血浆蛋白质能预测谁会先走吗？台湾848人、八年半的追踪答案

[本文根据公开发表论文撰写。通讯作者陈亮恭医师亦为本站另一项企业案例（CET台湾子公司）的相关咨询对象；本文仅引用已发表数据，与任何商业或咨询往来无关。]

在上一篇的最后，我们把证据排成了一道阶梯：从动物实验、到人类观察性研究、到有临床终点的介入试验。蛋白质老化时钟能预测风险，站在那道阶梯的中段——比「体外细胞」高，但比「人体介入试验」低，属于「观察性预测模型」。

这篇继续往这个方向走，但缩小尺度：不是欧洲或美国几万人的大型队列，而是台湾848个人，追踪八年半。

研究在做什么：848人、八年半、一管血浆

阳明交大荣总团队（Huang等，Aging Cell 2026）从ILAS（Integrative Longitudinal Aging Study）这个台湾老年纵贯研究队列里，选出848位参与者。平均年龄63.8岁（±9.2），53%为女性。

每个人在研究开始时抽一次空腹血浆，然后进入追踪期。平均追踪时间8.5年（SD 1.2）。到追踪结束，92人死亡，占比10.8%。

这848管血，被分别送进两条分析路线：

• 蛋白质： 用nanoLC-nanoESI-MS/MS（LTQ Orbitrap Elite质谱仪）做非目标定向分析，侦测率超过50%的蛋白保留下来，最后剩516个。
• 代谢物： 用LC-MS（Waters Xevo G2-S QTof）分析，排除缺失率超过20%的特征后，保留532个。

同时找出231人的外部验证组LAST（Longitudinal Aging Study in Taiwan，第一波2016–2019），中位追踪7.3年，其中17人死亡（7.4%）。

哪些蛋白质跟死亡有关？

主要结果用Cox比例风险模型跑每一个蛋白质，调整的变项包括：年龄、性别、教育年数、吸烟、饮酒、高血压史、糖尿病史。

结果出来：

• 名目p<0.05：111个蛋白质
• FDR<0.1（宽松校正）：79个
• FDR<0.05：47个

代谢物的结果要弱一些：名目55个，FDR<5%下为零，FDR<30%下27个。

肝脏与免疫，为什么排在前面？

79个FDR<0.1蛋白里，有36个（46%）属于「器官偏好型」——也就是在某个特定器官的表现量，至少比其他器官高出1.5倍以上（以GTEx数据库为标准）。

这36个器官偏好型蛋白里，器官分布如下：

注意： 这个28%/25%/17%的分母是36个器官偏好型蛋白，不是全部79个，更不是111个。论文Discussion另有一处写成「111个中约47%」为器官偏好，与Results段的数字不一致；以Results §2.3及附图S2为准，正确的是36/79＝46%。

为什么要特别说明这个技术背景？ 1.5倍的器官特异性门槛比许多同类研究使用的4倍更宽松。肝脏是血浆蛋白质的主要制造地，质谱平台天然偏向侦测大量分泌的蛋白——这些蛋白很多是肝脏来的。「肝脏信号最突出」在生物学上有合理性，但在解读时需要把这个技术背景放进去。

路径分析方面，79个FDR<0.1蛋白在GO/IPA富集分析中，涉及的路径包括：发炎、凝血、超氧清除与氧化压力、蛋白质折叠、葡萄糖代谢及信号传递。代谢物名目结果（p<0.05）在路径层级的富集，显示咖啡因代谢、五碳糖与葡萄糖醛酸互换路径、生物蝶呤代谢、胆酸合成等。这些是探索性结果，输入的是名目显著代谢物（未做多重校正），不宜解读为已严格验证的机制路径。

建出预测分数

研究者用elastic-net辅助特征选取，再以Cox模型建立线性预测分数。具体流程是：50次随机1:1训练/测试切分，训练集中对非死亡者抽样平衡，再做三折交叉验证，最后依各次迭代的平均绝对系数选出前20个特征。选好特征后，另用Cox系数建立最终的线性分数。

蛋白质分数（ProteinScore）的前5个特征：

KLKB1、PHOXF1（原文基因符号，符号准确性待确认）、PTGFR、FETUB、APOD

代谢物分数（MetaboliteScore）的前5个特征：

phenylacetylglutamine（苯乙酰谷酰胺酸）、DHEA-S、pipecolic acid（哌可酸）、indoleacetic acid（吲哚乙酸）、3-oxooctanoic acid（3-侧氧辛酸）

特别说明： 论文Discussion另有一处讨论3-hydroxyoctanoic acid（3-羟基辛酸）的HCAR3信号路径——这是不同化合物，不能把那段生物学诠释套到3-oxooctanoic acid上。

预测力如何？

发现组（内部）

以下C-index数字均来自发现组的内部表现（同一批848人做特征选取后再评估辨识力），不是外部验证结果：

这个0.81放在同类研究里不算低，但它是在用来建模的同一批数据上测出来的——乐观偏差几乎无法避免，这也是为什么外部验证那么重要。

外部验证（LAST，231人、17个死亡事件）

外部验证组只用年龄与性别调整（不是上面那7个临床共变项）：

△ 边缘性结果（原作者称borderline），未达通常的p<0.05门槛，也没有报告95%置信区间。

中位数分组的KM存活分析：ProteinScore的log-rank p=0.11、MetaboliteScore的log-rank p=0.18，两者都没有达到统计显著。

外部验证组没有报告C-index，且论文Discussion明确指出验证组的表现相较发现组衰减，并提到两个队列之间的人口结构、教育程度、环境暴露及生活型态差异，可能造成异质性。

17个死亡事件，要在统计上「确认」一个模型的效果，力道本来就非常有限。MetaboliteScore的结果值得追，但这份验证的规模还不够说「已验证」。

长寿分析：183人，什么都没找到（FDR之后）

研究也问了另一个问题：跟死亡相关的分子信号，也跟活得特别久有关吗？

848人中，有119人（14.0%）在追踪期间达到了研究设定的长寿门槛（女性≥85岁、男性≥80岁）。但长寿关联分析用的不是完整848人——而是从中取出一个183人的子集：这183人已知结果（不是仍存活但还未达年龄门槛），包括已达长寿与已死亡者。

在这183人里，用logistic regression跑每一个蛋白质与代谢物，结果是：名目p<0.05的有24个蛋白、40个代谢物，但FDR校正后没有任何一个存活。

这个结果是预期中的。183人、几百个多重检定，要找到能通过FDR的信号，需要效果量够大或样本够多——而这两个条件这里都不够。长寿分析是一次诚实的探索，只是样本规模让它说不了太多。

台湾本土数据，补得了什么、补不了什么

读这篇文章很难不问：和欧美几万人的大型研究相比，这份848人的台湾数据有什么独特的价值？

补得了的：族群代表性。

老年人口的分子组成受到饮食、生活型态、基因背景与环境暴露的影响。以台湾饮食结构（米食、海鲜、豆制品）、城市化型态与慢性病流行病学为背景训练出来的模型，对台湾老年人的预测效果，理论上比直接套用欧美训练的模型更可靠。这是地方数据真实贡献的地方。

补不了的：因果推断。

这份研究是观察性设计：在同一个时间点抽血、向前追踪死亡。它能找出「死亡前几年血浆中哪些分子水平比较高或低」，但它说不清楚：这些分子是死亡的原因，还是身体正在衰退的代偿反应，或者只是适应过程的信号？

这个问题在设计上就无法回答——不管台湾还是英国、848人还是45,000人。要建立因果，需要孟德尔随机化、或者介入试验，观察性队列只能提供关联。

论文Discussion有几句话使用了「systems-level driver」与「potentially modifiable therapeutic target」这类带有因果意味的语言。这是观察性研究常见的「方向性推测」，研究设计本身不支持这样的宣称——作者也在限制段落明确承认，无法区分因果、代偿或适应。这是读任何组学研究都需要留意的解读边界。

研究的主要限制

原作者在论文中列出四点限制，整合其他需要补充的考量：

1. 全死因死亡： 92个死亡事件不细分死因，无法知道肝脏或免疫信号在哪种死因中最有预测力。
2. 外部验证样本小： 17个死亡事件的统计力非常有限；验证组与发现组在人口结构上也有差异，可能是表现衰减的原因之一。
3. 单一时间点： 只有基线血浆，无法追踪分子信号随时间的变化轨迹。
4. 设计决定论述边界： 观察性设计只能建立关联，无法区分因果、代偿与适应。
5. 技术偏差： 质谱平台倾向侦测大量存在的肝脏分泌蛋白，「肝脏信号最突出」有技术层面的合理解释，不一定全是生物学信号。
6. 特征分数的建构复杂度： ProteinScore不是直接由elastic-net系数定义，而是经过50次切分、特征选取、再另建Cox模型的多步流程，这类流程的过拟合风险需要更大规模的外部验证才能排除。

与第一篇的位置

放回第一篇画的那道证据阶梯：这份研究站在中段的观察性人类研究那一格，在「动物模型」之上、在「介入试验」之下。

它的贡献在于：

• 台湾老年族群有自己的分子死亡信号特征，肝脏与免疫分子在这份数据里最突出
• 蛋白质与代谢物组合，比纯临床变项有更好的辨识力（至少在发现组）
• 外部验证的代谢物分数比蛋白质分数更稳健，值得追踪

它没有回答的问题包括：这些分子信号可以被介入改变吗？改变后死亡风险真的下降吗？

这些问题要留给下一道台阶：介入试验。观察性数据做到这一步，已经给了值得测试的假说。

论文来源：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；PMID 42455656；PMC13372077。CC BY 4.0。