描述性统计
1. 基线特征：
- 使用中位数和四分位间距（IQR）描述连续变量（如年龄、PIR、BMI等）。
- 使用频率和百分比描述分类变量（如性别、种族、教育水平等）。
- 比较不同AIP四分位组之间的基线特征差异，采用Rao-Scott卡方检验或Kruskal-Wallis检验。
关联性分析
1. 多变量线性回归模型：
- 模型1：未调整任何协变量。
- 模型2：调整年龄、性别、种族、教育水平、婚姻状况和贫困收入比。
- 模型3：在模型2基础上进一步调整BMI、糖尿病、高血压、CVD、吸烟、饮酒和身体活动。
分析AIP（作为连续变量和分类变量）与PhenoAgeAccel之间的关系，计算回归系数（β）和95%置信区间（CI）。
2. 非线性关系分析：
- 使用限制性立方样条（Restricted Cubic Splines, RCS）分析AIP与PhenoAgeAccel之间的非线性关系。
- 确定AIP与PhenoAgeAccel关系的拐点（inflection point）。
- 分段线性回归分析，分别评估拐点两侧的关联性。
亚组分析与交互作用检验
1. 亚组分析：
- 根据性别、年龄、BMI、教育水平、婚姻状况、贫困收入比、糖尿病、高血压、CVD、吸烟和饮酒等因素进行分层分析。
- 在每个亚组中重建多变量线性回归分析，评估AIP与PhenoAgeAccel的关联性。
2. 交互作用检验：
- 检验AIP与上述亚组变量之间的交互作用。
- 若交互作用显著，则进一步进行分层的RCS分析，评估不同亚组中AIP与PhenoAgeAccel关系的差异。
媒介效应分析
1. HOMA-IR的中介效应：
- 使用R包“mediation”进行中介效应分析。
- 评估HOMA-IR在AIP与PhenoAgeAccel关系中的中介作用。
- 计算中介效应的比例（mediation percentage），并使用Bootstrap方法（1000次重复）进行显著性检验。
网络药理学分析
1. 基因目标识别：
- 从GeneCards和OMIM数据库中提取与胆固醇代谢、甘油三酯代谢、胰岛素抵抗和生物衰老相关的基因。
- 使用Venny工具识别四个生物学过程的交集基因。
2. 蛋白-蛋白相互作用（PPI）网络分析：
- 在STRING数据库中分析交集基因的PPI关系，并使用Cytoscape软件构建PPI网络。
- 确定前10个核心目标基因，基于节点的介数中心性、接近中心性和度数。
3. 功能富集分析：
- 使用DAVID数据库进行基因本体（GO）和京都基因与基因组百科全书（KEGG）通路富集分析。
- 确定与生物衰老相关的信号通路和生物学过程。
