摘要
背景
先前研究在身体质量指数(BMI)与表观遗传年龄加速(EAA)关系方面报告了混合结果，而没有考虑BMI的长期轨迹和个体的遗传背景。因此，我们旨在评估长期BMI轨迹和肥胖遗传风险对美国老年人群EAA的联合影响。
方法
我们对健康与退休研究(HRS)中3312名参与者的小组调查数据进行了二次分析。从1996年到2016年每两年评估一次BMI。使用潜变量混合模型来识别20年期间不同的BMI轨迹。基于2016年静脉血研究(VBS)的DNA甲基化数据，使用13种表观遗传时钟计算EAA。肥胖的遗传风险通过多基因风险评分(PRS)量化，并根据四分位数临界值分为低、中、高风险。使用多变量线性回归模型测试BMI轨迹与EAA总体关联及按遗传风险分层的关联，同时调整年龄、性别、祖先、教育、吸烟、饮酒和体力活动等因素。采用Bonferroni方法校正多重检验。
结果
HRS参与者随着时间的推移表现出稳定的BMI轨迹，分为三组：持续正常体重、超重和肥胖。总体而言，41.0%的参与者BMI轨迹与其遗传风险水平一致，33.2%偏离到更差的轨迹，25.7%偏离到更好的轨迹。BMI轨迹与13种EAA中的6种显著相关。BMI在EAA测量前至少8年开始预测EAA。与持续正常体重的参与者相比，持续肥胖但非持续超重的参与者表现出显著加速的表观遗传衰老。这些关联在肥胖遗传风险低或中等的个体中最为明显。
结论
长期肥胖而非超重与老年人EAA相关，尤其是在肥胖遗传风险低或中等的个体中。
背景
肥胖是许多与衰老相关疾病（包括糖尿病、中风和心血管疾病）的主要危险因素[1]。然而，身体质量指数(BMI)与全因死亡率及特定疾病死亡率之间的关系呈U形或J形曲线，BMI过高或过低均与风险增加相关[2,3]。同样，BMI与生物衰老分子生物标志物之间的关联也存在混合结果[4,5]。虽然在中年和年轻成年人中观察到显著关联，但在老年人群中这种联系不太明显[4,6]。值得注意的是，这些研究在很大程度上忽视了个体对肥胖的遗传易感性。
从进化角度看，适度的脂肪可能通过在食物短缺期间提供能量储备，同时避免极度消瘦或肥胖的健康风险，从而赋予生存优势[7]。因此，维持与个人基因决定设定点一致的BMI可能优化健康和长寿。然而，由于环境和生活方式的影响，实际BMI通常会偏离基因预测水平[8]。这种偏离对健康的影响，特别是对衰老标志物的影响，目前仍知之甚少。
表观遗传年龄加速(EAA)已成为生物衰老的稳健生物标志物，代表了时间年龄与DNA甲基化估计年龄之间的差距。已经开发出各种表观遗传时钟来估计表观遗传年龄。早期时钟，如Horvath[9]和Hannum[10]时钟，被训练用于基于DNA甲基化谱预测时间年龄或死亡风险。直观上，为预测时间年龄而优化的时钟对生物衰老的信息量可能较少，而针对死亡结果训练的时钟在估计时间年龄方面可能不太准确[11]。为解决这一限制，开发了第二代时钟，用于预测衰老生物标志物，如血浆中的炎症和代谢标志物，或不健康生活方式（如吸烟）。这些努力促成了PhenoAge[12]和GrimAge[13]的开发，它们基于单时间点的生物标志物谱估计表观遗传年龄，以及最近的DunedinPoAm[14]和DunedinPACE[15]时钟，它们结合了与衰老相关的生物标志物的纵向变化。这些时钟大大促进了衰老研究。包括Horvath[9]、Hannum[10]、PhenoAge[12]和GrimAge[13]在内的几种表观遗传时钟已与年龄相关的 cardiometabolic 障碍和死亡率相关[16,17]。肥胖与炎症和代谢通路相关基因的DNA甲基化变化相关[18]，可能促进表观遗传衰老加速。然而，研究结果一直不一致，结果因表观遗传时钟、BMI类别和人群亚组而异[4,19,20]。例如，BMI与肝脏组织中的EAA相关，但在血液或皮下脂肪组织中不相关[21]，在男性和肥胖人群中观察到更强的关联[22,23,24]。
先前研究的一个关键限制是依赖单时间点的BMI测量，未能捕捉体重随时间变化的动态本质。长期BMI轨迹可能更好地反映累积体重暴露，并为EAA提供更强的预测价值[25,26]。此外，肥胖遗传风险高的人可能遵循不同的BMI轨迹，对生物衰老产生差异性影响[25,26]。然而，遗传易感性、纵向BMI模式和EAA的联合效应在很大程度上尚未探索。
为解决这些空白，本研究旨在描述老年人的长期BMI轨迹，并考察其与EAA的关联，按肥胖多基因风险评分(PRS)分层。通过整合遗传数据与纵向BMI和表观遗传衰老测量，本研究旨在揭示遗传易感性、体重历史和生物衰老之间相互作用的新见解，增进我们对衰老相关健康结局中基因-环境相互作用的理解。
方法
研究设计
本研究是对健康与退休研究(HRS)数据的二次分析，HRS是一项正在进行的、具有全国代表性的美国50岁及以上成年人纵向队列研究。HRS旨在评估与衰老相关的健康、社会和经济因素，并采用多阶段概率抽样策略[27,28,29]。为增强代表性，该研究对关键人口统计群体进行过度抽样，包括非裔美国人和西班牙裔。自1992年以来，参与者每两年接受一次社会经济状况、健康和生物标志物调查[30]。参与者通常被追踪至死亡，每6年添加新队列以保持全国代表性。
参与者
2016年，HRS开始作为静脉血研究(2016-VBS)的一部分，从9934名参与者收集静脉血样。如附加文件1：图S1所示，4101名参与者进行了全基因组DNA甲基化(DNAm)谱分析[31]。该子样本经过加权以代表更广泛的美国人群[32,33]。在排除DNAm质量控制失败的参与者(n = 86)[32]、仅在一个波次测量BMI的参与者(n = 288)以及2016波次中缺失协变量的参与者(n = 415)后，最终分析样本包括3312名(80.8%)参与者。此外，在纳入肥胖PRS的分析中，由于遗传数据缺失(n = 481)，总共包括2831名参与者。最后，为追踪BMI与EAA在各波次中的相关性，我们纳入了在所有波次中测量BMI的1600名参与者。
测量
BMI
身高和体重从1994年第2波到2016年第13波的12次调查波次中自报。BMI计算为千克为单位的体重除以米为单位的身高平方。在美国，自报BMI与测量BMI高度相关(ρ > 0.9)[34,35]。为建模轨迹，仅包括在至少两个波次中测量BMI的参与者。为描述BMI轨迹，我们应用了世界卫生组织对欧洲和非洲血统个体的BMI分类标准[36]。具体而言，超重定义为BMI 25.0-29.9 kg/m²，肥胖定义为BMI ≥ 30 kg/m²[37]。
全基因组DNAm
DNAm使用明尼苏达大学的Infinium甲基化EPIC BeadChip v1.0从2016-VBS中4101名参与者的血样中一次性谱分析，并可直接从NIAGADS获得(数据产品#: NG00153)[32]。样本在测定板上随机化，同时平衡关键人口统计因素，并包括40对盲法重复。使用minfi R包进行数据处理和质量控制。移除检测P值> 0.01的探针(n = 29,431; 3.4%)，然后排除失败探针> 5%、性别不匹配或对照样本的样本级。保留了97.9%样本(N = 4018)的高质量DNAm数据。
表观遗传时钟和EAA
基于为2016-VBS收集的全基因组DNAm数据，HRS团队计算了13种公开可用的表观遗传时钟，分为三组(附加文件1：表S1)，预测：(1)时间年龄(如Horvath[39]、Hannum[10]、Weidner[40]、VidalBralo[41]、Bocklandt[42]和Garagnani[43])，(2)寿命/死亡率(如PhenoAge[12]、HorvathSkin[9]、Lin[44]、Zhang[45]和GrimAge[13])，以及(3)衰老率(如Yang[46]和DunedinPoAm[14])。EAA定义为在2016年测量的时间年龄回归表观遗传时钟后的残差，此时参与者平均年龄为69.9岁，标准差(SD)为9.7。表观遗传时钟数据作为HRS公共数据提供[38]。
基因分型和PRS计算
使用Illumina的人类Omni2.5-Quad阵列进行全基因组基因分型[47]。经过严格质量控制后，基因型被填补至1000基因组项目第3阶段参考面板。使用GIANT联盟(n = 681,275，欧洲血统)的全基因组关联研究(GWAS)荟萃分析结果计算肥胖PRS[48]。PRS通过结合单核苷酸多态性(SNP)的BMI增加等位基因计算，使用PGSice和PLINK软件加权报告效应大小[49,50]。SNP未通过连锁不平衡修剪或P值阈值过滤[50]。SNP权重在从GWAS摘要统计中移除HRS后估计。最终PRS包括711,273个SNP，并在血统内标准化，均值= 0，标准差(SD) = 1。PRS被分为低(底部四分位数)、中(中间两个四分位数)和高(顶部四分位数)遗传风险组。PRS数据作为HRS敏感健康数据产品提供[50]。
协变量
在2016年调查中收集的重要协变量根据先前文献预先选择，包括年龄、性别、血统(欧洲裔美国人或非裔美国人)、教育年限[5,33]、吸烟(从不、前、当前)[5,51]、饮酒(当前、非当前)[5,52]和体力活动(PA)[53]。所有协变量均为自报。对于PA，参与者回答了关于过去12个月与工作相关和休闲时间剧烈、中等和轻度PA的问题。参与者表明他们参与轻度、中等和剧烈PA的频率，有5个响应选项，范围从1 = 每周一次以上，2 = 每周一次，3 = 每月1-3次，4 = 几乎从不或从不，5 = 每天。根据先前研究[54]，PA频率重新编码如下：4 = 每天，3 = 每周一次以上，2 = 每周一次，1 = 每月1-3次，0 = 几乎从不或从不。创建了三个指数分数来表示综合PA频率，包括所有类型的PA、轻度至中度PA以及中度至剧烈PA。每个指数分数是其PA组件频率的总和。
统计分析
使用SAS Proc Traj程序实现的潜变量混合建模用于识别20年(1996-2016)期间的BMI轨迹[55,56]。潜变量混合建模是一种通过将个体分类为具有相似模式的组(称为潜在类别)来建模异质纵向数据的统计方法[55]。我们在二次形式中拟合所有轨迹模型，从1轨迹模型开始并逐步增加轨迹数量。通过比较模型间的贝叶斯信息准则(BIC)确定最佳轨迹数，选择BIC最低的模型作为最佳模型。以调查波次的年龄作为时间尺度，平均年龄从第一次BMI测量时的60.5岁到最后一次的79.4岁。在确定4轨迹模型根据BIC为最佳拟合后，我们进一步比较了不同形式的模型。最终选定的模型包括4个BMI轨迹，每个轨迹使用二次形式建模。第三和第四轨迹组的BMI均高于30 kg/m²。由于第四组样本量小，我们将它们合并为一个组。因此，确定了三个组：持续正常体重、持续超重和持续肥胖。
在2016年调查中，按BMI轨迹组总结了研究参与者的特征。连续变量以均值和标准差或中位数和四分位距表示，分类变量以频率和百分比表示。使用单向方差分析(ANOVA)对连续变量或卡方检验对分类变量进行三个BMI轨迹组间的比较。对连续变量进行正态性评估，必要时进行对数转换。
使用多变量线性混合效应模型对BMI轨迹与每个EAA的关联进行建模，将血统视为随机截距，同时在基础模型中控制年龄和性别，并在完整模型中额外控制教育、吸烟、饮酒和体力活动。使用SAS 9.4软件进行分析。计算双侧P值，Bonferroni校正q值< 0.05被认为具有统计学意义。
为评估BMI轨迹是否因对肥胖的遗传易感性而对EAA产生不同影响，我们测试了BMI轨迹和肥胖PRS对EAA的交互作用，并展示了按PRS类别划分的BMI轨迹与EAA的关联。
结果
分析样本包括2016-VBS中的2722名欧洲血统个体和580名非裔美国人参与者(表1)。参与者平均年龄为69.9岁，41.5%为男性。饮酒普遍，56.0%报告当前使用，而10.8%为当前吸烟者。平均而言，参与者超重，平均BMI为28.8 kg/m²。
BMI轨迹和与遗传风险的偏离
如图1所示，在过去20年中BMI相对稳定，形成四条不同的轨迹：持续正常体重(33.0%)、持续超重(41.6%)、持续肥胖(20.3%)和持续极度肥胖(5.1%)。四个轨迹组的平均后验概率分别为0.945、0.930、0.950和0.976。由于样本量考虑，我们将肥胖和极度肥胖组合并为一个"高BMI轨迹"组。2016年，低、中和高BMI轨迹组的平均BMI分别为22.8、27.7和35.6 kg/m²(表1)。高BMI轨迹中的参与者更年轻，更可能是男性和非裔美国人，且当前吸烟或当前饮酒的可能性更低。
总体而言，41.0%的参与者BMI轨迹与其遗传风险水平一致，包括低遗传风险组的37.8%、中等遗传风险组的38.3%和高遗传风险组的49.8%(表1)。然而，33.2%偏离到更差的轨迹，25.7%偏离到更好的轨迹。
BMI与随时间变化的表观遗传时钟的相关性
图2和附加文件1：表S2展示了跨越20年10次调查波次的BMI与2016年测量的13种表观遗传时钟之间的相关性。DunedinPoAm(ρ: 第6波0.05至第12波0.07)、Bocklandt(ρ: 第2波0.01至第13波0.10)和Zhang(ρ: 第12波0至第2波0.1)时钟与BMI持续显示正相关。相比之下，Yang时钟与BMI无关联，而其余九个时钟与BMI呈负相关。其中，HorvathSkin和Hannum时钟表现出最强的负相关(第13波均为ρ = -0.17)，其次是GrimAge(ρ = -0.16，第13波)、Horvath(ρ = -0.14，第13波)和Garagnani(ρ = -0.14，第13波)时钟。这些时钟的显著相关性从第6波开始出现。另外四个时钟，PhenoAge(ρ = -0.04)、Lin(ρ = -0.09)、VidalBralo(ρ = -0.05)和Weidner(ρ = -0.05)，从第9波开始显示显著相关。值得注意的是，DunedinPoAm和Bocklandt时钟在所有波次中与BMI显示正的显著相关性。总体而言，BMI与8-10年后收集的表观遗传衰老显著相关。
2016年BMI轨迹和EAA
在调整年龄、性别、血统并进行多重检验的Bonferroni校正后，BMI轨迹与六个EAA测量值显著相关，包括Hannum、PhenoAge、HorvathSkin、Zhang、GrimAge和DunedinPoAm(表2和附加文件1：表S3)。在六个EAA测量值中，除Hannum EAA外，其他五个均基于预测寿命和死亡率的表观遗传时钟开发。与低BMI轨迹组相比，高BMI轨迹组的参与者表观遗传衰老显著加快，特别是PhenoAge，差异为1.62年(P < 0.001)。中等BMI轨迹也与表观遗传年龄加速相关，但仅对HorvathSkin时钟名义显著(P = 0.04)。在额外调整教育、吸烟、饮酒和体力活动后，这些关联保持一致。按血统分层时，BMI轨迹与非裔美国人相比与欧洲裔美国人的EAA关联更强(附加文件1：表S4)。例如，在完全调整模型中，持续高BMI与持续低BMI轨迹之间Levine EAA的差异在非裔美国人中为2.02(SE = 0.9; P = 0.02)，而在欧洲裔美国人中为1.27(SE = 0.37; P = 0.001)。在肥胖遗传风险低或高的人群中，这些差异更为明显(附加文件1：表S5)。值得注意的是，Yang EAA与BMI轨迹的关联在欧洲裔美国人与非裔美国人中显示相反方向。
按BMI PRS水平划分的BMI轨迹和EAA
BMI轨迹与四个EAA测量值显示显著不同的关联，包括VidalBralo(P交互作用 = 0.03)、Yang(P交互作用 = 0.01)、Bocklandt(P交互作用 = 0.001)和GrimAge(P交互作用 = 0.004)，按BMI PRS水平划分。总体而言，与高遗传风险相比，这些关联在肥胖遗传风险低或中等的人群中更强。
在705名肥胖遗传风险低的参与者中，37.8%、39.0%和23.1%分别位于低、中和高BMI轨迹中。BMI轨迹与五个EAA名义相关(表3和附加文件1：表S6)，包括Hannum(P = 0.02)、Bocklandt(P = 0.01)、Levine(PhenoAge, P = 0.01)、GrimAge(P = 0.01)和Yang(P = 0.04)。与持续低BMI的参与者相比，持续高BMI的参与者在Hannum(beta = 1.39, SE = 0.55, P = 0.01)、PhenoAge(beta = 2.13, SE = 0.72, P = 0.003)、Yang(beta = 0.004, SE = 0.002, P = 0.02)、Bocklandt(beta = 0.02, SE = 0.01, P = 0.004)和GrimAge(beta = 1.48, SE = 0.47, P = 0.002)测量的表观遗传年龄显著加速。在此分层中，中等和低BMI轨迹组之间的EAA无显著差异。
在中等遗传风险组(n = 1407)中，26.3%、38.3%和35.4%分别位于低、中和高BMI轨迹中。如表3和附加文件1：表S6所示，BMI轨迹与Zhang EAA显著相关(P < 0.001)，并与Horvath(P = 0.02)、Levin(PhenoAge, P = 0.01)、GrimAge(P = 0.02)和DunedinPoAm(P = 0.01)名义相关。持续高BMI轨迹与PhenoAge(beta = 1.48, se = 0.50, P = 0.003)、Zhang(beta = 0.10, se = 0.03, P = 0.001)、GrimAge(beta = 0.70, se = 0.33, P = 0.03)和DunedinPoAm38(beta = 0.02, se = 0.01, P = 0.01)时钟测量的表观遗传年龄加速显著相关。有趣的是，中等BMI轨迹组的参与者在Horvath时钟(beta = -0.92, se = 0.44, P = 0.04)测量的表观遗传衰老减缓。
在703名肥胖遗传风险高的参与者中，19.5%、30.7%和49.8%分别位于低、中和高BMI轨迹组中。总体而言，BMI轨迹与任何EAA均不相关。然而，与低BMI轨迹相比，高BMI轨迹组与Horvath(beta = 1.28, se = 0.68, P = 0.06)、HorvathSkin(beta = 0.86, se = 0.50, P = 0.08)、Lin(beta = 1.58, se = 0.83, P = 0.06)和Weidner(beta = 2.19, se = 1.16, P = 0.06)测量的EAA显示名义相关。令人惊讶的是，此分层中的中等BMI轨迹组与Horvath(beta = 1.67, se = 0.70, P = 0.02)、HorvathSkin(beta = 1.04, se = 0.52, P = 0.04)和Yang(beta = 0.004, se = 0.002, P = 0.04)测量的EAA显著相关。
讨论
据我们所知，这是第一项调查长期BMI轨迹对全面EAA测量面板影响的研究，按肥胖遗传风险分层，在美国老年人中进行。我们确定了四个主要BMI轨迹：持续正常体重、超重、肥胖和极度肥胖，突显了该人群中BMI的相对稳定性。与持续正常体重轨迹的参与者相比，持续肥胖或极度肥胖轨迹的参与者在检查的13个表观遗传时钟中的6个上表现出显著加速的表观遗传衰老。相比之下，持续超重轨迹的参与者仅在一个时钟上显示名义加速的衰老。按肥胖遗传易感性分层时，我们发现持续肥胖对EAA的影响在遗传风险低或中等的个体中最明显。特别是，遗传风险低的持续肥胖个体经历了最大的生物年龄加速。这些发现表明，肥胖而非超重有助于生物衰老，特别是对那些没有遗传易感性的人。这突显了根据遗传谱定制精准预防策略的机会。
BMI轨迹与设计用于预测寿命或死亡率的EAA关联最强。在完全调整模型中与BMI轨迹显著相关的五个时钟中，包括Levine(PhenoAge)、HorvathSkin、Zhang和GrimAge在内的四个被开发为死亡率或寿命的预测因子。鉴于肥胖与过早死亡之间已建立的联系[57,58]，这种模式在生物学上是合理的。例如，最近的模型估计表明，超重每天导致1300多例超额死亡，并将预期寿命减少约2.4年[57]。然而，持续超重轨迹仅与一个EAA测量值相关，表明超重可能与衰老相关结果没有强烈联系。这与一项荟萃分析结果一致，该分析表明超重状态不会增加全因死亡率[59]。
按遗传风险分层的分析进一步揭示，遗传风险低或中等的持续肥胖个体比高遗传风险个体表现出更多的EAA。这与最近一项出版物的发现一致，该出版物表明肥胖与心血管疾病的相关性在肥胖遗传易感性低的个体中比高遗传风险个体中更强[60]。一种可能的解释是，高遗传风险的个体可能已发展出补偿性生物适应，有助于减轻过多脂肪的一些有害后果，如代谢灵活性或脂肪分布改变[60,61]。因此，对肥胖有高遗传易感性的个体可能对过量体重对生物衰老的不利影响更具弹性。超重甚至可能是高遗传风险个体生理上必需的。值得注意的是，保持正常体重与此类个体的慢速衰老无显著关联。相比之下，对遗传风险低的个体而言，肥胖可能主要源于不利的生活方式或环境暴露(如不良饮食、体力活动不足、慢性压力)，这些本身可能导致额外的代谢或炎症损害。此外，低风险个体的肥胖可能代表与其基因"预期"体重更大的偏离，可能导致生理压力增加。这种不匹配可能加速生物衰老过程，反映在更大的表观遗传年龄加速和更高的肥胖相关疾病风险(如心血管疾病)上。需要进一步的机制研究来揭示可能缓冲遗传易感个体肥胖负面影响的生物途径。
尽管该老年队列中BMI稳定，但仍观察到与基因预测体重的显著偏离。在肥胖遗传易感性低的个体中，高达23.1%被归类为肥胖。同样，近20%的遗传易感个体保持了持续正常的BMI。这些差异突显了环境和生活方式因素在调节遗传风险方面的影响，强调了体重是由内在和外在决定因素共同塑造的。
最后，我们观察到表观遗传年龄受到在表观遗传年龄测量前至少8年测量的BMI的影响。先前研究表明，肥胖影响青少年的DNA甲基化长达17年。我们的研究首次提供了证据，表明在老年人中，BMI对表观遗传年龄有长期影响[62]。
本研究有几个显著优势。首先，我们检查了13个表观遗传时钟的全面面板，提供了对表观遗传衰老的多维评估。其次，使用美国老年人的全国代表性样本增强了我们发现的普遍性。第三，我们利用长达20年的BMI数据，使长期体重负担的特征化减少了与单时间点评估相比的测量误差。有几个局限性值得注意。首先，BMI基于自报身高和体重，可能导致误分类。然而，自报和测量的BMI在老年人群中高度相关，且任何误分类可能对EAA是非差异性的，因此将结果偏向零。重要的是，我们的研究仍然确定了BMI轨迹和EAA之间的稳健关联。此外，BMI不能区分脂肪和瘦质量，也不考虑脂肪分布[63,64,65]。因此，它可能将肌肉发达的个体误分类为超重，或低估高体脂但BMI正常的个体的肥胖，限制了其评估真实脂肪量和相关健康风险的准确性。需要使用更好的肥胖测量方法(如体脂百分比)的未来研究来确认我们的发现。其次，缺乏基线EAA数据，这阻止我们估计EAA随时间的变化。需要未来的纵向研究来解决这一空白。第三，虽然DunedinPoAm38时钟最初是在26-38岁参与者中开发的，但我们的研究人群由中年和老年人组成。然而，该时钟随后在28-95岁个体中得到验证，证明在更广泛的年龄范围内表现良好。最后，大多数表观遗传时钟是使用欧洲血统人群的数据开发的，它们在非裔美国人中的表现可能次优。这由我们观察到一些EAA测量值在非裔美国人与欧洲裔美国人中与BMI轨迹显示相反关联的事实支持。尽管如此，许多关联在种族组间是一致的。未来衰老研究可能需要开发特定血统的表观遗传时钟以提高准确性和相关性。
结论
总之，在美国老年人中，BMI在二十年间相对稳定。长期肥胖而非超重与表观遗传时钟预测的寿命或死亡率测量的加速衰老显著相关。这些关联在肥胖遗传风险低的个体中更为明显。这些发现突显了将遗传风险分析整合到肥胖预防和健康衰老策略中的潜在价值，以推进精准健康。
数据可用性
支持本文结论的数据集可在健康与退休研究在线数据库中获取。当前研究分析期间的所有中间数据集可应相应作者Changwei Li博士的要求提供。
缩写词
ANOVA:方差分析
BIC:贝叶斯信息准则
BMI:身体质量指数
DNAm:DNA甲基化
EAA:表观遗传年龄加速
GWAS:全基因组关联研究
HRS:健康与退休研究
PA:体力活动
PRS:多基因风险评分
SD:标准差
SE:标准误
SNP:单核苷酸多态性
VBS:静脉血研究
【全文结束】
