数据分析神器！机器学习预测肥胖指数

根据世界卫生组织的数据，过去 40 年全球肥胖率几乎翻了三倍，超过三分之一的成年人因超重而易发心脏病、癌症等疾病，每年约造成280万人死亡。目前，超重和肥胖有多种衡量指标：

1）体重指数（BMI，最常见），用体重kg/身高cm的平方衡量体重，但不能区分脂肪和瘦肉，肌肉质量较大的人 BMI也较高；

2）腰臀比（WHR），计算腰围和臀围的比值，但只能测量人体腹部内脂肪分布，可使用腰围（WC）替代；

3）体脂百分比（BFP），使用生物电阻抗衡量人体脂肪组织与瘦肉和水的比例，但测量时容易受多种因素影响。

此外，肥胖人群遗传易感性较低，无法提供足够的信息对肥胖症和相关结局进行风险评估。因此，我们迫切的需要优化并量化表型数据，帮助我们更好的预测肥胖人群的疾病风险。今天要介绍的一篇文献是使用先进的机器学习模型，深度分析大规模人群血浆脂质组学数据、评估肥胖程度及后续疾病风险。

FINRISK 2012 样本集： FINRISK 研究是每 5 年一次的芬兰人口调查（要求参与者在检查前禁食超过4小时，且当日晨清淡饮食）。随机选取1141份血浆样本进行脂质组学检测，从中选出1061份用于分析（根据总脂质量或脂质分布紊乱进行质量控制）。

MDC-CC 样本集：MDC-CC 是瑞典的一项队列研究，旨在研究 1991 年至 1994 年颈动脉疾病的流行病学（要求参与者过夜进食后收集血浆样本）。随机选择 250 名受试者作为验证数据集。

脂质组学，机器学习（Cubist、Lasso、偏最小二乘法、随机梯度提升、随机森林和线性模型）

1. 脂质组学数据整体描述

作者利用脂质组学技术对FINRISK 2012 队列样本进行检测，获得了 183 种血浆脂质水平。分析发现，每个脂质亚种的变异系数显示种群变异为 23％至 150％，显著高于通过参考样本评估的亚种变异中值技术系数（6％）。其中，胆固醇（26％）和鞘磷脂（SM，中位数为 26％）等脂质类别变异程度较低；而饮食相关脂质变化很大，如甘油三酯（TAG）和甘油二酯（DAG）以及磷脂酰乙醇胺（PE）。此外，性别之间存在明显差异，男性的 TAG 变化更大，女性的 SM 变化更大。

2.肥胖预测模型构建

研究人员对 FINRISK 样本集获得的脂质组数据进行深入分析，以年龄和性别作为协变量建立肥胖预测模型。建模时，输入数据经过过滤，仅包含所有建模变量的完整测量值（n=1,002），输入数据随机分为训练集（80％，n=796）和测试集（20％，n=206）。使用经过交叉验证循环训练的 Lasso 回归分析，分别使用 BMI、WC、WHR 和 BFP 作为肥胖测量指标，得出平均绝对误差（MAE）和 NMAE（归一化 MAE）。从中发现通过 WHR、WC 和 BFP 测得的关于肥胖的脂质组信息比 BMI 更精确。由此可见，脂质组数据中蕴含实际体内脂肪量（BFP）及其分布（WHR/WC）的相关信息。

图 1 基于 Lasso 回归分析不同肥胖测量指标的 NMAE

3. 对比不同的 BFP 模型和条件

接下来，作者对 6 种 BFP预测模型进行训练，并在 796 个随机训练样本上学习了它们的参数：基于树的随机森林（rg）和随机梯度提升（gbm）的性能并不比普通线性模型（lm）好；偏最小二乘法（pls）性能较好，它非常适用于表征脂质组学数据集的多重共线性；而 Lasso 和 Cubist 模型显示出了更好的性能。简单的 Lasso 模型与 Cubist 模型一样适合数据，并且由于其简单性和可解释性，后续作者将 Lasso 模型用于所有其余分析。

图 2 通过 BFP 的 MAE 比较 6 种不同的回归算法

4.BFP 模型的描述

对不同模型比较发现，最佳的 BFP Lasso 模型（MAE=3.61±0.33，可解释变异=73.2±5％）可得出 58 个脂质预测变量（下图中菱形和圆形节点），而 MAE 最低的 Lasso 模型（MAE=3.65±0.33，可解释变异=72.9±5.1％）仅得到 45 个脂质预测变量（下图中菱形节点），且基本上是 BFP Lasso 模型中58个预测变量的子集。

图 3 两个 Lasso 模型的预测变量的 Pearson 相关网络图

从上图可以看出，SM 34:1;2 具有最大的负脂质β系数，SM 34:2;2具有最大的正脂质β系数，二者在网络中彼此相关，并且它们之间只有1个双键的差异，这意味着未知的去饱和酶参与了肥胖相关的脂质代谢异常。事实上，SM（鞘磷脂）是血浆中特别稳定的脂质类，最近也有报道说鞘脂与BMI相关。

5. 肥胖模型的独立验证

图 4   训练集、测试集和验证集与基于 Lasso 回归的训练集预测结果验证

6.输入变量和脂质组分辨率水平对 BFP 的影响

为进一步评估脂质组学预测模型的价值，作者与基于临床参数的 BFP 预测进行了比较，发现在模型中添加除脂质组以外的其他变量，均不会改善 BFP 的预测。接着，作者又评估了提高脂质组结构分辨率对预测结果的影响，当使用单个脂质分子的摩尔量信息时，该模型获得了最大的改进。因此，分子脂质信息在预测 BFP 方面明显优于综合指标。

图 5 不同输入变量和脂质组细节对 BFP 回归的影响

7. 脂质与 BFP 的相关性

尽管预测算法（Lasso）会根据整体预测误差来选择特征，但不能用于定义与 BFP 相关的单个脂质组学特征。因此，作者对男性和女性受试者（包括年龄作为协变量）分别进行了脂质亚种和其他功能的全面 Spearman 相关分析，结果显示，经过 Benjamini-Hochberg 校正多种假设测试后，总共 202 种被测脂质种类中，女性的脂质亚种中有 53.5％（108），男性中有 65.3％（132）与 BFP 显著相关，还观察到所有脂质类别均具有显著相关性。这些结果表明，肥胖状态下脂质代谢的系统性复杂扰动。

图 6 脂质亚种与 BFP 的相关性

作者使用高级的机器学习模型，根据大队列中的血浆脂质组预测肥胖的不同测量方法，将脂质组学与机器智能建模完美结合。作者利用多种机器智能模型训练和比较，筛选出最佳的模型算法，最终发现对建模算法影响最大的脂质是含有 4E,14Z-鞘二烯的鞘磷脂。