在臨床研究領(lǐng)域，組學(xué)方法為疾病的診斷、預(yù)測、治療以及藥物開發(fā)提供了極為重要的信息。常見的組學(xué)研究包括基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)等。簡單通俗來說，組學(xué)是基于特定細(xì)分領(lǐng)域進(jìn)行一系列檢測的方法。例如，之前備受矚目的純生物信息學(xué)研究，便是通過測量一系列非編碼RNA的信息，構(gòu)建某些熱門表型（鐵死亡、銅死亡）的非編碼RNA預(yù)測模型。然而，這類研究普遍面臨一個(gè)共性問題，即模型的可解釋性。即模型中的某些RNA、蛋白質(zhì)和代謝物在臨床實(shí)踐中的實(shí)際意義，仍需要進(jìn)一步的基礎(chǔ)和臨床研究加以驗(yàn)證。

與之相反，基于已經(jīng)成熟的臨床指標(biāo)的“組學(xué)”研究則可以更好地從臨床研究的角度解釋統(tǒng)計(jì)結(jié)果。NHANES數(shù)據(jù)庫可以說是一個(gè)臨床組學(xué)的寶庫，其中包含了豐富的信息，如維生素組學(xué)、微量元素組學(xué)、環(huán)境化學(xué)物暴露組學(xué)和性激素組學(xué)等。我們可以探索組學(xué)中單一指標(biāo)與結(jié)局之間的關(guān)系，構(gòu)建基于多個(gè)組學(xué)指標(biāo)診斷和預(yù)測模型，也可以研究多個(gè)指標(biāo)與結(jié)局之間的分類關(guān)聯(lián)。

今天筆者與大家分享一篇《Clinical Nutrition》雜志上的文章，讓我們一起來學(xué)習(xí)一下。

關(guān)鍵信息

這項(xiàng)研究是一項(xiàng)隊(duì)列研究，旨在評估血清中六種維生素（A、D、E、C、B12和B9）的濃度與美國成年人全因死亡率和特定原因死亡率風(fēng)險(xiǎn)之間的關(guān)聯(lián)。主要的統(tǒng)計(jì)學(xué)方法：(1) K均值聚類方法（非監(jiān)督學(xué)習(xí)）將參與者分為四種維生素共同暴露模式：低水平暴露（Cluster 1），維生素A / D暴露（Cluster 2），水溶性維生素暴露（Cluster 3）和高水平暴露（Cluster 4）；(2) Cox比例風(fēng)險(xiǎn)模型探索維生素/維生素暴露模型和死亡結(jié)局的關(guān)系。研究發(fā)現(xiàn)高循環(huán)維生素D水平與美國成年人的死亡風(fēng)險(xiǎn)降低有關(guān)；而中等水平的維生素共同暴露則有助于降低全因和癌癥的死亡風(fēng)險(xiǎn)。

摘要

背景與目的：現(xiàn)有的流行病學(xué)研究探討了循環(huán)中維生素與死亡率之間的關(guān)系，重點(diǎn)關(guān)注單個(gè)維生素的作用，結(jié)果存在爭議。多種維生素共同暴露的聯(lián)合效應(yīng)值得研究。本研究旨在闡明循環(huán)維生素以及這些維生素共同暴露的聯(lián)合效應(yīng)與全因和特因死亡風(fēng)險(xiǎn)的關(guān)聯(lián)。

方法：我們前瞻性地評估了血清中六種維生素（A、D、E、C、B12 和 B9）的濃度與美國成年人全因和特定原因死亡風(fēng)險(xiǎn)的關(guān)聯(lián)。死亡狀況和死亡原因由截至2015年12月31日的NHANES鏈接公共數(shù)據(jù)庫確定。采用無監(jiān)督 K-均值聚類方法將參與者聚類為幾種維生素共同暴露模式。統(tǒng)計(jì)分析采用 Cox 比例風(fēng)險(xiǎn)模型。

結(jié)果：在中位數(shù)為10.9年的隨訪期間，8295名參與者中共有1404人死亡。在多變量調(diào)整中，維生素D水平的增加與全因和特定原因死亡風(fēng)險(xiǎn)的降低有關(guān)。在所有研究的維生素（維生素 D 除外）與全因死亡風(fēng)險(xiǎn)之間均存在 J 型非線性暴露-反應(yīng)關(guān)系。根據(jù)所研究的維生素，產(chǎn)生了以下四種共同暴露模式：低水平暴露（群組 1）、維生素 A/D 暴露（群組 2）、水溶性維生素暴露（群組 3）和高水平暴露（群組 4）。與群組 1 的參與者相比，群組 2 的參與者全因死亡率和癌癥死亡率較低，危險(xiǎn)比（95% 置信區(qū)間 [CIs]）分別為 0.67（0.53，0.85）和 0.45（0.29，0.71）。

結(jié)論：這項(xiàng)研究的結(jié)果表明，循環(huán)維生素 D 水平高與美國成年人的死亡風(fēng)險(xiǎn)降低有關(guān)。中等水平的維生素共同暴露可適當(dāng)降低全因和癌癥死亡風(fēng)險(xiǎn)。我們的研究結(jié)果為探索多種維生素共同暴露的聯(lián)合健康效應(yīng)提供了一個(gè)新的視角。未來還需要進(jìn)行調(diào)查，以進(jìn)一步揭示可能的維生素相互作用的潛在機(jī)制。

該研究的亮點(diǎn)薈萃如下：

數(shù)據(jù)：

NHAENS數(shù)據(jù)庫（維生素變量 人口統(tǒng)計(jì)學(xué)變量 共病變量 全因死亡/心血管死亡/腫瘤死亡結(jié)局）。

統(tǒng)計(jì)方法：

K-mean聚類（非監(jiān)督學(xué)習(xí)），Cox風(fēng)險(xiǎn)比例模型，限制性立方樣條（Restricted Cubic Spline, RCS）。將K均值聚類的結(jié)果用于Cox回歸模型，采用RCS探索非線性關(guān)系。

解釋性：

結(jié)合臨床實(shí)踐，對單個(gè)因子和多個(gè)因子的共同暴露模式進(jìn)行了深入解釋。

接下來的統(tǒng)計(jì)分析看起來非?！?/span>花里花俏”，而且工作量比較大，實(shí)質(zhì)上，講透原理并不難。

暴露X是維生素，結(jié)局Y是死亡（是否死亡 時(shí)間t），混雜Z是人口統(tǒng)計(jì)學(xué)變量、共病變量。模型是Cox比例風(fēng)險(xiǎn)模型。

第一步細(xì)化暴露，首先X是VA、VD、VE、VC、VB12以及VB9六種維生素；其次是按照四分位將以上六種維生素轉(zhuǎn)變?yōu)榉诸愖兞?；再次，通過K-mean聚類將維生素的暴露分為4個(gè)類別。

第二步細(xì)化結(jié)局，首先Y是全因死亡、心血管死亡和腫瘤死亡，當(dāng)然Cox模型中包含了隨訪時(shí)間。

第三步細(xì)化協(xié)變量，模型 1 調(diào)整的協(xié)變量包括年齡、性別、種族/民族和貧困指數(shù)。模型2在模型1上進(jìn)一步調(diào)整教育水平、BMI、婚姻狀況、吸煙狀況、飲酒狀況和娛樂身體活動(dòng)水平；模型 3在模型2上進(jìn)一步調(diào)整高血壓、高膽固醇、糖尿病、腦血管疾病、心血管疾病和腫瘤病史。

基本的模型是風(fēng)險(xiǎn)比例模型，在此基礎(chǔ)上，對于連續(xù)變量的X，采用了非線性和線性模型擬合，分類變量的模型，則用了當(dāng)中某一組做參照，其他組與之對比進(jìn)行擬合。

上述統(tǒng)計(jì)方法中的主要部分可以通過LIGHT Scholar實(shí)現(xiàn)，NHAENS數(shù)據(jù)庫的挖掘會(huì)在后續(xù)課程進(jìn)行講解，敬請期待！

接下來從數(shù)據(jù)分析角度來看這篇文章的亮點(diǎn)：

Table S1描述了各個(gè)數(shù)據(jù)變量的主要來源，數(shù)據(jù)來源十分清晰，讓審稿人無所挑剔，類似的表格可以在自己開展NHANES相關(guān)研究的提取數(shù)據(jù)過程。

納排流程十分清晰，同時(shí)在調(diào)整不同的協(xié)變量Z的模型，選擇的是不同的樣本量，不是多重插補(bǔ)的方式，簡單有效而真實(shí)。

6種維生素之間的相關(guān)性分析：計(jì)算偏相關(guān)系數(shù)并用熱圖可視化結(jié)果，該熱圖的存在不僅僅考慮了其他維度數(shù)據(jù)協(xié)變量對結(jié)局的影響，還考慮到維生素組學(xué)變量之間的關(guān)系。該模塊可以通過LIGHT Scholar的科研繪圖Correlation plot模塊實(shí)現(xiàn)。

上圖是核心內(nèi)容之一，基于K-mean聚類對組學(xué)數(shù)據(jù)人群進(jìn)行分類，分類后再用于Cox回歸模型。除了LIGHT Scholar的平臺可以用到KNN聚類、隨機(jī)森林分類模型、多層感知器（MLP）分析等。K均值聚類是一種無監(jiān)督的機(jī)器學(xué)習(xí)算法，它可以幫助我們將一組觀測值（例如患者的臨床特征）劃分為若干個(gè)不同的組，稱為“簇”。同屬地說使用算法將這些患者劃分為不同的類，每個(gè)類代表一個(gè)具有類似特征的患者群體。Table S2列出各類中6種維生素的細(xì)節(jié)以及命名細(xì)節(jié)。Table 1為各個(gè)類中的6種維生素的分布情況，Figure 4將結(jié)果以小提琴的形式可視化（LIGHT Scholar的科研繪圖Violin Plot模塊實(shí)現(xiàn)）。

Table 2 中呈現(xiàn)了以上4類的基線特征比較結(jié)果，LIGHT Scholar統(tǒng)計(jì)分析模塊的Step 1可以復(fù)現(xiàn)。

直線關(guān)系：

Table S3 展示了每種維生素與死亡之間的關(guān)系，采用了3個(gè)Cox回歸模型調(diào)整混雜因素，Table S4將6種維生素基于四分位數(shù)分成4個(gè)水平（Q1 Q2 Q3 Q4），將自變量轉(zhuǎn)變?yōu)樽鳛榉诸愖兞窟M(jìn)行分析，以Q1作為參照，使用Cox回歸模型研究Q2 Q3 Q4與死亡結(jié)局的關(guān)系。Figure 5 實(shí)質(zhì)上是將Table S4的結(jié)果轉(zhuǎn)變到整合的森林圖實(shí)現(xiàn)可視化，LIGHT Scholar的科研繪圖 Forest Plot模塊可實(shí)現(xiàn)。

曲線關(guān)系：

Figure6 通過限制性立方樣條（RCS）展示了六種維生素與死亡風(fēng)險(xiǎn)之間的劑量反應(yīng)關(guān)系，Table S5則展示了6種維生素與多種死亡分析之間的線性P值與非線性P值。

Table3 以分類作為自變量，進(jìn)行Cox回歸分析以探究不同維生素聚類和死亡風(fēng)險(xiǎn)之間的關(guān)系，Figure 7以森林圖的形式可視化。進(jìn)一步敏感性分析Table S6展示Model3人群 分層分析（季節(jié)）：結(jié)果顯示沒有季節(jié)變化；Table S7基于Model3人群和 Model1兩個(gè)人群分析的結(jié)果基本一致。

Tips: 文章的核心部分在LIGHT Scholar中可以復(fù)現(xiàn)，這些工具包括了KNN聚類、隨機(jī)森林分類模型、多層感知器（MLP）分析、科研繪圖（Forest Plot、Correlation Plot、Violin Plot）等。

小伙伴們快來LIGHT Scholar試試吧！

今天（8.13）晚上，即將開啟第三節(jié)課啦！

會(huì)員寶寶們晚上騰訊會(huì)議不見不散??！