当前位置：首页>南京>IF 4.2!南京医科大学利用CHARLS数据库,构建糖脂代谢网络实现CMM风险新分层

IF 4.2!南京医科大学利用CHARLS数据库,构建糖脂代谢网络实现CMM风险新分层

2026-05-01 08:16:31

点击蓝字关注我们

导语

📊 范式转换 | 从“看数值”到“看关系”，糖脂代谢网络重构慢病防控新逻辑

糖脂代谢异常是心血管疾病、糖尿病等慢性病的重要“推手”，但传统研究多聚焦于单个指标，忽略了它们之间复杂的网络性交互🔍。南京医科大学一项前瞻性研究，通过对 1.2万余名中老年国人长达 9年的随访，首次将糖脂代谢指标构建为个体化网络，揭示出三种风险逐级递增的代谢网络亚型📈，提示糖脂 “耦合”模式 比单一指标更能精准预测心脑血管多病共患风险🎯。这一发现或将推动慢病防控从 “看数值”转向“看关系” 的全新范式，颠覆认知，价值拉满💡～

（需要 纵向数据分析、增长模型构建或CHARLS数据挖掘 支持？随时找我们，帮你把十年数据变成一篇硬核文章！🚀）

中文标题：基于数据的糖脂网络表型揭示心脏代谢多病共患的分等级风险谱：一项针对中国中老年人的前瞻性研究

发表期刊：Lipids in Health And Disease

发表时间：2026年2月

影响因子：4.2

研究背景

📚 研究背景 | 糖脂失调，远不止“单兵作战”

糖脂失调是 心脏代谢多重疾病（CMM） 的核心驱动因素🔥，但长期以来，其作为综合网络在CMM发病机制中的作用，仍未被探索🔍。这一研究空白，也为糖脂代谢网络的系统解析提供了新的切入点💡～

研究方法

🔧 研究方法 | 网络构建+聚类分型，多维评估精准解析

研究通过构建 个体化糖脂代谢网络（IDGCN），运用 K-means聚类 识别出 三种代谢网络亚型📊。在此基础上，采用 Fine-Gray竞争风险模型、分位数g计算 等方法，系统评估糖脂耦合模式与 心脑血管多病共患发生风险 的关联及其 增量预测价值🎯。数据来源于 中国健康与退休纵向研究（CHARLS）数据库，为研究提供了坚实的人群基础💡～

关注一下，了解更多前沿知识！

主要结果

1.📊 聚类分型 | 三类亚群风险逐级递增，聚类3成高危“风向标”

表1总结了 12,267名 参与者的基线特征，将其划分为正常组与三个基于数据的聚类（聚类1、聚类2、聚类3）📊。在中位 9年随访期间，共发生 2,040例 新发CMM病例📈。聚类3 的特征最为突出：HDL相关耦合显著下降，而所有其他糖脂耦合均明显增强（图2C、D）🔥。组间IDGCN两两比较显示，经Bonferroni校正后，除正常组与聚类1之间外，其余组间差异均具有统计学显著性（图2E）🎯。这一分型为CMM风险精准评估提供了新视角💡～

表1 按聚类分析分组的纳入参与者的人口学和临床特征

2.📈 风险关联 | 聚类群体与CMM事件呈分级模式，糖脂失调协同效应凸显

对单个心脏代谢疾病的关联分析同样观察到分级模式：三个聚类群体 均与 心脏病、中风、糖尿病 的新发风险显著增加相关（详见图3A）🎯。此外，基于 Qgcomp 的分析显示，糖脂偶联混合物 与新发CMM的风险显著增加相关（图3B），进一步提示伴随的糖脂失调具有协同效应🔥。这一发现为理解糖脂代谢网络的综合致病机制提供了新视角💡～

图3 IDGCN衍生簇与新发CMM相对于正常糖脂组的关联森林图

3.📊 高维蛋白质组学 | 糖脂耦合指标加持，预测效能稳中有进

表2总结了将单独及复合糖脂耦合指标加入基线模型后，对新发CMM预测增量价值的评估结果（含C统计量、NRI、IDI、LRT）📈。基线模型的C统计量为 0.765，在加入 FPG-HbA1c、TC-HDL、HbA1C-LDL 耦合指标后提升至 0.766，进一步纳入糖脂混合指标后，C统计量增至 0.768🎯。微量提升背后，是糖脂网络多维信息的有效整合，为模型优化提供了重要线索💡～

表2 糖脂耦合对新发CMM的增量预测价值

4.📊 亚组分析 | 稳健性验证，关联结果始终如一

亚组分析显示，在所有预先指定的亚组中，聚类与新发CMM之间的关联一致，且未发现效应修饰的证据（详见表3）🎯。这一结果进一步验证了研究结论的稳健性与普适性，为糖脂代谢网络分型的临床应用提供了有力支撑💡～

表3 IDGCN集群与新发CMM关联的亚组分析

文章小结

📝 文章小结 | 糖脂网络拓扑，解码CMM风险新维度

总之，这项研究提供了群体水平证据，表明个体的糖脂协变拓扑结构可作为CMM的早期独立预测因子📊。数据驱动的网络表型精准捕捉了代谢失调谱上的分级风险，并在传统风险因素之外提供了显著的增量预测价值🎯。这一发现为CMM的早期识别与分层干预打开了全新视角💡～