摘要
背景/引言： 载脂蛋白E (APOE) ε4等位基因是晚发性阿尔茨海默病最强的已知遗传风险因素，而海马萎缩是神经退行性变最可靠的结构生物标志物之一。虽然两者都与认知衰退独立相关，但在散发性阿尔茨海默病中，APOE ε4剂量是否调节海马体积-认知关系的纵向变化，尚未在足够统计效力下得到充分探索。
方法： 本研究分析了2,417名阿尔茨海默病神经影像学倡议(ADNI)参与者的完整APOE基因型、颅内体积调整的海马体积和纵向认知评估数据，平均随访时间为4.2年，最长可达19.3年，每位参与者平均进行了4.9次访问。采用带有随机截距和每位受试者随机斜率的线性混合效应模型，估计了简易精神状态检查(MMSE)、临床痴呆评定量表总和(CDR-SB)和阿尔茨海默病评估量表认知分量表13(ADAS-Cog13)的认知轨迹，这些轨迹是时间、APOE ε4剂量和ICV调整的海马体积的函数，包括三者的三向交互作用，并调整了年龄、性别、教育、基线诊断和抑郁等因素。使用Cox比例风险模型评估转化风险。
结果： 在所有认知和海马测量指标中均观察到明显的APOE ε4剂量-反应梯度（所有p < 0.001）。线性混合效应模型显示，时间×APOE ε4剂量×海马体积对MMSE（β = -0.79，95% CI [-1.51, -0.08]，p = 0.030）和CDR-SB（β = +0.47，95% CI [+0.03, +0.91]，p = 0.037）轨迹存在显著的三向交互作用，根据Bonferroni校正（α = 0.017）两者均显著，表明APOE ε4增强了较小海马体积与随时间认知恶化更快之间的关联。时间×海马体积交互作用通过似然比检验确认为高度显著（LR = 3712.99，p < 0.001）。对845例转化事件的Cox比例风险分析显示，每增加一个ε4等位基因，转化风险增加48%（HR = 1.48，95% CI [1.29, 1.71]，p < 0.001）。在不同诊断分层、排除异常值后以及多次访问亚组中的敏感性分析证实了海马体积效应的稳健性。
讨论/结论： 这些发现表明APOE ε4基因型显著调节海马体积与认知衰退之间的纵向关系，支持将APOE基因型和结构性海马成像整合用于阿尔茨海默病中精细的个体风险分层。
1 引言
APOE ε4等位基因是晚发性阿尔茨海默病(AD)最强的已知遗传风险因素，与非携带者相比，杂合子风险增加约3倍，纯合子风险增加8-12倍（Zhang等，2020；Suzuki等，2020）。同时，海马萎缩是神经退行性变最可靠可测量的结构生物标志物之一，反映了内嗅-海马回路的退化，这种退化先于并预测临床衰退（Bejanin等，2021）。两者都已被广泛研究为认知衰退的独立预测因子，但令人惊讶的是，很少有研究正式测试APOE ε4是否在散发性AD中纵向调节海马-认知关系。
先前基于ADNI的研究（2008-2013年）一致表明，APOE ε4携带者比非携带者表现出更快的海马萎缩和更快速的认知衰退（Risacher和Saykin，2013；Whitwell等，2008；Jack等，2010；Schuff等，2009；Mueller和Weiner，2009；Risacher等，2010）。然而，这些研究主要将APOE状态和海马体积视为平行、相加的预测因子，而非测试一个如何修改另一个的预测价值。例如，Schuff等（2009）和Mueller和Weiner（2009）在回归和混合效应框架中将海马萎缩和APOE状态作为单独的协变量进行检验，而Jack等（N = 218）和Zhang等（N = 178）则专注于轻度认知障碍(MCI)的较窄子集，如淀粉样蛋白阳性MCI，这限制了对更广泛散发性AD连续体的可推广性。其中一些研究还仅限于12个月或更短的随访窗口，可能错过了仅在多年观察期后才变得明显的长期协同效应。最关键的是，先前的ADNI研究均未将APOE ε4剂量、海马体积和时间之间的三向交互作用作为主要假设进行正式测试。
Down综合征研究的补充证据进一步推动了这个问题的研究。Bejanin等（2021）在464名Down综合征成人中证明，APOE ε4携带者在CSF、血浆、PET和MRI等多种模式下表现出更早的生物标志物变化和临床发作，确立了APOE ε4如何调节疾病表达的时间和模式。Fortea等（2020）描述了388名Down综合征参与者的生物标志物进展的自然史，确定海马萎缩是晚期标志物，前面有淀粉样蛋白和tau异常的可预测序列，始于临床发作前数十年。虽然这些研究提供了重要的多模态生物标志物背景并定义了与散发性AD的相似之处，但它们是在遗传确定的队列中进行的，其中疾病表达更为一致。APOE ε4如何在遗传和环境异质性使疾病表达复杂化的散发性AD中与海马神经退行性变相互作用的问题，仍基本未解。
最关键的是，先前的ADNI研究均未将APOE ε4剂量、海马体积和时间之间的三向交互作用作为主要假设进行正式测试。最近的纵向证据开始解决这一差距。ADNI中的多基因风险建模（N = 1,051）表明，AD遗传风险（主要由APOE区域驱动）显著加速海马体积减少，特别是在MCI阶段（Bates等，2015）。此外，OASIS-3队列的证据（N = 416）表明，APOE ε4相关的海马萎缩在从认知正常到痴呆阶段的转化过程中遵循非线性、二次加速轨迹（Stern，2012）。虽然这些研究确认了阶段特异性易感性和APOE在结构中的主导作用，但均未在足够统计效力下正式测试时间、基因型和海马体积对认知衰退轨迹的三向交互作用。
表1总结了这些先前工作与本研究的关键方法学和分析特征。如表所示，早期ADNI研究通常使用少于820名参与者的队列，并将APOE ε4和海马体积视为独立因素，而Down综合征研究则提供了不同疾病背景下的多模态生物标志物深度。本研究同时解决了这两个差距。
解决交互作用问题的主要障碍是统计效力。充分有力的三向交互作用检验需要大样本量，特别是对于仅占普通人口2-3%的APOE ε4纯合子，这些纯合子在早期队列中数量非常少。在本研究中，我们通过分析2,417名ADNI参与者的完整数据（包括225名APOE ε4纯合子）解决了这一限制，与早期ADNI研究相比，提供了显著改善的统计效力。
使用长达19.3年的线性混合效应模型，我们估计了三个认知结果（MMSE、CDR-SB、ADAS-Cog13）的时间×APOE×海马体积交互作用，进行了完整的协变量调整，包括基线诊断、抑郁、年龄、性别和教育。Kaplan-Meier和Cox比例风险模型将这些分析扩展到转化风险。五项预先指定的敏感性分析测试了在不同诊断分层、异常值排除、多次访问亚组和集群稳健标准误中的稳健性。这些分析共同提供了迄今为止对APOE ε4和海马体积如何共同塑造散发性阿尔茨海默病纵向认知轨迹的最全面ADNI评估。
2 材料与方法
2.1 研究人群和数据来源
数据来自阿尔茨海默病神经影像学倡议(ADNI)数据库(adni.loni.usc.edu)。ADNI是一项始于2004年的多中心纵向研究，旨在开发和验证AD检测和监测的生物标志物。参与者提供了书面知情同意，并在所有参与站点获得了机构审查委员会批准（Petersen等，2010）。
如果参与者具有：（1）APOERES表中的APOE基因型数据；（2）基线时UCSFFSX7 FreeSurfer 7流程的有效海马体积估计；和（3）至少一次纵向认知评估（MMSE、CDR-SB或ADAS-Cog13），则将其纳入。明确指定FreeSurfer质量控制"失败"的受试者被排除。数据从11个源表（人口统计学、基因型、认知、神经影像学、诊断、神经精神）中使用参与者ID（RID）和访问代码（VISCODE2）作为合并键进行整合。
2.2 变量
遗传变量： APOE ε4剂量被编码为序数连续变量（0、1或2个等位基因），源自APOERES中的GENOTYPE字段。这种剂量-反应参数化捕获了等位基因负荷效应，而不需要单独的子组模型。
海马体积： 总海马体积计算为UCSFFSX7 FreeSurfer分割中左（ST29SV）和右（ST30SV）海马体积的总和。为了解释个体间头部大小的差异，体积通过颅内体积（ICV；ST120SV）进行归一化，得到ICV调整比（HIPPO_ICV_ADJ = HIPPO_TOTAL / ICV）。基线海马体积作为纵向模型中的时间不变预测因子使用，反映了研究开始时的海马储备。
认知结果： 分析了三个有效的认知测量作为纵向结果：（1）MMSE（范围0-30，越高越好），对全局认知敏感但受天花板效应影响；（2）CDR-SB（范围0-18，越高越差），临床医生评定的痴呆严重程度测量，在整个AD谱系中具有良好的敏感性；（3）ADAS-Cog13（范围0-85，越高越差），一个经过充分验证的用于跟踪AD试验中进展的综合认知量表。
协变量： 所有主要模型都调整了基线年龄（连续）、性别（男性=1）、教育年限、基线诊断（CN/MCI/AD，建模为虚拟变量）和老年抑郁量表总分（GDTOTAL），以解决抑郁症状对认知的影响，这是一个在先前分析版本中未包含的协变量。
2.3 预处理和质量控制
预处理流程如下：原始ADNI CSV表被加载，访问代码标准化为VISCODE2格式，数据使用MMSE作为纵向骨干依次合并。在排除四个FreeSurfer"失败"扫描后，对海马体积应用ICV调整，并从等位基因对字符串导出APOE ε4剂量。从每次访问日期与每位参与者的基线日期之间的差异计算随访时间（YEARS_FROM_BL），并从出生年份和访问日期计算每次访问时的年龄。缺失的GDS值（纵向观察的10.5%）被填充为0，这与对未进行评估的假设一致；敏感性分析证实，结果对该选择不敏感。所有主要模型采用完整案例分析，要求MMSE、APOE ε4剂量、ICV调整海马体积、基线诊断、年龄、性别和教育的非缺失值。
2.4 统计分析
2.4.1 描述性统计
表2按APOE ε4剂量组总结了基线特征。连续变量以均值（SD）报告；组间比较使用Kruskal-Wallis检验。分类变量以百分比报告；组间比较使用卡方检验。
2.4.2 线性混合效应模型
主要分析使用带有每位受试者随机截距和随机斜率的线性混合效应（LME）模型，通过限制性最大似然（REML）拟合，使用statsmodels 0.14.5。每个认知结果y对受试者i在访问t处的主要模型指定为：
其中β₀是固定截距，β₁–β₁₂是固定效应系数，u₀ᵢ~N(0, σ²ᵤ₀)是受试者特异性随机截距，u₁ᵢ~N(0, σ²ᵤ₁)是受试者特异性时间随机斜率，εᵢₜ~N(0, σ²)是残差误差。APOE4表示APOE ε4剂量（0、1或2个等位基因），HIPPO表示ICV调整海马体积（HIPPO_ICV_ADJ），DX表示基线诊断（CN/MCI/AD，效应编码）。该规范包括三向交互作用所暗示的所有低阶项，确保层次良好形成的模型结构。
使用95%置信区间的固定效应Wald检验评估单个项的显著性。对于时间×海马体积双向交互作用，通过比较完整模型与省略该项的嵌套简化模型进行似然比检验（LRT），检验统计量遵循渐近χ²分布（df = 4）。三向交互作用项（β₇）的LRT不可行，因为从一个完全指定的随机斜率模型中移除这个单一高阶项会产生接近奇异的简化模型设计矩阵。这是具有多个交互连续预测因子和随机斜率的复杂LME设计中公认的数值挑战，其中简化模型变得病态，而不是传统意义上的简单嵌套（Bates等，2015）。因此，报告了完整收敛模型中三向和时间×APOE4交互作用项的Wald p值，这是这种情况下的标准做法。
2.4.3 多重比较
三个认知结果被独立建模。为控制族误差率，对主要交互作用检验应用了Bonferroni校正的显著性阈值α = 0.017（0.05/3）。MMSE（p = 0.030）和CDR-SB（p = 0.037）均达到此阈值；ADAS-Cog13（p = 0.071）未达到，报告为非显著趋势。
2.4.4 模型假设
所有三个LME模型的残差均显示零均值（所有模型的残差均值= 0.0000）和均匀残差标准差（MMSE：SD = 1.49；CDR-SB：SD = 0.70；ADAS-Cog13：SD = 2.96）。Shapiro-Wilk检验拒绝了所有三个模型的正态性（W = 0.88-0.95，p < 0.001）；然而，考虑到超过10,000次观察的样本量，中心极限定理确保了对固定效应的推断对正态性偏离是稳健的。MMSE表现出显著的天花板效应（60%的所有观察值≥28；CN中90.3%），CDR-SB和ADAS-Cog13作为受天花板限制影响较小的互补结果。
2.4.5 生存分析
通过APOE ε4剂量构建了MCI或AD转化的Kaplan-Meier曲线，使用log-rank检验进行组间差异。使用lifelines 0.30.0拟合Cox比例风险模型，以APOE4_DOSE、HIPPO_ICV_ADJ、它们的交互作用和标准协变量作为预测因子。
2.4.6 敏感性分析
进行了五项预先指定的敏感性分析：（1）按基线诊断（CN、MCI、AD）分层的LME模型，测试主要交互作用是否在不同诊断分层中普遍适用；（2）排除海马体积异常值（±3 SD均值），测试极端值的影响；（3）仅限于具有≥2次访问的参与者，评估选择效应；（4）使用三明治标准误的集群稳健普通最小二乘（OLS），提供对MMSE天花板效应和残差非正态性稳健的敏感性检查；和（5）比较多次访问与单次访问参与者在关键基线特征上的选择偏倚。
2.5 软件和实现
所有分析均在Ubuntu 24.04.03 LTS上使用Python版本3.10.20进行，使用Visual Studio Code（VS Code版本：1.111.0）作为集成开发环境。LME模型使用statsmodels 0.14.0；生存分析使用lifelines 0.27.0；数据操作使用pandas 2.2.3和NumPy 1.26.4；可视化使用seaborn 0.13.2和matplotlib 3.9.4。
2.6 数据和代码可用性
本研究中使用的数据来自阿尔茨海默病神经影像学倡议(ADNI)数据库(adni.loni.usc.edu)，可供合格研究人员申请获取。支持本研究发现的分析代码将在稿件被接受后由作者提供。
2.7 工作流程概述
图1提供了本研究实施的四阶段分析管道概述。
第1阶段涵盖数据整合。从11个ADNI源表中提取了4,717名独特受试者的原始数据，包括人口统计学、基因型、认知、神经影像学、诊断和神经精神文件。在基因型处理步骤中排除了具有缺失APOE基因型或FreeSurfer MRI质量控制"失败"指定的受试者。在完整案例过滤器中排除了核心建模变量（MMSE、基线诊断或海马体积）中不完整案例的剩余受试者。最终分析队列包括2,417名参与者，具有清理和合并的纵向数据集。
第2阶段涵盖描述性分析。按APOE ε4剂量组总结了基线特征，如表1所示。按APOE ε4剂量绘制了认知评分分布（MMSE、CDR-SB、ADAS-Cog13）和ICV调整海马体积分布。在第3.3节和补充图1中报告了所有关键变量的缺失数据率。
第3阶段涵盖统计建模。为每个三个认知结果拟合了带有每位受试者随机截距和随机斜率的线性混合效应模型。主要分析重点是时间×APOE ε4剂量×海马体积的三向交互作用，与完整的协变量集一起估计。所有三个模型的固定效应森林图显示在补充图5、6中，主稿中的主要MMSE森林图显示在图2中。
第4阶段涵盖生存和敏感性分析。使用Kaplan-Meier曲线和Cox比例风险模型评估按APOE ε4剂量的转化风险。进行了五项预先指定的敏感性分析，以测试主要发现在不同诊断分层（CN、MCI、AD）、排除海马体积异常值后、在多次访问亚组中以及使用集群稳健标准误以解决MMSE天花板效应方面的稳健性。
3 结果
3.1 基线特征
应用纳入标准后，保留了2,417名具有完整APOE基因型、ICV调整海马体积和纵向认知数据的参与者。这构成了对先前133名参与者分析的大幅扩展，由整合更新的ADNI数据发布驱动。分析数据集包含11,793次纵向观察，平均随访4.2年（范围0-19.3年），每位参与者平均4.9次访问，最多20次访问。在2,417名参与者中，2,143名（88.7%）贡献了至少两次访问。
APOE ε4剂量分布为：1,322名非携带者（54.7%），870名杂合子（36.0%），225名纯合子（9.3%）。基线诊断为：901名认知正常（CN；37.3%），1,108名MCI（45.8%），408名AD（16.9%）。平均年龄72.9±7.4岁；46.9%为女性；平均教育16.1±2.7年。
表2总结了按APOE ε4剂量的基线特征。在所有认知和结构测量指标中均观察到清晰的剂量-反应梯度。MMSE从非携带者的27.9（SD 2.4）降至纯合子的25.9（SD 3.0）（Kruskal-Wallis p < 0.001）。CDR-SB从1.1增至2.4（p < 0.001），ADAS-Cog13从13.7增至20.8（p < 0.001）。平均ICV调整海马体积随APOE ε4剂量减少（非携带者：0.71；纯合子：0.69；p < 0.001）。GDS和NPI-Q评分也随ε4剂量增加（p = 0.005和p < 0.001，分别），支持将抑郁作为协变量。AD诊断在非携带者中为10.1%，杂合子中为22.1%，纯合子中为36.4%，证实了随着遗传风险负荷增加的预期诊断富集。
图3说明了队列和基线诊断类别的APOE ε4剂量分布。随着疾病严重程度增加，ε4携带者的富集明显，AD病例比例从非携带者到纯合子急剧上升。这种模式证实了APOE ε4与阿尔茨海默病风险之间的预期剂量依赖性关联。
3.2 APOE的基线差异
表2中显示的剂量-反应梯度通过视觉和统计确认。图4显示了基线时按APOE ε4剂量的认知评分分布。纯合子表现出较低的MMSE和较高的CDR-SB和ADAS-Cog13评分，分布越来越右偏，反映了临床上显著损伤比例更高。
图5说明了基线时按APOE ε4剂量的ICV调整海马体积。观察到一致的负梯度：非携带者显示出最大体积（平均0.711±0.126），杂合子中间值（0.707±0.133），纯合子最小（0.693±0.127；Kruskal-Wallis p < 0.001）。研究开始时的这种结构梯度证实了APOE ε4与预先存在的海马易损性相关，甚至在建模纵向轨迹之前。
3.3 缺失数据
主数据集中关键变量的缺失数据率：MMSE 0.0%；CDR-SB 4.2%；ADAS-Cog13 13.6%；APOE ε4剂量13.3%；海马/ICV 13.8%；GDS 9.9%；NPI-Q 64.6%；基线诊断6.7%。NPI-Q的高缺失率（64.6%）排除了其作为模型协变量的包含；考虑到其9.9%的缺失率和临床相关性，保留了GDS。补充图1说明了完整的缺失数据模式。
3.4 持续认知轨迹
带有随机截距和斜率的线性混合效应模型确认了随访期间所有三个结果的认知变化进展。基线诊断是最强的预测因子（例如，CN vs. AD：MMSE β = +5.66，p < 0.001），其次是时间、海马体积和APOE ε4剂量。
图2显示了根据LME模型在平均协变量值处估计的按APOE ε4剂量的预测MMSE、CDR-SB和ADAS-Cog13轨迹。MMSE轨迹随时间清晰地按APOE ε4剂量分离。CDR-SB和ADAS-Cog13轨迹显示了类似的剂量分级模式，在整个随访期间保持一致。
3.5 APOE ε4×海马体积×时间交互作用
通过三向交互项时间×APOE ε4剂量×HIPPO_ICV_ADJ测试了主要假设。关键交互项总结在表3中；固定效应的森林图显示在图6（MMSE）和补充图5、6（CDR-SB和ADAS-Cog13）中。
对于MMSE，三向交互作用在Bonferroni校正阈值上显著（β = -0.79，95% CI [-1.51, -0.08]，Wald p = 0.030）。负系数表明，增加APOE ε4剂量加强了较小海马体积与MMSE随时间下降更快之间的关联。时间×海马体积双向交互作用也非常显著（β = -1.77，95% CI [-2.40, -1.14]，p < 0.001；LRT：LR = 3712.99，df = 4，p < 0.001），确认海马体积是MMSE轨迹的稳健预测因子。
对于CDR-SB，三向交互作用也显著（β = +0.47，95% CI [+0.03, +0.91]，p = 0.037）。此处的正系数方向一致：更大的APOE ε4负荷放大了较低海马体积对CDR-SB随时间恶化的效应。
对于ADAS-Cog13，三向交互作用显示了相同方向的趋势（β = +1.29，95% CI [-0.11, +2.69]，p = 0.071），但未达到Bonferroni校正阈值。这与ADAS-Cog13的更大变异性以及由于更高缺失数据率（13.6%）而略小的分析样本一致。
似然比检验确认了海马体积作为时变预测因子的核心作用。省略3向或时间×APOE项的简化模型遇到接近奇异（高阶LME设计的已知数值限制），Wald检验是这些项的主要推断工具。固定效应的森林图在补充图5、6中提供。
图6中每一行代表主要MMSE LME模型中的一个固定效应项。点表示系数估计（β）；水平线表示95%置信区间。0处的垂直虚线表示无效应的零假设。在零左侧的项表示与较低MMSE（认知较差）的关联；在右侧的项表示与较高MMSE（认知较好）的关联。突出显示了三向交互项（时间×APOE4_DOSE×HIPPO_ICV_ADJ）和时间×HIPPO_ICV_ADJ项，因为它们代表主要假设的效应。基线诊断项（CN、MCI vs. AD参考）显示了预期的大正效应，反映了研究开始时诊断组之间的MMSE显著差异。
图7中每个点代表基线时的一名参与者。x轴显示ICV调整海马体积；y轴显示MMSE评分。面板显示非携带者（左）、杂合子（中）和纯合子（右）。每个面板中覆盖了回归线。在所有三个组中均观察到海马体积与MMSE之间的负相关（非携带者：r = -0.18，p < 0.001；杂合子：r = -0.19，p < 0.001；纯合子：r = -0.14，p = 0.038），反映了ADNI中横断面诊断混合，而非纵向保护效应。
3.6 生存分析：转化风险
在2,417名参与者中，845名（35.0%）在中位随访1.8年（最大18.8年）期间经历了诊断转化事件（CN→MCI或MCI→AD）。Kaplan-Meier曲线（图8）显示了按APOE ε4剂量的清晰分离（log-rank p < 0.0001），纯合子最早转化。5年生存率对于纯合子显著低于非携带者。
Cox比例风险模型在具有完整预测因子数据的2,365名参与者中拟合（812个事件中的845个总转化），确认了以下内容：每个额外的ε4等位基因与转化风险增加48%相关（HR = 1.48，95% CI [1.29-1.71]，p < 0.001）。与先前分析中的无效生存发现（HR = 1.03，p = 0.84）相比，当前分析中较大的事件计数产生了充分有力的估计。这些结果与APOE ε4对MCI到AD转化率影响的荟萃分析估计一致。
图8中曲线显示了作为基线后时间（年）函数的未经历诊断转化事件（CN→MCI或MCI→AD）的参与者比例。线表示非携带者（蓝色）、杂合子（橙色）和纯合子（红色）。阴影区域表示95%置信区间。每个时间点的危险人数显示在x轴下方。曲线之间的分离从早期开始并随时间加宽，纯合子转化率最高（log-rank检验p < 0.0001）。
图9显示了来自Cox模型的对数转换风险比（log(HR)）及其95%置信区间。log(HR) = 0处的垂直线对应于HR = 1（无效应）。正log(HR)值表示风险增加，而负值表示保护效应。APOE ε4剂量（HR ≈ 1.48）和减少的海马体积均与转化风险增加相关。还呈现了APOE ε4和海马体积之间的交互项。误差条表示95%置信区间。
3.7 敏感性分析
表4总结了所有敏感性分析中的三向交互项。时间×海马体积效应在所有敏感性条件下一致且统计显著（所有p < 0.001至p = 0.041）。三向交互作用（时间×APOE×海马）在亚组分析中由于样本量减少而表现出预期的衰减，但在所有情况下方向保持一致。
按基线诊断分层，时间×海马体积交互作用在CN（β = -0.35，p = 0.041）和MCI（β = -1.15，p = 0.020）分层中显著，在AD中呈现趋势（β = -2.74，p = 0.073），表明海马体积预测AD连续体上的认知轨迹，但在痴呆前阶段具有最大的统计证据。在排除海马体积异常值（±3 SD；161次观察，总数的1.4%）后，时间×海马交互作用仍然高度显著（β = -1.89，p < 0.001），三向交互作用显示相似方向（β = -0.61，p = 0.166），与预期的功率减少衰减一致。≥2次访问亚组（N = 2,143）显示了方向一致的固定效应（3向：β = -0.69，p = 0.066），衰减反映了适度减少的样本量，而非方向变化。
为解决CN受试者中MMSE天花板效应（≥28的90.3%）而拟合的具有三明治标准误的集群稳健OLS显示了方向一致的结果，海马主效应和时间效应与LME结果具有可比的幅度，如预期，因为OLS忽略了受试者内相关性，因此相对于正确指定的LME低估了海马交互效应。
4 讨论
本研究提供了大规模证据，表明APOE ε4剂量调节散发性AD中海马体积与纵向认知衰退之间的关系。使用2,417名ADNI参与者（最长随访19.3年）的数据，比先前的ADNI交互作用研究大得多，我们证明了时间×APOE ε4剂量×海马体积对MMSE（p = 0.030）和CDR-SB（p = 0.037）轨迹的显著三向交互作用。这些发现表明，较大海马体积的认知保护价值在APOE ε4携带者中减弱，并且随着等位基因负荷增加而进一步减弱。
我们的结果扩展并情境化了先前在遗传确定和散发性AD中的工作。Bejanin等（2021）在Down综合征队列中证明，APOE ε4携带者在CSF、血浆、PET和MRI等多种模式下经历了更早的生物标志物变化和临床发作。Fortea等（2020）描述了Down综合征中生物标志物进展的自然史，确定海马萎缩是晚期标志物，前面有淀粉样蛋白和tau异常。我们的发现将这种基因-脑交互作用框架扩展到散发性AD，其中遗传异质性显著更大，通过证明APOE ε4剂量在人群规模上调节海马-认知关联。
海马结构性储备假说提出，具有更大海马体积的个体在认知后果方面对等量的淀粉样蛋白和tau病理具有更大的耐受性（Stern，2012）。我们的结果大体上与此框架一致：显著的时间×海马体积交互作用（LRT p < 0.001）确认海马体积是MMSE轨迹的稳健预测因子。APOE ε4剂量的附加调节作用（三向交互作用）表明，这种保护性储备根据遗传风险负荷不同程度地被侵蚀——这一发现对风险分层具有直接意义。具体而言，基线时具有相同海马体积的两个人可能根据APOE ε4携带者状态面临明显不同的认知轨迹。
生存分析强化了这一图景：每个额外的ε4等位基因使转化风险增加48%（HR = 1.48，95% CI [1.29-1.71]），Kaplan-Meier曲线从随访早期开始显示清晰分离。这与我们先前分析中的无效转化发现（HR = 1.03，p = 0.84）形成鲜明对比，其中事件不足（少于30个）使有意义的推断无法进行。当前分析有845个转化事件，提供了与APOE对MCI到AD转化率影响的已发表荟萃分析一致的充分有力的估计。
几项方法学优势支持对这些发现的信心。首先，APOE ε4被建模为连续剂量变量（0、1、2个等位基因），比二元携带者/非携带者编码更精确地捕获等位基因负荷效应。其次，海马体积被处理为连续的ICV调整测量，而不是先前提交中使用的中位数分割分类变量，这是一个关键的方法学改进，保留了统计信息，也是审稿人特别要求的。第三，GDS作为抑郁协变量的纳入解决了抑郁症状对认知表现的混杂影响，基线诊断作为协变量的纳入控制了ADNI样本的异质性诊断组成。第四，全面的敏感性分析，包括五项预先指定的检查，证明海马体积效应在不同诊断亚组中普遍适用，不受体积异常值驱动，也不是单次访问纳入的人工产物。
4.1 局限性
应承认若干局限性。尽管样本按ADNI标准较大，但ADNI参与者主要是白人、受教育程度高、基于志愿者的，这可能限制对更广泛社区人群的推广。此处使用的海马体积测量反映了单次基线评估；纵向海马萎缩率可能是更敏感的预测因子，但由于ADNI阶段之间的数据协调限制而未建模。ADAS-Cog13未达到三向交互作用的Bonferroni校正阈值（p = 0.071），我们将其解释为需要确认的趋势而非阳性发现。NPI-Q神经精神测量仅对35.4%的参与者可用，无法作为模型协变量包含。最后，虽然GDS被纳入作为抑郁协变量，但其他情绪和神经精神症状的残余混杂不能排除。
5 结论
本研究证明APOE ε4剂量在散发性AD中显著调节海马体积-认知衰退关系。时间×APOE ε4剂量×海马体积对MMSE和CDR-SB轨迹的显著三向交互作用，与多种敏感性分析一致，并得到有力生存分析的支持，支持将遗传和结构性成像信息整合用于个体风险分层。未来研究应检验纵向海马萎缩率作为效应修饰符，并在多样化、基于社区的队列中验证这些交互效应。结合遗传和成像标志物代表了通往阿尔茨海默病个性化监测和靶向干预的有希望的途径。
【全文结束】