多种临床生物标志物不同组合表型年龄模型的构建及其表型年龄加速的影响因素

doi:10.13481/j.1671-587X.20260419

吉林大学学报(医学版) ›› 2026, Vol. 52 ›› Issue (4): 1071-1076.doi: 10.13481/j.1671-587X.20260419

• 临床研究 • 上一篇

多种临床生物标志物不同组合表型年龄模型的构建及其表型年龄加速的影响因素

张迪^1,²,谷志广²,赵祥凯²,李梦涵²,杨斌²,郝笑雨²,王彭彭²,刘足云^3,⁴,张明¹,胡东生¹(),王威²()

^1.深圳大学医学部公共卫生学院流行病与卫生统计学系，广东深圳 518102
^2.郑州大学公共卫生学院劳动卫生与职业病学教研室，河南郑州 450001
^3.浙江大学医学院附属第二医院，浙江杭州 310009
^4.浙江大学公共卫生学院浙江省智能预防医学重点实验室，浙江杭州 310058

收稿日期:2025-12-17 接受日期:2026-03-05 出版日期:2026-07-28 发布日期:2026-07-27
通讯作者: 胡东生,王威 E-mail:hud@szu.edu.cn;ww375@zzu.edu.cn
作者简介:张迪（2001-），女，河南省周口市人，医学硕士，主要从事职业健康评价、疾病早期诊断、肿瘤和衰老方面的研究。
基金资助:
国家自然科学基金项目(82273707);广东省深圳市科技局科技计划项目(202208183000115);深圳大学医学部有组织科研行动计划项目(SZU2024YZZKY001)

Construction of phenotypic age models using different combinations of multiple clinical biomarkers and in fluence factors of phenotypic age acceleration

Di ZHANG^1,²,Zhiguang GU²,Xiangkai ZHAO²,Menghan LI²,Bin YANG²,Xiaoyu HAO²,Pengpeng WANG²,Zuyun LIU^3,⁴,Ming ZHANG¹,Dongsheng HU¹(),Wei WANG²()

^1.Department of Epidemiology and Health Statistics，School of Public Health，Shenzhen University，Shenzhen 518102，China
^2.Department of Occupational Health and Occupational Diseases，School of Public Health，Zhengzhou University，Zhengzhou 450001，China
^3.Department of Second Affiliated Hospital，Zhejiang University School of Medicine，Hangzhou 310009，China
^4.Laboratory of Intelligent Preventive Medicine of Zhejiang Province，School of Public Health，Zhejiang University Hangzhou 310058，China

Received:2025-12-17 Accepted:2026-03-05 Online:2026-07-28 Published:2026-07-27
Contact: Dongsheng HU,Wei WANG E-mail:hud@szu.edu.cn;ww375@zzu.edu.cn

摘要/Abstract

摘要：

目的探讨基于多种临床生物标志物不同组合的表型年龄（PA）模型的构建方法，阐明PA加速的影响因素。方法利用美国国家健康与营养检查调查（NHANES）数据库，收集NHANES Ⅲ（1988-1994年）和NHANES Ⅳ（1999-2018年）中研究对象的实足年龄（CA）及白蛋白（ALB）、碱性磷酸酶（ALP）、肌酐（Cr）、血清葡萄糖（Glu）、C反应蛋白（CRP）、白细胞计数（WBC）、淋巴细胞百分比（LYM%）、平均红细胞体积（MCV）和红细胞分布宽度（RDW）9种临床生物标志物的测定结果。在NHANES Ⅲ数据集中，对9种临床生物标志物进行不同子集组合，针对每种组合构建并训练PA模型。在NHANES Ⅳ数据集中应用训练完成的模型计算PA和PA加速。采用Pearson相关分析和组内相关系数（ICC）评估各组合PA和全指标组合模型PA的相关性及其一致性。通过加权线性回归模型分析PA加速的影响因素。基于超文本标记语言（HTML）、层叠样式表（CSS）和JavaScript技术，使用HBuilder软件建立PA动态评估交互式网站。结果 9种生物标志物共有502种组合，优质组合324种，其中相关系数及ICC大于0.990 0的优质组合有142种。加权线性回归模型结果显示，女性和高教育水平是PA加速的保护因素（β=-0.85，95%CI：-0.97~-0.73；β=-1.14，95%CI：-1.37~-0.90），高体质量指数（BMI）和吸烟是PA加速的风险因素（β=2.45，95%CI：2.26~2.64；β=1.09，95%CI：0.94~1.24），其他西班牙裔比墨西哥裔美国人的PA加速水平高（β=0.84，95%CI：0.55~1.12）。结论成功构建了基于多种临床生物标志物不同组合的PA模型，并建立PA动态评估交互式网站，为个体衰老评估提供了有效工具；高BMI和吸烟是加速机体生物衰老的危险因素。

关键词: 生物学年龄, 表型年龄, 生物标志物, 衰老, 风险因素

Abstract:

Objective To discuss the construction method of phenotypic age （PA） models based on different combinations of multiple clinical biomarkers， and to clarify the influencing factors of PA acceleration. Methods Using the National Health and Nutrition Examination Survey （NHANES） database， the chronological age（CA） and the measurement results of nine clinical biomarkers including albumin（ALB）， alkaline phosphatase（ALP）， creatinine（Cr）， serum glucose（Glu）， C-reactive protein（CRP）， white blood cell count（WBC）， lymphocyte percent（LYM%）， mean cell volume（MCV）， and red cell distribution width（RDW） were collected from NHANES Ⅲ （1988-1994） and NHANES Ⅳ （1999-2018）. In the NHANES Ⅲ dataset， different subset combinations of the nine clinical biomarkers were constructed， and PA models were built and trained for each combination. The trained models were applied in the NHANES Ⅳ dataset to calculate PA and PA acceleration. Pearson correlation analysis and intraclass correlation coefficient（ICC） were used to assess the correlation and consistency between PA of each combination and PA of the full-indicator combination model. A weighted linear regression model was used to analyze the influencing factors of PA acceleration. An interactive website for dynamic PA assessment was established using HBuilder software based on hyper text markup language（HTML）， cascading style sheets（CSS）， and JavaScript technologies. Results A total of 502 combinations of the nine biomarkers were generated， and 324 high-quality combinations were identified. Among them， 142 high-quality combinations had correlation coefficients and ICC greater than 0.990 0. The weighted linear regression model results showed that female and higher education level were protective factors for PA acceleration （β=-0.85， 95%CI： -0.97--0.73； β=-1.14， 95%CI：-1.37--0.90）， while higher body mass index（BMI） and smoking were the risk factors for PA acceleration （β=2.45， 95%CI： 2.26-2.64； β=1.09， 95%CI： 0.94-1.24）. Other Hispanic individuals had significantly higher PA acceleration levels compared with Mexican Americans （β=0.84， 95%CI： 0.55-1.12）. Conclusion PA models based on different combinations of multiple clinical biomarkers have been successfully constructed， and an interactive website for dynamic PA assessment has been established， providing an effective tool for individual aging assessment. Higher BMI and smoking are the risk factors that accelerate biological aging of the body.

Key words: Biological age, Phenotypic age, Biomarker, Aging, Risk factor

中图分类号:

R195.1

张迪,谷志广,赵祥凯,李梦涵,杨斌,郝笑雨,王彭彭,刘足云,张明,胡东生,王威. 多种临床生物标志物不同组合表型年龄模型的构建及其表型年龄加速的影响因素[J]. 吉林大学学报(医学版), 2026, 52(4): 1071-1076.

Di ZHANG,Zhiguang GU,Xiangkai ZHAO,Menghan LI,Bin YANG,Xiaoyu HAO,Pengpeng WANG,Zuyun LIU,Ming ZHANG,Dongsheng HU,Wei WANG. Construction of phenotypic age models using different combinations of multiple clinical biomarkers and in fluence factors of phenotypic age acceleration[J]. Journal of Jilin University(Medicine Edition), 2026, 52(4): 1071-1076.

图/表 3

表1

表2

表3

参考文献 25

[1]	SIERRA F， KOHANSKI R. Geroscience and the trans-NIH geroscience interest group， GSIG［J］. Geroscience， 2017， 39（1）： 1-5.
[2]	HOU Y J， DAN X L， BABBAR M， et al. Ageing as a risk factor for neurodegenerative disease［J］. Nat Rev Neurol， 2019， 15（10）： 565-581.
[3]	王秋懿，靳建亮. 衰老对免疫系统的影响及其干预机制的研究进展［J］. 医学研究与战创伤救治， 2023， 36（3）： 311-316.
[4]	段晓冉，葛亚豪，魏雨婕，等. 衰老的表现、原因及预防［J］. 郑州大学学报（医学版）， 2024， 59（6）： 741-745.
[5]	LIU Z Y. Development and validation of 2 composite aging measures using routine clinical biomarkers in the Chinese population： analyses from 2 prospective cohort studies［J］. J Gerontol A Biol Sci Med Sci， 2021， 76（9）： 1627-1632.
[6]	JIA L P， ZHANG W G， CHEN X M. Common methods of biological age estimation［J］. Clin Interv Aging， 2017， 12： 759-772.
[7]	LEVINE M E， LU A T， QUACH A， et al. An epigenetic biomarker of aging for lifespan and healthspan［J］. Aging， 2018， 10（4）： 573-591.
[8]	ELLIOTT M L， CASPI A， HOUTS R M， et al. Disparities in the pace of biological aging among midlife adults of the same chronological age have implications for future frailty risk and policy［J］. Nat Aging， 2021， 1（3）： 295-308.
[9]	王晨铭，郭欢. 生物学年龄及其影响因素研究进展［J］. 中国预防医学杂志， 2021， 22（6）： 465-470.
[10]	高晨阳，李梦涵，谷志广，等. 生物学年龄研究进展［J］. 郑州大学学报（医学版）， 2025， 60（4）： 445-451.
[11]	宁敏琦，何勇，李秉枢，等. 基于盆腔器官脱垂相关衰老基因的GEO数据库和LASSO回归算法的生物信息学分析［J］. 吉林大学学报（医学版）， 2024， 50（1）： 178-187.
[12]	吴维超，郭燕，赵祥凯，等. 职业酸雾暴露与作业工人生物衰老加速的关联性分析［J］. 吉林大学学报（医学版）， 2024， 50（6）： 1741-1750.
[13]	GU Z G， ZHANG L M， ZHAO X K， et al. Accelerated biological aging among chemical plant workers［J］. Environ Res， 2025， 285（Pt 5）： 122709.
[14]	LIU Z Y， KUO P L， HORVATH S， et al. A new aging measure captures morbidity and mortality risk across diverse subpopulations from NHANES Ⅳ： a cohort study［J］. PLoS Med， 2018， 15（12）： e1002718.
[15]	KWON D， BELSKY D W. A toolkit for quantification of biological age from blood chemistry and organ function test data： BioAge［J］. Geroscience， 2021， 43（6）： 2795-2808.
[16]	李梦涵，高晨阳，秦琅，等. 基于多种临床常规标志物的中国人群生物学年龄模型的构建［J］. 郑州大学学报（医学版）， 2025， 60（4）： 452-455.
[17]	BELSKY D W， CASPI A， HOUTS R， et al. Quantification of biological aging in young adults［J］. Proc Natl Acad Sci U S A， 2015， 112（30）： E4104-E4110.
[18]	SANTORO A， BIENTINESI E， MONTI D. Immunosenescence and inflammaging in the aging process： age-related diseases or longevity？［J］. Ageing Res Rev， 2021， 71： 101422.
[19]	BARBÉ-TUANA F， FUNCHAL G， SCHMITZ C R R， et al. The interplay between immunosenescence and age-related diseases［J］. Semin Immunopathol， 2020， 42（5）： 545-557.
[20]	LIU J， WANG X， GAO T Y， et al. Red blood cell distribution width to albumin ratio associates with prevalence and long-term diabetes mellitus prognosis： an overview of NHANES 1999-2020 data［J］. Front Endocrinol， 2024， 15： 1362077.
[21]	MA X B， LV Y L， QIAN L， et al. Ratio of red blood cell distribution width to albumin level and risk of mortality in sarcopenic obesity［J］. Sci Rep， 2024， 14： 27886.
[22]	KENNEDY B K， BERGER S L， BRUNET A， et al. Geroscience： linking aging to chronic disease［J］. Cell， 2014， 159（4）： 709-713.
[23]	FURMAN D， CAMPISI J， VERDIN E， et al. Chronic inflammation in the etiology of disease across the life span［J］. Nat Med， 2019， 25（12）： 1822-1832.
[24]	LÓPEZ-OTÍN C， BLASCO M A， PARTRIDGE L， et al. Hallmarks of aging： an expanding universe［J］. Cell， 2023， 186（2）： 243-278.
[25]	史随随，史新宇，张海澎，等. 全血细胞计数衍生炎性指标与年龄相关性黄斑变性的关系：一项基于NHANES数据库的横断面研究［J］. 解放军医学杂志，2025， 50（12）： 1508-1516.

Functional category	Biomarker	Measurement value
Functional category	Biomarker	1988-1994	1999-2018
Inflammatory function	CRP (mg·dL^-1)	0.32±0.25	0.29±0.30
Metabolic function	Glu (mmol·L^-1)	5.46±1.54	5.52±1.62
Renal function	Cr (μmol·L^-1)	75.29±20.43	78.04±23.13
Hepatic function	ALB (g·L^-1) ALP (U·L^-1)	41.30±3.82 86.61±27.71	42.25±3.64 71.45±23.10
Immune function Erythrocyte indices	LYM% (%) WBC (×10³ μL^-1) RDW (%) MCV (fL)	32.79±8.88 7.20±2.13 13.18±1.03 89.45±5.51	30.24±8.59 7.25±2.12 13.15±1.21 89.44±5.76

Variable	β（95%CI）	t	P
Gender
Male Female	Ref －0.85（－0.97,－0.73）	－14.13	<0.001
Education level
Below high school	Ref
High school graduate	－0.24（－0.42,－0.07）	－2.75	0.007
Some college	－0.52（－0.72,－0.32）	－5.13	<0.001
Bachelor’s degree or above	－1.14（－1.37,－0.90）	－9.70	<0.001
Race
Mexican American	Ref
Other Hispanic	0.84（0.55,1.12）	5.80	<0.001
Non-Hispanic	0.21（－0.02,0.44）	1.78	0.079
BMI（kg/m²）
Normal	Ref
Overweight	0.48（0.32,0.64）	5.88	<0.001
Obese	2.45（2.26,2.64）	25.60	<0.001
Smoking
No	Ref
Yes	1.09（0.94,1.24）	14.39	<0.001
Drinking
No	Ref
Yes	－0.09（－0.28,0.10）	－0.96	0.339
CA (year)	－0.01（－0.01,－0.00）	－2.49	0.014
Caffeine（mg）	0.00（－0.00,0.00）	0.46	0.648

多种临床生物标志物不同组合表型年龄模型的构建及其表型年龄加速的影响因素

Construction of phenotypic age models using different combinations of multiple clinical biomarkers and in fluence factors of phenotypic age acceleration

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 25

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	向春蓉,何勇,蒋诺,黄首琪,洪莉. 葛根来源外泌体样纳米囊泡对D-半乳糖诱导L929小鼠成纤维细胞衰老的改善作用及其机制[J]. 吉林大学学报(医学版), 2026, 52(3): 590-601.
[2]	蒋诺,张舒飞,洪莉. 敲低硒蛋白N1基因对L929细胞衰老的影响及其机制[J]. 吉林大学学报(医学版), 2026, 52(3): 612-620.
[3]	贾贺强,潘路,王振江,逯家宇,王丹,刘立峰,董营,于春艳. 人参三醇皂苷对D-半乳糖诱导小鼠骨骼肌衰老的改善作用及其机制[J]. 吉林大学学报(医学版), 2026, 52(3): 730-737.
[4]	潘志鹏,王乐,黄伟文,易臻,高雨萱. 基于急性髓系白血病患者骨髓单个核细胞中诊断候选基因筛选鉴定及其对预后影响的生物信息学分析和实验验证[J]. 吉林大学学报(医学版), 2026, 52(3): 791-805.
[5]	邓玲,李首庆,钮春雪,林秀英,米旭光,付建华. 双酚AF对人子宫内膜基质细胞衰老的影响及雷帕霉素的抑制作用[J]. 吉林大学学报(医学版), 2026, 52(2): 340-347.
[6]	李迪,苏杨,张勇,王姣琦,张小飞,赵雪冰. 小鼠川崎病模型血清外泌体中miR-328-3p和miR-671-5p表达水平及其意义[J]. 吉林大学学报(医学版), 2026, 52(2): 359-365.
[7]	李恬,王家凤,张志民. 外泌体在口腔疾病诊断及治疗中应用的研究进展[J]. 吉林大学学报(医学版), 2026, 52(2): 543-550.
[8]	潘玉卿,谭嘉彦,王夙琴,李娅. BCL6B基因的生物学功能及其在肿瘤发生发展中作用的研究进展[J]. 吉林大学学报(医学版), 2026, 52(2): 551-560.
[9]	王嘉欣,毛俊文,张萱. 凋亡抑制基因天然自身抗体在肝细胞癌患者血浆中的表达及其临床意义[J]. 吉林大学学报(医学版), 2026, 52(1): 228-235.
[10]	孙菡,孙伟伦,王荟沣,马文丽,徐华丽,付雯雯. D-半乳糖诱导衰老相关认知功能障碍小鼠模型制备方法的优化[J]. 吉林大学学报(医学版), 2025, 51(6): 1464-1474.
[11]	蒋先伟,王明航,李慧茹,董晓升,刘元元. 基于慢性阻塞性肺疾病潜在治疗靶点的孟德尔随机化和GEO数据库识别分析[J]. 吉林大学学报(医学版), 2025, 51(4): 1072-1083.
[12]	仲威,戴芝银,崔星钢,李波,姜瑜. 活化T淋巴细胞核因子5在高盐诱导小鼠平滑肌细胞衰老中的作用及其机制[J]. 吉林大学学报(医学版), 2025, 51(3): 567-575.
[13]	王博,林喆. 鹿茸多肽对C2C12成肌细胞分化的调控作用及机制[J]. 吉林大学学报(医学版), 2025, 51(3): 632-641.
[14]	李宏,王慧,王隶书,王超楠,徐晓浩,孙立伟. 铁皮石斛多糖通过调节肠菌代谢物对老年小鼠肠道黏膜屏障损伤的改善作用[J]. 吉林大学学报(医学版), 2025, 51(1): 76-84.
[15]	吴维超,郭燕,赵祥凯,谷志广,郭怡佳,蓝子鹏,黄惠,匡蕾,张明,胡东生,杨永利,王威,陈金茹. 职业酸雾暴露与作业工人生物衰老加速的关联性分析[J]. 吉林大学学报(医学版), 2024, 50(6): 1741-1750.