哈喽，馆长又来跟各位宝子们分享干货啦！老手们都明白，想要在游戏世界里大杀四方，就得集齐装备。同样，在科研领域，我们也需要一些强大的“制胜法宝”。没错，今天馆长为大家带来了三大“科研神器”：NHANES数据库、机器学习和孟德尔随机化——当这三大法宝聚在一起，会碰撞出怎样的创新火花呢？
偷偷告诉屏幕前的你，不做实验，不采样本也可以发文章啦！机器学习×MR强强联手，教你用公共数据躺赢高分文章！
今天就来给宝子们分享一篇超厉害的文章-《Exploring the Triglyceride - Glucose Index's Role in Depression and Cognitive Dysfunction: Evidence from NHANES with Machine Learning Support》。贴心的馆长已经帮大家把文章要点都整理好啦，快来一起学习学习～
亮点足：
文章使用高质量、具有代表性的美国国家健康和营养调查（NHANES）的数据，利用机器学习算法进行建模，并结合因果论证，全面估计肥胖与脂质代谢指标、抑郁和认知功能障碍之间的关系。
创新优：
三酰甘油-葡萄糖指数（TyG指数）作为胰岛素抵抗的替代标志，与心血管等代谢性疾病的关系已有较多研究，但与精神健康领域的关联研究还相对较少，文章在这方面进行了有益的探索。
逻辑强：
文章首先通过描述性统计展示了TyG指数与抑郁、认知功能之间的相关性。随后利用多元线性回归分析调整了混杂因素，发现TyG指数与抑郁存在负相关。最后，采用机器学习和MR进一步验证结果。整体上，文章的论证逻辑清晰，从相关性分析到因果推断步步为营。
PS：思路复现有难度？生信小白不会分析？服务器带不动？快来联系馆长吧，让你不再为科研而烦恼。
定制生信分析
生信服务器
加好友
备注“99”
领取试用
题目：探索甘油三酯-葡萄糖指数在抑郁症和认知功能障碍中的作用：基于NHANES数据的机器学习支持研究
研究背景
随着全球人口老龄化趋势的加剧，抑郁和认知功能障碍成为老年人常见的心理健康问题，严重影响老年人的生活质量。近年来的研究表明，肥胖及脂质代谢紊乱等代谢异常与心理健康之间存在显著关联。TyG指数作为一种简便、低成本的代谢指标，常被用于评估胰岛素抵抗和代谢综合征，但与抑郁和认知功能障碍的关系尚未得到充分研究。因此，本研究结合了传统的统计方法与现代的机器学习技术，系统探讨了TyG指数与老年人群心理健康问题的潜在关联，旨在为相关疾病的早期预警和干预策略提供科学依据和创新思路。
数据来源
本研究使用的数据来自NHANES数据集，可在https:// www. cdc. gov/ nchs/ nhanes/获取。本研究招募了年龄在60至79岁之间、有TyG指数信息且接受了全面认知功能测试和抑郁评分的参与者。在排除了缺少协变量信息的受试者后，最终纳入了1,352名个体。
研究思路
本研究采用2011-2014年NHANES数据库中60-79岁参与者的数据，通过多变量线性回归和亚组分析研究了TyG指数与抑郁和认知障碍之间的关联。随后，采用Xgboost、随机森林、LightGBM、SVM和深度神经网络5种不同的机器学习模型预测抑郁因素的重要性。最后，结合MR进一步验证，全面分析了TyG指数、体重指数（BMI）与抑郁和认知功能之间的因果关联。
PS:代码跑得贼6，文章却总被批没新意？文献看了一箩筐，下笔还是像挤牙膏？没关系，都能解决，关注馆长，我们将为您提供免费思路评估和定制生信分析，让你的科研账号从郊区苟到峡谷五杀！
研究结果
1.
NHANE样本的一般特征
基于NHANES样本的权重，本研究分析的样本量为1,352名参与者。研究者根据TyG指数四分位数总结了研究人群的基本特征（表1）。结果表明，在年龄、家庭收入比例（RIP）、教育、BMI、腰围、关节炎、慢性心力衰竭、冠心病、糖尿病、高血压、总胆固醇、高密度脂蛋白胆固醇（HDL-C）、低密度脂蛋白胆固醇（LDL-C）、吸烟、认知功能测试和抑郁评分等变量中，TyG指数四分位数之间存在显著的统计学差异（p< 0.05）。然而，在婚姻状况、性别、种族、哮喘、中风、慢性阻塞性肺疾病（COPD）或癌症方面未观察到统计学上的显著差异（p> 0.05）。
表
1
美国甘油三酯
-
葡萄糖指数四分位数的参与者基本特征
2.
TyG指数与抑郁和认知功能障碍的关系
本研究使用加权线性回归分析探讨了TyG指数与老年人抑郁和认知功能障碍之间的关系。在调整了所有可能的干扰因素（例如年龄、性别、种族、收入、疾病共存情况等）后，发现TyG指数与认知功能没有显著关联，但与抑郁分数呈现负相关，即TyG指数越高，抑郁分数越低。（表2）这与之前的研究结果不同，之前的研究认为TyG指数与抑郁有正相关关系。研究者认为这种差异可能是由于他们的研究对象是NHANES数据库中的老年人群，而先前的研究可能包含了更广泛年龄范围或不同种族的参与者。
表
2 TyG
指数与抑郁和认知功能障碍之间的关系
3.
亚组分析
本研究采用调整后的模型（Model 3）来分析不同群体中BMI、抑郁分数和认知功能之间的关系。研究表明，在肥胖人群（BMI≥28）中，体重指数每增加100单位，抑郁分数就会下降3.79分；而在偏瘦人群（BMI<18.5）中，体重指数每增加100单位，总的记忆能力会增加54.38分。对于70岁以下的人群，体重指数每增加100单位，抑郁分数会下降3.05分。（表3）此外，研究者采用MR探索了BMI、抑郁和认知功能之间可能存在的因果关系。MR分析表明，BMI可能与抑郁症及认知功能障碍风险呈负向关联。（图1-2）为确保结果的稳健性和准确性，进行了几项敏感性分析，结果显示，没有单个SNP对结果产生不成比例的影响，且MR-PRESSO未检测到任何异常值。Cochran Q检验提示存在异质性，但漏斗图分析未显示显著的不对称性。（图3-4）
表
3 TyG
指数与抑郁和认知功能障碍之间关联的亚组分析
图1
Mr
分析结果
图2
MVMR分析的结果。BMI与认知功能（A）以及抑郁（B）之间存在负相关性
图3 MR分析BMI与抑郁的结果 (A) 留一法结果 (B) MRI结果的散点图 (C) MRI结果的森林图 (D) MRI结果的漏斗图
图4 MR分析BMI与认知功能的结果 (A) 留一法结果 (B) MRI结果的散点图 (C) MRI结果的森林图 (D) MRI结果的漏斗图
4机器学习
本研究使用了多种机器学习模型，包括Xgboost、随机森林、LightGBM、SVM和深度神经网络来预测抑郁症的严重程度。在所有模型中，Xgboost模型的性能最好，其AUC为0.960。(图5B) 研究还使用了TyG-BMI指数来评估其对抑郁症的预测能力，并通过多变量逻辑回归进一步分析TyG-BMI与抑郁症之间的关系。此外，他们使用了SHAP技术来个性化分析患者的决策，并发现TyG-BMI和BMI对模型的预测精度有积极影响。研究还发现，BMI和TyG-BMI水平越高，抑郁症的风险也越高。(图5A) 随后，研究者为了确定各种因素在抑郁症发病或预防中的重要性，生成了一个“重要性指数”，并据此对这些因素进行了排序。因素的重要性分析显示，Xgboost是表现最佳的机器学习模型。按照重要性顺序排列所有协变量后，前十重要的变量依次为性别、哮喘、中风、TyG-BMI、肺气肿、收入、BMI、种族、心力衰竭和吸烟状况（图5C）。
