尿液中挥发性有机化合物代谢物与成人肺功能之间的关联：来自2011–2012年NHANES研究的证据

《The Clinical Respiratory Journal》：Association Between Volatile Organic Compound Metabolites in Urine and Adult Lung Function: Evidence From NHANES 2011–2012

　　摘要

目标
据报道，挥发性有机化合物（VOCs）在日常低水平暴露下与不良呼吸系统后果有关。然而，在众多VOCs中，以及烟草作为普通人群中VOCs的可能来源方面，主要贡献因素尚未完全揭示。本研究旨在探讨尿液中VOCs代谢物（UM-VOCs）混合物与成人肺部健康之间的关联。

方法
我们使用了2011-2012年国家健康与营养调查（NHANES）的数据，针对16种UM-VOCs进行了分析。首先，我们使用线性回归来评估单一化合物与肺部健康之间的关联。接下来，我们利用BKMR模型来评估整体效应，并试图理解吸烟的潜在调节作用。

结果
我们的线性回归分析表明，大多数UM-VOCs与肺功能呈负相关。在多变量线性回归模型中，AMCC、CYMA、MHBMA3、3HPMA、AAMA和MA的尿浓度（μg/mmol Cr）每增加一个单位，1秒用力肺活量（FEV1/FVC）比值分别减少了3.5%、1.6%、2.3%、3.0%、3.2%和4.6%（所有p<0.05）。此外，3HPMA和HPMMA与喘息症状呈正相关，而2MHA和3MHA+4MHA分别与呼出的一氧化氮（FeNO）呈负相关。BKMR模型的结果显示，UM-VOCs混合物与FEV1/FVC和FeNO呈负相关。尿液中的AMCC和CYMA被确定为导致FEV1/FVC和FeNO下降的最重要因素。随后，我们发现吸烟者体内的UM-VOCs浓度较高，分层BKMR分析显示吸烟状态对这种关联有调节作用。

结论
通过使用BKMR，我们发现在基于人群的研究中，尿液中VOCs代谢物（UM-VOCs）的较高浓度与较低的FEV1/FVC比值和较低的FeNO水平相关。这种关联主要在吸烟者中观察到，这表明烟草烟雾可能是VOC暴露的一个重要来源。

1 引言
VOCs普遍存在于环境中，其特点是沸点低，在室温下具有较高的蒸气压。烟草烟雾、车辆尾气、日常食用的食品、纺织品和家用清洁产品可能是人类接触VOCs的常见来源[1, 2]；然而，特别是基于大规模人群样本的直接证据尚缺乏。对于普通人群来说，吸入是接触VOCs的主要途径[3, 4]。由于VOCs的极性低且水溶性差，它们在反复暴露后会在生物组织中积累[5]，可能对呼吸系统产生不利影响，导致哮喘、慢性阻塞性肺病和其他肺部疾病[6-9]。最近的流行病学证据进一步支持了这些关联，包括将VOC暴露与肺功能受损和呼吸系统发病率及死亡率增加联系起来的研究[10]。FeNO来源于气道上皮细胞，是气道炎症的重要标志物[11, 12]，尤其是对于2型哮喘的诊断非常有用[13]。但也有相反的观点[14, 15]，这使得VOCs与肺功能或FeNO之间的精确关系变得复杂。此外，本研究特别探讨了烟草吸烟对肺部的影响，因为肺部是受影响的主要器官，也是烟草相关并发症的发生部位[16]。此外，吸烟与VOCs之间的关系尚未完全明了。大多数先前的研究主要通过环境样本、血液或呼吸来测量VOCs暴露情况。然而，通过空气采样来评估VOCs暴露并不等同于测量体内吸收剂量[17, 18]，而且呼吸生物化学检测也显示出较高的变异性[19, 20]。血液是最准确的生理状态指标，但抽血是一种侵入性检查，且依从性较低。相比之下，尿液中VOCs代谢物的生物半衰期较长，且不受体积和频率限制[21]。然而，较少有研究探讨尿液中VOCs代谢物与肺功能之间的关系，尤其是在大规模人群研究中。最近的研究结合了空气污染暴露、肺功能和气道炎症标志物，开始提供更全面的见解[22]。目前的大多数研究仅关注单一成分，而经常忽略混合物中的潜在相互作用。因此，本研究利用2011-2012年国家健康与营养调查（NHANES）的数据，探讨了美国成年人尿液中VOCs代谢物与肺功能和FeNO之间的关联。我们的研究为现有文献提供了几项新的贡献：首先，与大多数关注单一VOCs的先前研究不同，我们采用了贝叶斯核机器回归（BKMR）来评估16种UM-VOCs混合物的联合效应，并确定最具影响力的成分；其次，我们同时评估了肺功能参数（FEV1、FVC和FEV1/FVC）和气道炎症标志物（FeNO），以更全面地评估呼吸健康状况；第三，我们按吸烟状态进行了分层分析，以探讨吸烟者与非吸烟者之间VOC暴露与呼吸系统结果之间的差异，这可能有助于了解烟草烟雾作为VOC暴露来源的潜在作用。

2 方法
2.1 研究人群
我们使用了2011-2012年NHANES的数据集（N=9756），该数据集是一系列旨在调查美国人群健康和营养状况的基于人群的调查，并排除了尿液中VOCs代谢物（UM-VOCs）、肺功能测试或FeNO信息不完整的参与者。此外，我们还排除了协变量数据缺失的参与者，包括教育水平、贫困指数比和饮酒史等。最终，纳入分析的参与者为1020名20至79岁的成年人，他们更易受到烟草暴露的影响（图S1）。所有程序均获得了NCHS伦理审查委员会的批准，所有参与者均签署了知情同意书。

2.2 尿液VOC代谢物测量
这些代谢物的测定方法如前所述[21]。在我们的研究中，选择了检测频率≥75%的16种VOC代谢物进行纳入。表S1显示了分析中包含的母体和代谢物以及所有16种UM-VOCs的检测频率。对于本研究中评估的16种UM-VOCs，低于检测限（LOD）的值被替换为LOD/√2。此外，使用每个个体的每日尿肌酐浓度来标准化每个VOC代谢物的每日尿浓度。结果以μg/mmol Cr为单位表示。

2.3 肺功能和FeNO测量
NHANES网站（https://www.cdc.gov/nchs/nhanes/index.htm）上详细描述了相关程序。肺功能测试结果以FEV1的绝对值表示，代表空气通过较大气道的流动情况；FVC表示静态肺容量（以毫升为单位）；FEV1/FVC比值反映了较大气道的口径[23, 24]。

2.4 哮喘评估
哮喘的定义是回答“医生或其他医疗专业人员是否曾告诉你患有哮喘？”的问题为“是”，并且回答“你仍然患有哮喘”也为“是”。喘息的定义是回答“在过去12个月中，你是否有喘息或胸部鸣笛声？”的问题为“是”。

2.5 人口统计协变量
为了收集性别、年龄、种族/民族、饮酒状况、贫困收入比（PIR）、体质指数（BMI）和教育水平的人口统计数据，参与者在住所接受了专业访谈员的标准化问卷调查。种族/民族被分类为非西班牙裔白人（NHW）、非西班牙裔黑人（NHB）和其他。饮酒状况的定义是回答“一年内至少饮酒12次？”的问题为“是”。PIR是通过将家庭收入除以给定调查年的贫困标准计算得出的。身高和体重由经过培训的健康技术员按照标准化协议进行测量，并计算BMI。血清可替宁水平被测量并分为<10 ng/mL和≥10 ng/mL，以反映吸烟状况（非吸烟者定义为血清可替宁值<10 ng/mL，吸烟者定义为血清可替宁值≥10 ng/mL）。通常，数值以平均值±标准差（连续变量）或百分比（分类变量）表示。

2.6 统计分析
首先使用传统的多变量线性回归分析了每种UM-VOC浓度作为连续变量与成人肺功能、FeNO和哮喘之间的关联。对于二分类和连续结果，分别使用了逻辑模型和线性模型。由于数据分布右偏，因此对上面列出的每种UM-VOC的自然对数转换值建立了回归模型。为了解释FEV1/FVC的百分比变化，因为UM-VOC浓度经过自然对数转换，回归系数（β）表示与ln-UM-VOC浓度（μg/mmol Cr）增加一个单位相关的结果变量（FEV1/FVC）的绝对变化百分比。例如，β为-0.035表示ln-UM-VOC浓度增加一个单位与FEV1/FVC减少3.5个百分点相关。然后使用Spearman相关性分析来估计成对化学物质之间的关联。为了校正多重比较，我们使用了Li等人提出的修正有效数量[25]（详见下文）。我们通过方程（1）提取了有效测试数量（Meff），其中表示相似性矩阵的特征值。在本研究中，Meff为10。然后我们使用方程（2）进行了基于Meff的假发现率（FDR）程序来调整p值。
p值<0.05被视为稳健的结果。数据以β系数和95%置信区间（CI）的形式展示。所有模型中包含的协变量包括：年龄、种族/民族、性别、吸烟状况、饮酒状况、BMI、PIR、教育和尿肌酐。选择这些协变量是因为我们认为它们是基于先前研究结果[26-28]，是UM-VOCs与呼吸系统结果之间关联的临床相关混杂因素。据我们所知，BKMR模型在评估多种污染物的综合影响、识别混合物暴露的潜在相互作用和非线性效应以及解释混合物中每种成分的暴露-反应关系方面具有更大的灵活性[29]。因此，我们使用BKMR进行了二次分析，以与我们的主要分析进行比较。具体来说，为了研究整体效应，我们使用BKMR评估了当所有化合物固定在特定百分位数时与固定在它们中位数时的结果变量变化。为了确定每种混合物成分对整体混合物影响的相对贡献，我们计算了条件后验包含概率（PIP）[29]。PIP的范围是0到1，较大的PIP表示更显著的变量。然后，在其他所有化学物质固定在它们的中位数时，我们研究了单个化学物质与肺健康之间的单变量相关性。考虑到吸烟和哮喘的潜在调节作用，还对UM-VOCs混合物进行了分层分析。我们还使用Wilcoxon检验比较了吸烟者和非吸烟者之间的相对UM-VOC浓度。值得注意的是，无论UM-VOC暴露如何，吸烟者和哮喘患者的基线肺功能和气道炎症水平可能不同。在我们的分层BKMR分析中，我们没有额外调整基线肺功能，因为这些因素可能是吸烟/哮喘状态的中间变量或后果，而不是混杂因素。因此，分层分析应被视为描述亚组内的暴露-反应模式，而不是正式的效果调节测试。最后，我们使用双变量剂量-反应曲线来检查混合物中16种化学物质之间的潜在相互作用，通过可视化当另一种化学物质固定在不同百分位数（第25、50和75百分位数）时单一化学物质的暴露-反应函数。为了测试研究结果的稳定性，我们使用带有或不带有调整后的肌酐水平的敏感性分析方法进行了分析。所有统计计算都是使用R studio（R版本3.4.1）完成的。统计显著性定义为p<0.05（双尾）。需要注意的是，传统的多变量线性回归和BKMR模型解决的是不同的研究问题。线性回归估计了每个单独UM-VOC与健康结果的独立关联，同时考虑了其他化合物的影响。相比之下，BKMR方法在考虑组分间的相关性和潜在非线性关系的同时，评估了整个混合物的联合效应，并确定了混合物中每种化学物质的相对贡献。这两种分析方法是互补的，提供了对暴露-反应关系更全面的理解。因此，本研究旨在使用BKMR方法评估VOC暴露作为混合物的影响，同时在一个基于人群的研究环境中考察肺功能及气道炎症（FeNO）。

3 结果

3.1 研究人群

表1列出了研究人群的社会人口统计特征。共有1020名符合条件的参与者，他们拥有暴露和结果信息（见图S1）。人群加权平均年龄为44.86岁，平均BMI为28.69 kg/m2。49.5%的人口为女性，非西班牙裔白人占大多数。大约14.3%的参与者低于贫困线。超过一半的人口受教育程度较高或没有饮酒史。

3.2 多种挥发性有机化合物（UM-VOCs）水平对肺健康的影响

我们在主要分析中使用了传统的多元线性回归方法。表2和S2分别展示了每种UM-VOC浓度与肺功能、FeNO和哮喘之间的关系。如表2所示，经过校正后，某些p值仍然具有统计学意义。观察到几种UM-VOC与肺功能或FeNO之间存在统计学上的负相关。尿液中的AMCC、CYMA、MHBMA3、3HPMA、AAMA和MA的浓度每增加一个自然对数单位，FEV1/FVC分别减少了3.5%、1.6%、2.3%、3%和4.6%（p<0.05）。此外，2MHA和3MHA+4MHA与FeNO呈负相关，而3HPMA和HPMMA与喘息症状呈正相关。但是，未发现个别UM-VOC与哮喘之间存在明显关联（见表S2）。

3.3 16种UM-VOCs对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。并且，在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，与非哮喘个体相比，哮喘个体暴露于VOCs与FEV1/FVC的关联更强（见图2D）。

3.4 吸烟对VOC暴露的潜在修饰效应

为了更好地理解吸烟的潜在修饰效应，我们首先比较了吸烟者和非吸烟者的相对UM-VOC浓度，因为已知香烟烟雾是VOC的重要来源。我们发现，除了ATCA、BMA和BPMA外，其余13种化合物在吸烟者中的水平显著高于非吸烟者（见图7A，p<0.05）。值得注意的是，CYMA的几何平均值在吸烟者中显著较高，在非吸烟者中几乎为零，其次是MHBMA3、HPMMA、AMCC和AAMA。

3.5 16种UM-VOC对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内也与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，与非哮喘个体相比，哮喘个体暴露于VOCs与FEV1/FVC的关联更强（见图2D）。

3.6 吸烟对VOC暴露的潜在修饰效应

为了更好地理解吸烟的潜在修饰效应，我们首先比较了吸烟者和非吸烟者的相对UM-VOC浓度，因为香烟烟雾是VOC的重要来源。我们发现，除了ATCA、BMA和BPMA外，其余13种化合物在吸烟者中的水平显著高于非吸烟者（见图7A，p<0.05）。值得注意的是，CYMA的几何平均值在吸烟者中显著较高，在非吸烟者中几乎为零，其次是MHBMA3、HPMMA、AMCC和AAMA。

3.7 16种UM-VOC对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。并且，在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内也与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，与非哮喘个体相比，哮喘个体暴露于VOCs与FEV1/FVC的关联更强（见图2D）。

3.8 吸烟对VOC暴露的潜在修饰效应

为了更好地理解吸烟的潜在修饰效应，我们首先比较了吸烟者和非吸烟者的相对UM-VOC浓度，因为香烟烟雾是VOC的重要来源。我们发现，除了ATCA、BMA和BPMA外，其余13种化合物在吸烟者中的水平显著高于非吸烟者（见图7A，p<0.05）。值得注意的是，CYMA的几何平均值在吸烟者中显著较高，在非吸烟者中几乎为零，其次是MHBMA3、HPMMA、AMCC和AAMA。

3.9 16种UM-VOC对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。并且，在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内也与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，与非哮喘个体相比，哮喘个体暴露于VOCs与FEV1/FVC的关联更强（见图2D）。

3.10 吸烟对VOC暴露的潜在修饰效应

为了更好地理解吸烟的潜在修饰效应，我们首先比较了吸烟者和非吸烟者的相对UM-VOC浓度，因为香烟烟雾是VOC的重要来源。我们发现，除了ATCA、BMA和BPMA外，其余13种化合物在吸烟者中的水平显著高于非吸烟者（见图7A，p<0.05）。值得注意的是，CYMA的几何平均值在吸烟者中显著较高，在非吸烟者中几乎为零，其次是MHBMA3、HPMMA、AMCC和AAMA。

3.11 16种UM-VOC对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。并且，在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内也与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，与非哮喘个体相比，哮喘个体暴露于VOCs与FEV1/FVC的关联更强（见图2D）。

3.12 吸烟对VOC暴露的潜在修饰效应

为了更好地理解吸烟的潜在修饰效应，我们首先比较了吸烟者和非吸烟者的相对UM-VOC浓度，因为香烟烟雾是VOC的重要来源。我们发现，除了ATCA、BMA和BPMA外，其余13种化合物在吸烟者中的水平显著高于非吸烟者（见图7A，p<0.05）。值得注意的是，CYMA的几何平均值在吸烟者中显著较高，在非吸烟者中几乎为零，其次是MHBMA3、HPMMA、AMCC和AAMA。

3.13 16种UM-VOC对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。并且，在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内也与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，与非哮喘个体相比，哮喘个体暴露于VOCs与FEV1/FVC的关联更强（见图2D）。

3.14 吸烟对VOC暴露的潜在修饰效应

为了更好地理解吸烟的潜在修饰效应，我们首先比较了吸烟者和非吸烟者的相对UM-VOC浓度，因为香烟烟雾是VOC的重要来源。我们发现，除了ATCA、BMA和BPMA外，其余13种化合物在吸烟者中的水平显著高于非吸烟者（见图7A，p<0.05）。值得注意的是，CYMA的几何平均值在吸烟者中显著较高，在非吸烟者中几乎为零，其次是MHBMA3、HPMMA、AMCC和AAMA。

3.15 16种UM-VOC对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。并且，在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内也与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，与非哮喘个体相比，哮喘个体暴露于VOCs与FEV1/FVC的关联更强（见图2D）。

3.16 吸烟对VOC暴露的潜在修饰效应

为了更好地理解吸烟的潜在修饰效应，我们首先比较了吸烟者和非吸烟者的相对UM-VOC浓度，因为香烟烟雾是VOC的重要来源。我们发现，除了ATCA、BMA和BPMA外，其余13种化合物在吸烟者中的水平显著高于非吸烟者（见图7A，p<0.05）。值得注意的是，CYMA的几何平均值在吸烟者中显著较高，在非吸烟者中几乎为零，其次是MHBMA3、HPMMA、AMCC和AAMA。

3.17 16种UM-VOC对肺健康的联合效应

图1显示了16种UM-VOC浓度之间的Spearman系数。我们观察到大多数UM-VOC之间存在中等到高的相关性，而根据Spearman相关性的热图，只有ATCA、BMA和BPMA与其余UM-VOC之间的相关性“非常弱”。由于这些化合物之间的明显相关性，我们使用了BKMR方法来比较我们的主要分析结果。

接下来，我们估计了UM-VOC混合物对FEV1、FVC或FEV1/FVC的总体影响（见图2A-C）。正如预期的那样，我们发现FEV1/FVC的值与每种UM-VOC混合物的浓度在第六十百分位及以上时呈负相关。并且，在每种UM-VOC混合物的中位尿液浓度与某些百分位的尿液浓度之间，FEV1和FVC没有总体差异（范围为0.1到0.9百分位）。此外，UM-VOC混合物在整个暴露范围内也与哮喘、当前哮喘和喘息无关（见图3）。就FEV1/FVC而言，AMCC最为重要，其PIP值为1。其余UM-VOC的PIP值大约为零（见图2C）。与上述PIP值相对应，对于个别UM-VOC与FEV1/FVC的关系，只有AMCC显示出非单调关联，在较高浓度时呈下降趋势，而在其他UM-VOC保持其中位值的情况下，其余UM-VOC与FEV1/FVC没有关联（见图4）。此外，我们的哮喘特异性分析发现，有趣的是，在分析16种尿中挥发性有机化合物（UM-VOCs）对FeNO的影响时，我们注意到吸烟者和非吸烟者之间的趋势方向相反（即吸烟者呈负趋势，而非吸烟者呈正趋势）（见图7C）。

3.5 数据分析

为了评估我们结论的稳健性，我们通过BKMR进行了敏感性分析，以评估在是否通过尿肌酐标准化处理的情况下上述相关性。如图8所示，标准化前后暴露-反应曲线之间没有太大差异。

4 讨论

在这项研究中，我们发现普通人群接触环境中的挥发性有机化合物（VOCs）可能会损害肺功能，而烟草烟雾可能增加了VOCs的暴露。据我们所知，这是首次使用BKMR模型来探索UM-VOCs混合物与肺功能之间关联的研究。不仅如此，我们还进一步研究了FeNO（气道炎症的标志物），并区分了每种化合物的贡献。由于这项研究是横断面的设计，我们无法直接探究潜在的生物学机制。以下对潜在机制的讨论主要基于先前发表的文献，旨在为我们的观察结果提供背景和合理的科学解释。这些机制解释应被视为推测性的，需要通过未来的实验研究来验证。以往的研究主要集中在环境样本、血液或呼吸物的检测上。尽管这些样本的准确性已经通过大量的观察和实验研究得到了很好的验证，但由于对设备的高要求或依赖操作者的侵入性程序，这些方法的推广和应用受到了限制[30]。为了更好地克服这些限制，我们在本研究中试图展示UM-VOCs对肺功能的预测潜力。尿液代谢物的分析可能操作简便、成本效益高，并且对公共卫生具有广泛的意义。据我们所知，只有少数研究调查了UM-VOCs与肺功能之间的关联，且这些研究仅关注了某些方面[15, 31-33]。我们的研究全面了解了16种常见UM-VOCs对肺功能多个参数的联合和独立影响，这是对先前发现的有效补充。在我们的分析中，线性回归显示几种单独的UM-VOCs（AMCC、CYMA、MHBMA3、3HPMA、AAMA和MA）与FEV1/FVC之间存在负相关（见表2）。当使用BKMR将它们作为混合物进行研究时，16种UM-VOCs混合物在较高暴露百分位数下显示出与FEV1/FVC的显著负相关（见图2C）。重要的是，AMCC在BKMR框架中被确定为主要贡献者（PIP = 1.0），这与其在单化合物分析中的显著关联一致。这两种互补分析方法的发现结果一致，加强了AMCC在肺功能中作用的证据，而混合物分析进一步表明，多种VOCs的综合效应可能超过单独化合物所预期的效果。这两种方法发现结果的一致性增强了观察到的关联的稳健性。尽管解释VOCs如何与改变的肺功能相互作用的特定分子机制仍不清楚，但先前的研究提出了几种可能的途径。例如，实验证据表明，VOCs暴露可能导致谷胱甘肽耗竭和异常活性氧（ROS）的产生，从而引发氧化应激、脂质过氧化和DNA氧化损伤[34]。此外，有研究表明VOCs暴露可能会改变肺部表面活性剂的空气-液体界面性质[5]。然而，我们的数据无法确定这些机制是否是我们研究中观察到的关联的原因，需要进一步的研究。不过，在我们当前的研究中并未观察到FEV1和FVC的类似趋势。这一发现与之前的研究结果一致，Yoon等人发现FVC与VOCs暴露的标志物无关，而FEV1/FVC则有关[33]。特别是，我们的BKMR分析确定尿中的AMCC是混合物对FEV1/FVC影响的主要贡献者（PIP = 1.0，见图2C）。与我们的发现类似，一项队列研究发现尿中的AMCC与肺功能下降存在剂量依赖性关联[31]。此外，BKMR模型证实吸烟者和哮喘患者更容易受到VOCs引起的肺损伤。多项研究将VOCs暴露与哮喘和其他呼吸系统症状联系起来[35]。最近的一项系统评价和荟萃分析进一步支持VOCs暴露与肺功能受损和呼吸系统症状增加有关[36]。根据Zock等人的研究，频繁接触VOCs可能导致喘息增加40%，哮喘症状增加50%[37]。2005-2006年的NHANES研究也发现，较高的丙烯酰胺（AAMA的母体化合物）暴露与女性哮喘风险增加53%和成人喘息增加65%显著相关[38]。我们的研究还显示3HPMA和HPMMA与喘息有单独的正面相关性。然而，在当前的研究中，无论是线性回归还是BKMR模型分析，都没有观察到哮喘或当前哮喘的统计学显著变化。这可能部分归因于有症状个体的样本量较小，可能导致统计有效性不足。FeNO与嗜酸性粒细胞炎症相关，用于衡量气道中辅助T细胞2型（Th2）过敏炎症的严重程度，反映了潜在的气道炎症过程[39]。BKMR分析表明，高浓度的UM-VOCs与FeNO呈负相关，而在低于第50百分位数的浓度下则呈现相反但不显著的趋势。尿中的CYMA（丙烯腈的代谢物）被确定为FeNO下降的最主要贡献者。但目前没有关于VOCs如何导致FeNO变化的相关机制研究。炎症理论似乎不足以解释我们的研究结果，因为需要注意的是，污染物暴露与不良呼吸系统效应之间的关系可能涉及过敏和非过敏途径[40]。对于UM-VOCs来说，这两种机制都可能起作用[35, 41]。FeNO可能无法准确反映Th1炎症，而且低水平的FeNO可能伴随着中性粒细胞计数的升高[42]。此外，我们的研究中没有很好地区分COPD，而FeNO的水平已被报道具有高度变异性[43]。值得一提的是，我们的研究评估了吸烟对UM-VOCs与肺功能参数关联的修改效应，使用了BKMR方法。在此之前，我们比较了吸烟者和非吸烟者的UM-VOCs浓度。吸烟者的大多数VOC代谢物水平高于非吸烟者，这与之前的研究结果一致[1, 21, 44]。随着UM-VOCs浓度的增加，只有吸烟者的FEV1/FVC出现下降。对此，我们提出了两种可能的假设：首先，吸烟增加了对肺损伤的敏感性，这是由VOCs引起的；其次，烟草烟雾是VOCs的主要来源。综合我们的研究结果，后者可能起着更重要的作用；然而，我们的结论仍需通过其他基于人群或实验的研究来进一步验证。有趣的是，在分析16种UM-VOCs对FeNO的影响时，我们注意到吸烟者和非吸烟者之间的趋势方向相反。根据Kharitonov等人的研究，吸烟者的FeNO水平比非吸烟者低50%以上[45]。这可能是由于NO生成减少（表现为肺上皮细胞中可诱导的一氧化氮合酶（iNOS）活性降低[46]，以及吸烟刺激的ROS增加导致NO转化为过氧亚硝酸盐[45]所致。因此，我们合理推测VOCs和香烟烟雾的影响在很大程度上是重叠的。对于非吸烟者来说，相反的趋势可能是由于某些特定的UM-VOCs（如ATCA、BMA和BPMA）在非吸烟者中的水平较高。由于吸烟者和非吸烟者的VOCs暴露谱明显不同，且某些VOCs可以区分Th1型和Th2型炎症[47]，而FeNO仅与Th2型炎症相关，这表明烟雾相关肺损伤涉及一些不明确的机制，需要进一步的研究来验证我们的推测。我们承认这项研究存在一些局限性。首先，横断面设计无法有效得出合理的因果解释。其次，我们使用自我报告的哮喘情况而不是更准确的临床诊断来进行疾病分类。第三，我们不能确定UM-VOCs是否反映了普通环境条件下的真实VOCs暴露。第四，我们没有研究其他重要污染物（如多环芳烃）与肺功能改变之间的相互作用，因为缺乏这方面的信息。第五，我们仅评估了一个年度周期，由于协变量缺失率较高，样本量不足。最后，由于研究人群仅限于20岁及以上的成年人，我们的结果不能推广到整个人群。

5 结论

在一项基于人群的调查中，我们建立了尿中挥发性有机化合物（UM-VOCs）代谢物与成人肺健康之间的联系。使用BKMR，我们观察到16种UM-VOCs对肺功能下降的联合效应。我们的发现表明，普通人群接触环境中的VOCs可能与肺功能下降有关，烟草烟雾可能是VOCs暴露的一个潜在来源。需要更大规模的纵向研究和实验室调查来验证我们的发现。

作者贡献

刘倩和傅彦鹏撰写了本文；陈文宇参与了数据分析；陶宇辰和王月审阅并编辑了本文；尹海燕和杨倩倩参与了研究设计。

资金支持

这项工作得到了江苏省卫生委员会研究计划（MQ2025022）的支持。

伦理声明

作者没有需要报告的内容。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究发现的数据可在NHANES（https://www.cdc.gov/nchs/nhanes/index.htm）中获得。这些数据来源于公共领域的以下资源：NHANES 2011–2012数据集（https://www.cdc.gov/nchs/nhanes/）。