源自风暴统计网：一键统计分析与绘图的AI网站

  引言

本文使用机器学习首次构建了基于口腔微生物的“衰老时钟”，并提出[口腔微生物组衰老加速评分]，无论是研究思路还是实践应用，都意义重大！

话不多说，速学！

ps：想第一时间掌握前沿思路、把握发文技巧的，欢迎加入郑老师团队保发表训练营，全流程服务，科研小白也友好！

实足年龄并不能准确反映个体的真实健康状态。识别能够衡量生物年龄的非侵入性生物标志物，是预防医学的重要目标。尽管已有基于肠道微生物组的“衰老时钟”，但口腔微生物组作为潜在的定量生物标志物仍未被充分探索。

2026年4月17日，浙江农林大学学者利用NHANES公共数据库，在顶刊Nature子刊《 nature communications》（医学一区top，IF=15.7)发表了一篇题为：“Oral microbiome signatures predict biological age and host health”的研究论文，旨在利用口腔微生物组数据构建生物年龄预测模型，并评估其与死亡率、衰弱及主要年龄相关疾病的关联。

本公众号回复“ 原文” 即可获得文献PDF等资料，如需NHANES数据库方法学习，请联系郑老师团队，微信号：aq566665

研究数据来源于美国国家健康与营养调查（NHANES）的两个连续横断面队列：

• 发现队列：NHANES 2009‑2010 周期，共 2,029 人

• 验证队列：NHANES 2011‑2012 周期，共 2,646 人

此外，研究还使用了一个独立外部验证数据集，包含来自美国、英国、坦桑尼亚等多个国家的 1,293 份样本（年龄 30‑70 岁）。

图1 队列情况和前期准备

研究利用广义加性模型筛选出与年龄显著相关的口腔菌属，采用随机森林算法基于这些菌属构建实足年龄预测模型，并将预测年龄与实足年龄的残差定义为“口腔微生物组衰老加速（OMAA）评分”。

随后，通过Cox回归、线性回归、Logistic回归及Bootstrap重采样等方法，评估OMAA评分与全因死亡率、衰弱、肾功能及多种慢性疾病风险的关联。

图2 研究设计和流程

主要研究结果

研究共识别出 64 个年龄依赖性口腔菌属，并基于这些菌属构建了预测实足年龄的机器学习模型。

在独立外部队列（N = 1,293）中，该模型预测年龄与实足年龄的 Spearman 相关系数为 0.22（P = 2.17×10⁻¹⁵），平均绝对误差为 12.63 年，显示出良好的泛化能力。

图3 基于口腔微生物组的年龄预测

Cox 回归显示，OMAA 评分（预测年龄与实足年龄的残差）每增加 1 单位，全因死亡风险增加 5%，衰弱风险增加约 5%。

图4 OMAA评分与全因死亡率和衰弱的关联

OMAA 评分与肾功能关键指标——估算的肾小球滤过率（eGFR）呈显著负相关。

图5 OMAA评分与eGFR的散点图

在传统风险因素基础上加入 OMAA 评分后，对癌症的预测 AUC 从 0.67 提升至 0.70（P = 0.009），对心脏病发作的预测 AUC 从 0.76 提升至 0.79（P = 0.016）。

这表明，口腔菌群携带了超越已知风险因素的、与疾病发生相关的额外生物学信息。

图6 慢性疾病预测模型的ROC曲线比较

此外，膳食成分和药物使用对 OMAA 评分的预测效果极弱，这提示OMAA评分主要捕捉的是宿主内在的、系统性的衰老生物学过程，而非短期外部因素的扰动。

综上，该研究揭示了口腔微生物组衰老加速（OMAA）不仅与全因死亡率、衰弱、肾功能下降显著相关，还能在传统风险因素基础上改善癌症和心脏病的风险预测。

作为一种无创、简便、可扩展的工具，口腔冲洗液微生物组分析有望整合到常规临床筛查和公共卫生干预中，为识别高风险个体、评估衰老相关疾病易感性提供新的生物标志物。

---

郑老师统计团队及公众号

全国较大的线上医学统计服务平台，专注于医学生、医护工作者学术研究统计支持，我们是你们统计助理！

我们提供各式医护科研设计与统计服务：

1️⃣研究者发起的临床试验项目

2️⃣临床预测模型与机器学习方法

3️⃣医学数据库NHANES、GBD、孟德尔随机化等挖掘发表级数据

4️⃣NHANES、CHARLS医学数据库保发表训练营

联系助教陈老师咨询（微信号sas555777）

记得点个小小的关注👇

持续分享NHANES数据库的高分发文思路