DRUGAI
今天为大家介绍的是来自英国爱丁堡大学William P. Cawthorn团队的一篇论文。骨髓脂肪组织是一种独特的脂肪亚型，在健康人体中占脂肪总量的10%以上。然而，这种组织的功能和病理生理学相关性尚不清楚，其遗传决定因素也仍未知。在本研究中，作者运用深度学习技术，对约47,000名英国生物库参与者的MRI扫描进行分析，测量其股骨头、全髋、股骨干和脊柱的骨髓脂肪含量，这些参与者包括超过41,000名白人和6300多名非白人。作者随后确定了各部位骨髓脂肪含量的遗传力，并进行全基因组关联分析。在白人群体的meta-GWAS分析中，作者分别发现了67、147、134和174个独立显著的单核苷酸多态性位点，这些位点分别对应于股骨头54个、全髋90个、股骨干43个和脊柱100个基因。通过转录组范围关联研究、共定位分析以及按性别分层的meta-GWAS分析，作者进一步明确了与各部位骨髓脂肪含量相关的功能基因和性别特异性基因。最后，作者进行了多族裔meta-GWAS分析，以确定在不同骨骼区域和不同族裔群体中与骨髓脂肪含量相关的基因。作者的发现为骨髓脂肪组织的形成和功能提供了新的见解，并为研究骨髓脂肪组织对人类健康和疾病的影响奠定了基础。
骨髓是从鱼类到哺乳动物各物种重要的脂肪储存部位。骨髓中的脂肪细胞共同构成骨髓脂肪组织(BMAT)，在瘦且健康的成年人体内，BMAT占骨髓体积的70%以上，占总脂肪量的10%。在多种疾病和医源性情况下，如骨质疏松、肥胖和2型糖尿病、放射治疗和糖皮质激素治疗等，BMAT会进一步增加。有趣的是，在能量缺乏状态下，如神经性厌食或热量限制时，BMAT也会增加。BMAT的分子和功能特性具有部位特异性，在中轴骨骼和四肢骨骼之间存在差异。尽管BMAT具有潜在的生理和临床意义，但与白色和棕色脂肪组织相比，对其的研究仍然有限；因此，作者对BMAT的形成和功能的理解仍相对较少。
磁共振成像(MRI)，包括磁共振波谱(MRS)，仍然是无创测量人体骨髓脂肪含量的金标准方法。通过MRS和基于化学位移编码的水脂分离方法，MRI可以对骨髓脂肪分数(BMFF)进行量化。在众多小规模人群队列研究中，已经测量了BMFF，这些研究揭示了BMAT与人体骨骼和代谢健康关系的一些见解。例如，通过腰椎MRS测量发现，较高的骨髓脂肪含量与骨质疏松和非骨质疏松受试者的形态学椎体骨折和较低的骨密度(BMD)相关。然而，这些研究分析的参与者从未超过729人，限制了发现其他关联的能力。因此，在人群规模上测量BMFF有巨大潜力揭示BMAT生物学的基础性新知识。
现在使用英国生物库(UKBB)可以进行如此大规模的BMFF分析。在这项全球最大的健康影像研究中，10万名UKBB参与者正在接受大脑、心脏和全身的MRI检查，以及双能X射线吸收测量(DXA)以测定骨密度。利用这些MRI数据，作者已经建立了深度学习模型，可以有效地测量脊柱、股骨头、全髋和股骨干的BMFF。这四个部位覆盖了中轴和四肢骨骼，并包括主要的骨折负担部位，确保BMFF测量能够检测到部位特异性和具有临床相关性的BMAT特征。此后，作者已将深度学习模型应用于超过45,000名个体的多部位BMFF测量，并对全基因组关联研究(GWAS)进行meta分析，以确定与每个部位BMFF改变相关的基因。本文报告了这些研究的发现，这是迄今为止对骨髓脂肪含量最大规模的分析。
对超过 4万5千名参与者的股骨头、全髋、股骨骨干和脊柱的 BMFF 进行深度学习分析
研究人员使用经过验证的深度学习模型对UKBB多模态影像研究参与者的股骨头、全髋、股骨干和脊柱的BMFF进行测量（图1A）。根据UKBB发布的MRI数据的可用性，BMFF测量分两批进行；这两批共包括50,226名参与者。经过样本质量控制后，用于GWAS分析的样本包括：股骨头38,581名白人和5933名非白人参与者，全髋38,394名白人和6047名非白人参与者，股骨干37,513名白人和5844名非白人参与者，以及脊柱41,204名白人和6367名非白人参与者（表1；补充数据1-6）。这些数据共代表48,608名UKBB参与者（图1A）。各骨骼区域研究样本的基线特征总结在表1中。
图 1
表 1
在对每个骨骼区域进行meta-GWAS之前，作者首先评估了深度学习得出的BMFF测量结果是否显示预期的解剖特征和生理关联（图1B）。在整个队列和两性中，脊柱BMFF显著低于各股骨区域的BMFF（图2A；表1），这与既往研究结果一致。三个股骨区域之间的BMFF也存在显著差异，股骨头最高，股骨干最低（图2A；表1）。然而，各部位BMFF之间存在显著相关性：三个股骨区域之间的相关性最强，而脊柱与各股骨部位之间的相关性较弱（图2B）。既往研究发现脊柱BMFF存在年龄依赖性的性别差异。与此一致，作者发现40-49岁年龄组男性的脊柱BMFF高于女性，但在其他所有年龄组中女性均高于男性（图2C）。相比之下，不论年龄如何，各股骨区域的BMFF均表现为男性高于女性（图2D-F）。
图 2
种族会影响体脂分布，并且不同种族在骨髓脂肪含量上可能存在差异。为了验证这一点，作者根据UKBB基于遗传种族分组的分类，比较了白人和非白人参与者在各个部位的骨髓脂肪分数（BMFF）（图1B）。对于男性和女性而言，白人参与者的脊柱BMFF高于非白人参与者，而骨干BMFF则低于非白人参与者。相比之下，股骨头和全髋部位的BMFF在白人和非白人参与者之间没有显著差异。这些与种族相关的差异在控制年龄和体重指数后依然存在，即使在进一步控制相应骨骼部位（脊柱和股骨干）的骨密度（BMD）后也普遍存在，尽管这略微减小了男性骨干部位的差异。为了更好地理解这些差异，作者根据每个参与者自报的种族身份，进一步分析了亚裔、黑人和非白人混合种族亚组。对于每个性别，白人参与者的脊柱BMFF显著高于黑人或非白人混合种族参与者，但与亚裔参与者之间没有差异。黑人参与者的脊柱BMFF也低于亚裔或非白人混合种族参与者。女性的股骨头BMFF呈现类似模式，而在男性中，股骨头BMFF仅在亚裔与白人或非白人混合种族参与者之间存在差异，其中亚裔的BMFF较低。然而，在调整各部位的BMD后，黑人与白人或亚裔与白人参与者之间出现了显著差异。
作者进一步研究了BMFF与其他关键生理特征之间的关联（图1B）。在各个部位，BMFF与年龄呈正相关（图2C-F），与BMD呈负相关（图3A-D）；后者在脊柱和骨干部位表现最为明显。这些稳健的关联与许多先前的研究一致，证实了作者的BMFF测量结果的可靠性。由于一些研究报告肥胖会导致BMFF增加，作者进一步评估了各部位的BMFF是否与BMI或外周脂肪含量相关。
图 3
各个股骨部位的BMFF与BMI和腰臀比（WHR）呈负相关，这种关系在是否控制BMD的情况下都存在。股骨BMFF与其他脂肪指标之间的关系更为复杂。MRI测量的内脏脂肪组织体积（VATi）与股骨头BMFF呈正相关，在女性中尤为明显，但与全髋或骨干BMFF呈负相关。相比之下，在调整各部位BMD后，MRI测量的腹部皮下脂肪组织体积（ASATi）与股骨头和骨干BMFF呈负相关，但与全髋BMFF呈正相关；对于股骨头和全髋，这些与ASATi的关联在男性中比女性更强。
在女性中，股骨头BMFF与DXA测量的总体脂肪百分比以及躯干、腹部和妇科区域的脂肪质量百分比呈正相关，但在男性中这些关联要么为负，要么不显著，特别是在控制BMD后。腿部脂肪百分比与两性的股骨头BMFF均呈正相关，这种关联在控制BMD后减弱。对于全髋BMFF，两性都与总体脂肪百分比以及妇科、腿部、躯干或腹部区域的脂肪百分比呈正相关；后两者在控制BMD后仅在女性中仍然显著。骨干BMFF与总体或区域脂肪质量百分比呈负相关，在女性中尤为明显，而在男性中与妇科或腿部脂肪百分比呈正相关。后者在控制BMD后不再显著。
在脊柱部位，BMFF在男性中与BMI呈正相关，但在两性或仅在女性中与BMI呈负相关；在控制BMD后，这些关联在男性、女性和两性合并中都变为强正相关。脊柱BMFF还与WHR、VATi、ASATi以及总体或区域脂肪质量百分比呈正相关，这些关联在控制脊柱BMD后仍然存在。因此，与股骨部位不同，脊柱BMFF与BMI和所有其他外周脂肪指标呈正相关。这证实并大大扩展了先前关于肥胖导致脊柱BMFF增加以及股骨BMFF与ASAT呈负相关的研究报告。
白人群体的Meta-GWAS分析
作者在UKBB中未存在亲缘关系的白人参与者群体中进行了meta-GWAS分析（合并两批BMFF测量数据），以识别与各个骨骼区域BMFF相关的遗传变异（补充数据3-4）。共有11,353,112个遗传变异通过质量控制[印证质量得分（INFO）> 0.4且次等位基因频率（MAF）> 0.005]。作者使用逆方差加权（IVW）固定效应模型对两个GWAS进行meta分析，并对成像访视时的年龄、性别、成像访视时的BMI、基因分型批次和前40个主成分的人群结构进行了调整。GWAS样本质量控制详细信息见补充数据1、2，白人无关GWAS样本的基本特征总结见补充数据3、4。通过LDSC估计的每批次GWAS的基于SNP的遗传力（h2SNP）、λGC和遗传相关性（rg）结果见补充数据10和补充图2-9。
图 4
在股骨头meta-GWAS分析中，作者识别出67个独立的SNPs（r2 < 0.6）和23个主要SNPs（r2 < 0.1），位于18个基因组风险位点，I2 < 65%，达到全基因组显著性水平（P < 5 × 10^-8）（图4；补充数据11、12）。通过meta分析结果用LDSC估算的BMFF的h2SNP为19.99%（SE = 2.27%），LDSC截距接近1（截距_meta=1.008，SE = 0.009），表明meta分析中的通货膨胀（λGC_meta=1.114）与多基因性一致。报告的关联效应大小方向在meta-GWAS和两个独立批次的GWAS中是一致的。作者使用FUMA基于位置映射对股骨头meta-GWAS中涉及的候选遗传变异进行映射，共识别出54个映射基因（图4；补充数据13）。
作者识别出147个独立的SNPs（r2 < 0.6）和48个主要SNPs（r2 < 0.1），位于29个基因组风险位点，I2 < 65%，达到全基因组显著性水平（P < 5 × 10^-8）（图4；补充数据11-12）。LDSC结果表明，这些信号主要由多基因性驱动，h2SNP = 27.37%（SE = 2.28%），截距_meta=1.019（SE = 0.008），λGC_meta = 1.159。每个批次的GWAS结果与meta-GWAS结果高度一致。FUMA位置映射在全髋meta-GWAS中识别出90个基因（图4；补充数据13）。
在股骨骨干meta-GWAS分析中，作者识别出134个独立的SNPs（r2 < 0.6）和37个主要SNPs（r2 < 0.1），位于18个基因组风险位点，I2 < 65%，达到全基因组显著性水平（P < 5 × 10^-8）（图4；补充数据11、12）。基因组通货膨胀程度适中（λGC_meta=1.146），与多基因性一致（h2SNP = 27.52%，SE = 2.48%；截距_meta=1.009，SE = 0.009）。报告的关联效应大小方向在两个批次和meta-GWAS中保持一致。作者在股骨骨干meta-GWAS中发现43个映射基因（图4；补充数据13）。
在脊柱meta-GWAS分析中，作者识别出174个独立的SNPs（r2 < 0.6）和51个主要SNPs（r2 < 0.1），位于38个基因组风险位点，I2 < 65%，达到全基因组显著性水平（P < 5 × 10^-8）（图4；补充数据11、12）。通过LDSC估算的BMFF的h2SNP为24.98%（SE = 2.65%）。LDSC截距为1.014（SE = 0.011），接近1，表明观察到的基因组通货膨胀（λGC_meta=1.146）主要是由多基因性而非人群分层造成的。作者发现报告的关联效应大小方向在两个批次和meta-GWAS中高度一致。FUMA位置映射在脊柱meta-GWAS中发现100个基因（图4；补充数据13）。
此外，为了评估BMI调整对BMFF性状关联的影响，作者比较了四个骨骼区域在有无BMI调整情况下的meta-GWAS结果。分析未发现结果存在明显差异（补充数据14-18）。BMFF关联的beta值方向保持不变，beta值差异的中位数约为1.6 × 10^-5（补充数据15、17）。
图 5
基于对BMI调整后meta-GWAS的基因映射，作者在所有四个骨骼区域中识别出一个基因（TIMP4），在三个骨骼区域中识别出10个基因（LEPR、LEPROT、PPARG、TERT、CCDC170、ESR1、COLEC10、TNFRSF11B、TNFSF11、AKAP11），在两个骨骼区域中识别出34个基因（表2；图5）。许多基因关联对每个区域都是独特的，包括股骨头37个独特基因、全髋48个、骨干25个和脊柱73个（图5；补充数据13）。
表 2
此外，作者对Meta-GWAS的功能注释测试了更严格的阈值。补充数据19、20展示了基于全基因组显著性P值 < 5 × 10^-8的结果，其中独立显著SNPs的连锁不平衡（LD）阈值为r2 < 0.3，主要SNPs的阈值为r2 < 0.1。在P值 < 5 × 10^-8的显著性水平下，比较使用不同LD阈值（r2 < 0.3与r2 < 0.6）识别的独立显著SNPs时，作者发现更严格的阈值（r2 < 0.3）在所有骨骼区域识别的独立显著SNPs数量大约是较宽松阈值的一半[股骨头：n = 34；全髋：n = 72；骨干：n = 65；脊柱：n = 80，相比之下较宽松阈值为：股骨头：n = 67；全髋：n = 147；骨干：n = 134；脊柱：n = 174]（补充数据20）。尽管数量减少，但在更严格阈值下识别的所有SNPs（主要和独立显著SNPs）都包含在使用较宽松阈值识别的SNPs中（补充数据23），这加强了研究发现的可靠性。
此外，补充数据21、22使用了相同的LD r2阈值，但全基因组显著性P值更严格（< 1 × 10-8）。总的来说，在不同LD和P值阈值下识别的SNPs有很高的重叠度：虽然更严格的阈值（r2 < 0.3；P值 < 1 × 10^-8）减少了识别的独立SNPs数量，但这些SNPs与使用较宽松阈值（r2 < 0.6；P值 < 5 × 10^-8）识别的SNPs基本一致（补充数据21-23）。因此，更严格的阈值并未实质性地改变主要发现，这进一步证实了使用LD r2 < 0.6和P值 < 5 × 10^-8得到的结果的可靠性。
编译|黄海涛
审稿|王梓旭
参考资料
Xu, W., Mesa-Eguiagaray, I., Morris, D. M., Wang, C., Gray, C. D., Sjöström, S., ... & Cawthorn, W. P. (2025). Deep learning and genome-wide association meta-analyses of bone marrow adiposity in the UK Biobank. Nature Communications, 16(1), 99.
