# 血漿蛋白質能預測誰會先走嗎？台灣 848 人、八年半的追蹤答案

> 陽明交大榮總團隊追蹤 848 位台灣老人長達 8.5 年，用血漿蛋白質組與代謝物組建出死亡預測分數。內部辨識力 C-index 達 0.81，外部驗證組僅 17 個死亡事件，代謝物分數邊緣顯著、蛋白質分數未達顯著。這份台灣本土資料補上了族群代表性，補不上的是因果推斷。

- Author: Paul Kuo（郭曜郎）
- Date: 2026-09-11
- Pillar: 沉思與記憶 / Reflections & Memory
- Tags: 老化, 蛋白質體學, 代謝物組學, 死亡率, 預測模型, 台灣研究, 生物年齡, 醫療證據, 肝臟, 免疫老化
- Series: 分子與衰老 (part 2 of 5): https://paulkuo.tw/series/molecular-aging/
- Canonical: https://paulkuo.tw/articles/plasma-omics-aging-mortality/
- Site index for LLMs: https://paulkuo.tw/llms.txt

---

在[上一篇](./hallmarks-of-aging-map)的最後，我們把證據排成了一道階梯：從動物實驗、到人類觀察性研究、到有臨床終點的介入試驗。蛋白質老化時鐘能預測風險，站在那道階梯的中段——比「體外細胞」高，但比「人體介入試驗」低，屬於「觀察性預測模型」。

這篇繼續往這個方向走，但縮小尺度：不是歐洲或美國幾萬人的大型隊列，而是台灣 848 個人，追蹤八年半。

## 研究在做什麼：848 人、八年半、一管血漿

陽明交大榮總團隊（Huang 等，*Aging Cell* 2026）從 ILAS（Integrative Longitudinal Aging Study）這個台灣老年縱貫研究隊列裡，選出 848 位參與者。平均年齡 63.8 歲（±9.2），53% 為女性。

每個人在研究開始時抽一次空腹血漿，然後進入追蹤期。平均追蹤時間 8.5 年（SD 1.2）。到追蹤結束，92 人死亡，占比 10.8%。

這 848 管血，被分別送進兩條分析路線：

- **蛋白質：** 用 nanoLC-nanoESI-MS/MS（LTQ Orbitrap Elite 質譜儀）做非目標定向分析，偵測率超過 50% 的蛋白保留下來，最後剩 516 個。
- **代謝物：** 用 LC-MS（Waters Xevo G2-S QTof）分析，排除缺失率超過 20% 的特徵後，保留 532 個。

同時找出 231 人的外部驗證組 LAST（Longitudinal Aging Study in Taiwan，第一波 2016–2019），中位追蹤 7.3 年，其中 17 人死亡（7.4%）。

```mermaid
flowchart TD
    A["ILAS 世代 848 人<br>平均年齢 63.8 歲<br>追蹤 8.5 年｜92 人死亡"] --> B[基線血漿採集]
    B --> C["蛋白質體學<br>nanoLC-MS/MS<br>516 個蛋白質"]
    B --> D["代謝物組學<br>LC-MS<br>532 個代謝物"]
    C --> E["Cox 模型<br>FDR<0.1：79 個蛋白"]
    D --> F["Cox 模型<br>名目 p<0.05：55 個代謝物"]
    E --> G["Elastic-net 前 20 特徵<br>ProteinScore<br>C-index 0.81"]
    F --> H["Elastic-net 前 20 特徵<br>MetaboliteScore<br>C-index 0.77"]
    G --> I["外部驗證 LAST<br>231 人｜17 個死亡事件"]
    H --> I
    I --> J["ProteinScore<br>HR = 1.2，p = 0.059 △"]
    I --> K["MetaboliteScore<br>HR = 1.9，p = 0.002 ✓"]
```



## 哪些蛋白質跟死亡有關？

主要結果用 Cox 比例風險模型跑每一個蛋白質，調整的變項包括：年齡、性別、教育年數、吸菸、飲酒、高血壓史、糖尿病史。

結果出來：

- 名目 p<0.05：**111 個**蛋白質
- FDR<0.1（寬鬆校正）：**79 個**
- FDR<0.05：**47 個**

代謝物的結果要弱一些：名目 55 個，FDR<5% 下為零，FDR<30% 下 27 個。

### 肝臟與免疫，為什麼排在前面？

79 個 FDR<0.1 蛋白裡，有 36 個（46%）屬於「器官偏好型」——也就是在某個特定器官的表現量，至少比其他器官高出 1.5 倍以上（以 GTEx 資料庫為標準）。

這 36 個器官偏好型蛋白裡，器官分布如下：

| 器官 | 占比（36 個中） |
|---|---|
| 肝臟 | 28%（約 10 個） |
| 免疫細胞 | 25%（約 9 個） |
| 腦 | 17%（約 6 個） |

**注意：** 這個 28%/25%/17% 的分母是 36 個器官偏好型蛋白，不是全部 79 個，更不是 111 個。論文 Discussion 另有一處寫成「111 個中約 47%」為器官偏好，與 Results 段的數字不一致；以 Results §2.3 及附圖 S2 為準，正確的是 36/79＝46%。

**為什麼要特別說明這個技術背景？** 1.5 倍的器官特異性門檻比許多同類研究使用的 4 倍更寬鬆。肝臟是血漿蛋白質的主要製造地，質譜平台天然偏向偵測大量分泌的蛋白——這些蛋白很多是肝臟來的。「肝臟訊號最突出」在生物學上有合理性，但在解讀時需要把這個技術背景放進去。

路徑分析方面，79 個 FDR<0.1 蛋白在 GO/IPA 富集分析中，涉及的路徑包括：發炎、凝血、超氧清除與氧化壓力、蛋白質折疊、葡萄糖代謝及訊號傳遞。代謝物名目結果（p<0.05）在路徑層級的富集，顯示咖啡因代謝、五碳糖與葡萄糖醛酸互換路徑、生物蝶呤代謝、膽酸合成等。這些是探索性結果，輸入的是名目顯著代謝物（未做多重校正），不宜解讀為已嚴格驗證的機制路徑。

## 建出預測分數

研究者用 elastic-net 輔助特徵選取，再以 Cox 模型建立線性預測分數。具體流程是：50 次隨機 1:1 訓練/測試切分，訓練集中對非死亡者抽樣平衡，再做三折交叉驗證，最後依各次迭代的平均絕對係數選出前 20 個特徵。選好特徵後，另用 Cox 係數建立最終的線性分數。

蛋白質分數（ProteinScore）的前 5 個特徵：

> KLKB1、PHOXF1（原文基因符號，符號準確性待確認）、PTGFR、FETUB、APOD

代謝物分數（MetaboliteScore）的前 5 個特徵：

> phenylacetylglutamine（苯乙醯麩醯胺酸）、DHEA-S、pipecolic acid（哌可酸）、indoleacetic acid（吲哚乙酸）、3-oxooctanoic acid（3-側氧辛酸）

**特別說明：** 論文 Discussion 另有一處討論 3-hydroxyoctanoic acid（3-羥基辛酸）的 HCAR3 信號路徑——這是不同化合物，不能把那段生物學詮釋套到 3-oxooctanoic acid 上。

## 預測力如何？

### 發現組（內部）

以下 C-index 數字均來自發現組的內部表現（同一批 848 人做特徵選取後再評估辨識力），**不是外部驗證結果**：

| 分數組合 | C-index |
|---|---|
| ProteinScore 單獨 | 0.81 |
| MetaboliteScore 單獨 | 0.77 |
| 臨床模型（7 個共變項） | 0.73 |
| ProteinScore + 臨床 | 0.83 |
| MetaboliteScore + 臨床 | 0.80 |

這個 0.81 放在同類研究裡不算低，但它是在用來建模的同一批資料上測出來的——樂觀偏差幾乎無法避免，這也是為什麼外部驗證那麼重要。

### 外部驗證（LAST，231 人、17 個死亡事件）

外部驗證組只用年齡與性別調整（不是上面那 7 個臨床共變項）：

| 分數 | HR | p 值 |
|---|---|---|
| MetaboliteScore | 1.9 | 0.002 ✓ |
| ProteinScore | 1.2 | 0.059 △ |

△ 邊緣性結果（原作者稱 borderline），未達通常的 p<0.05 門檻，也沒有報告 95% 信賴區間。

中位數分組的 KM 存活分析：ProteinScore 的 log-rank p=0.11、MetaboliteScore 的 log-rank p=0.18，兩者都沒有達到統計顯著。

外部驗證組沒有報告 C-index，且論文 Discussion 明確指出驗證組的表現相較發現組衰減，並提到兩個隊列之間的人口結構、教育程度、環境暴露及生活型態差異，可能造成異質性。

17 個死亡事件，要在統計上「確認」一個模型的效果，力道本來就非常有限。MetaboliteScore 的結果值得追，但這份驗證的規模還不夠說「已驗證」。

## 長壽分析：183 人，什麼都沒找到（FDR 之後）

研究也問了另一個問題：跟死亡相關的分子訊號，也跟活得特別久有關嗎？

848 人中，有 119 人（14.0%）在追蹤期間達到了研究設定的長壽門檻（女性≥85歲、男性≥80歲）。但長壽關聯分析用的不是完整 848 人——而是從中取出一個 **183 人的子集**：這 183 人已知結果（不是仍存活但還未達年齡門檻），包括已達長壽與已死亡者。

在這 183 人裡，用 logistic regression 跑每一個蛋白質與代謝物，結果是：名目 p<0.05 的有 24 個蛋白、40 個代謝物，但 FDR 校正後沒有任何一個存活。

這個結果是預期中的。183 人、幾百個多重檢定，要找到能通過 FDR 的訊號，需要效果量夠大或樣本夠多——而這兩個條件這裡都不夠。長壽分析是一次誠實的探索，只是樣本規模讓它說不了太多。

## 台灣本土資料，補得了什麼、補不了什麼

讀這篇文章很難不問：和歐美幾萬人的大型研究相比，這份 848 人的台灣資料有什麼獨特的價值？

**補得了的：族群代表性。**

老年人口的分子組成受到飲食、生活型態、基因背景與環境暴露的影響。以台灣飲食結構（米食、海鮮、豆製品）、城市化型態與慢性病流行病學為背景訓練出來的模型，對台灣老年人的預測效果，理論上比直接套用歐美訓練的模型更可靠。這是地方資料真實貢獻的地方。

**補不了的：因果推斷。**

這份研究是觀察性設計：在同一個時間點抽血、向前追蹤死亡。它能找出「死亡前幾年血漿中哪些分子水平比較高或低」，但它說不清楚：這些分子是死亡的原因，還是身體正在衰退的代償反應，或者只是適應過程的訊號？

這個問題在設計上就無法回答——不管台灣還是英國、848 人還是 45,000 人。要建立因果，需要孟德爾隨機化、或者介入試驗，觀察性隊列只能提供關聯。

論文 Discussion 有幾句話使用了「systems-level driver」與「potentially modifiable therapeutic target」這類帶有因果意味的語言。這是觀察性研究常見的「方向性推測」，研究設計本身不支持這樣的宣稱——作者也在限制段落明確承認，無法區分因果、代償或適應。這是讀任何組學研究都需要留意的解讀邊界。

## 研究的主要限制

原作者在論文中列出四點限制，整合其他需要補充的考量：

1. **全死因死亡：** 92 個死亡事件不細分死因，無法知道肝臟或免疫訊號在哪種死因中最有預測力。
2. **外部驗證樣本小：** 17 個死亡事件的統計力非常有限；驗證組與發現組在人口結構上也有差異，可能是表現衰減的原因之一。
3. **單一時間點：** 只有基線血漿，無法追蹤分子訊號隨時間的變化軌跡。
4. **設計決定論述邊界：** 觀察性設計只能建立關聯，無法區分因果、代償與適應。
5. **技術偏差：** 質譜平台傾向偵測大量存在的肝臟分泌蛋白，「肝臟訊號最突出」有技術層面的合理解釋，不一定全是生物學訊號。
6. **特徵分數的建構複雜度：** ProteinScore 不是直接由 elastic-net 係數定義，而是經過 50 次切分、特徵選取、再另建 Cox 模型的多步流程，這類流程的過擬合風險需要更大規模的外部驗證才能排除。

## 與第一篇的位置

放回第一篇畫的那道證據階梯：這份研究站在中段的觀察性人類研究那一格，在「動物模型」之上、在「介入試驗」之下。

它的貢獻在於：

- 台灣老年族群有自己的分子死亡訊號特徵，肝臟與免疫分子在這份資料裡最突出
- 蛋白質與代謝物組合，比純臨床變項有更好的辨識力（至少在發現組）
- 外部驗證的代謝物分數比蛋白質分數更穩健，值得追蹤

它沒有回答的問題包括：這些分子訊號可以被介入改變嗎？改變後死亡風險真的下降嗎？

這些問題要留給下一道台階：介入試驗。觀察性資料做到這一步，已經給了值得測試的假說。

---

*論文來源：Huang YL, et al. Liver‐ and Immune‐Enriched Molecular Signatures Associated With Mortality in Older Adults. Aging Cell. 2026;25(7):e70621. DOI [10.1111/acel.70621](https://doi.org/10.1111/acel.70621)；PMID 42455656；PMC13372077。CC BY 4.0。*