1. 引言

痛风是一种由嘌呤代谢失衡引起的复杂疾病，其特征是体内尿酸水平异常升高[1]。尿酸在血液中积聚，最终形成尿酸晶体，可以沉积在身体的多个部位，特别是关节及其周围组织[2] [3]。当这些晶体积累到一定程度时，它们会在皮肤下或关节周围形成痛风石，引发急性炎症反应，导致剧烈疼痛和发红，严重影响患者的日常生活质量[4]。此外，痛风石还可能压迫神经和血管，导致关节功能障碍，甚至引发全身性关节炎[5]。此外，高尿酸血症也会影响身体的其他重要器官，包括心脏、肾脏等[6]。随着时间的推移，痛风及其并发症逐渐成为一个不容忽视的健康问题。值得注意的是，近年来，全球痛风患病率呈现出令人担忧的上升趋势。以美国为例，2015年至2016年，确诊痛风的人数达到358,800人，占总人口的3.9%。与2007年至2008年的调查结果相比，这一数据几乎没有变化[7]。在中国，根据2019年的统计数据，男性痛风患病率为12.3‰，女性为3.9‰。随着年龄的增长，男性痛风的发病率呈上升趋势[8]。特别是，在70至74岁年龄段，男性痛风发病率达到峰值，而女性在75至79岁年龄段达到同样的峰值[8]。与往年的统计数据相比，可以看出中国痛风的发病率在不断增加[8]。2021年全球疾病、伤害和风险因素负担研究痛风合作者估计，2020年全球痛风流行病例为5580万例，预计到2050年将达到9580万例[9]。最近的预测表明，在未来三十年内，痛风的患病率和负担可能会从高收入国家转移到低收入和中等收入国家。

蛋白质、碳水化合物、脂肪、维生素、矿物质、膳食纤维和水是人类日常生活中生存所必需的营养素。缺乏其中任何一种都会导致健康问题。先前的研究表明，不健康的饮食习惯与遗传易感因素之间存在密切关系，导致体内代谢紊乱和痛风风险增加[10]。痛风患者需要特别注意饮食结构的选择，避免嘌呤、油、糖和蛋白质含量高的饮食模式，以减少痛风的发生[11]。蛋白质摄入应适度，长期过量摄入蛋白质会对肾脏造成负担，影响肾小球内压和肾组织血流量的增加，从而延缓尿酸的排泄过程[12]。动物性食物中的蛋白质不仅容易引起肾结石[13]，而且由于其嘌呤含量高，还会增加痛风的风险[14]。另一方面，豆制品含有高质量的植物蛋白，具有丰富的营养和健康价值[15] [16]，如饱和脂肪和膳食胆固醇含量低，血糖指数低，富含各种维生素和矿物质[17]。研究表明，植物蛋白中的嘌呤含量比动物低五倍[14]。因此，痛风患者应优先考虑植物性蛋白质作为蛋白质来源。

大豆及其制品在亚洲国家已经消费了几个世纪。得益于健康声称，西方国家大豆食品的生产和消费最近有所增加[18]。包括美国和英国在内的一些国家已经批准了大豆蛋白的健康声明[19]。然而，目前对于大豆及其制品对痛风的影响存在不同意见。据信，豆制品含有嘌呤，会迅速增加餐后血尿酸水平[20]，不适合痛风患者食用。然而，在Choi等人关于长期使用植物性嘌呤及其与痛风关系的前瞻性研究中，大豆制品与痛风之间没有发现风险关系[21]。一些现有的研究结果表明，大豆制品不是痛风发作的主要原因。相反，大豆制品可能通过影响血液中尿酸的浓度来发挥其对痛风的预防作用[22]。对17项研究的荟萃分析和系统综述评估了大豆摄入对血浆尿酸的影响，结果在人类临床研究、长期人体研究和动物试验中各不相同[23]。人类临床研究主要关注血浆尿酸水平正常的参与者，因此，结果可能不适用于高尿酸血症或痛风患者[23]。尽管在亚洲有一种观点认为大豆及其物质会导致高尿酸血症或痛风，但没有足够的证据表明大豆会增加尿酸浓度。某些豆制品，如豆腐，可能是高尿酸血症或痛风患者的优质蛋白质来源[24]。孟德尔随机化(MR)分析提供的证据水平大致介于随机对照试验和观察性研究之间[25]。MR分析确定了几个与血清尿酸水平和痛风发作相关的饮食因素。奶酪摄入量与较低的血清尿酸水平有关；茶、咖啡和干果的摄入对痛风发作有预防作用；非油性鱼类和糖摄入是血清尿酸水平升高的危险因素；饮酒频率是痛风易感性的危险因素[26]。从遗传变异的角度来看，大豆制品是否存在痛风的致病因素尚不清楚。因此，本研究采用孟德尔随机方法，分别将豆制品(豆腐、豆浆、大豆甜点)摄入量和痛风作为暴露因素和结果，为豆制品摄入量与痛风之间的因果关系提供理论参考，为鼓励痛风患者食用豆制品提供依据。

2. 材料和方法

2.1. 伦理批准

本次MR分析使用公开可用和已发表的全基因组关联研究(GWAS)数据。由于相应的原始研究获得了伦理批准和知情同意，因此本研究不需要额外的伦理审批。

2.2. 研究设计

本研究根据STROBE-MR指南进行MR分析[27]。基于全基因组测序数据，将单核苷酸多态性(single nucleotide polymorphism, SNP)作为工具变量，探索大豆制品与痛风之间的因果关系。采用Rstudio 4.3.3中的TwoSampleMR软件进行MR分析，遵循三个核心假设：① 相关性：工具变量与暴露因子之间存在密切关系；② 独立性：工具变量独立于影响“暴露–结果”关系的混杂因素；③ 排他性：遗传变异只能通过暴露因素影响结果，不能通过其他途径影响结果。在这项研究中，选择三种大豆制品(豆腐、豆浆和大豆甜点)的摄入量作为暴露因素，痛风作为结局进行双向MR分析(图1)。

2.3. 数据来源

大豆制品和痛风数据均来自英国生物库数据库和开放的GWAS项目数据库。下载了变体调用格式(variant call format, VCF)文件，并使用Rstudio软件进行了本地数据分析。数据的具体细节如表1所示。

Figure 1. An overview of the study design. SNP: single-nucleotide polymorphism, MR: Mendelian randomization

图1. 研究设计概述。SNP：单核苷酸多态性，MR：孟德尔随机化

Table 1. Details of the GWAS included in the Mendelian randomization analysis

表1. 孟德尔随机化分析中包含的GWAS的详细信息

2.4. 工具变量的选择

采用Rstudio 4.3.3中的TwoSampleMR包进行SNP数据格式转换。然后，在1000个基因组欧洲参考小组的10000千碱基窗口内，使用r² > 0.001的连锁不平衡阈值收集独立的SNP。接下来，通过将P值设置为<1e−5，筛选出与暴露因素密切相关的SNP。然后，通过LDtrait [28]搜索去除与混杂因素相关的SNP，以满足前述假设①和②。为了进一步提高分析的准确性和可靠性，使用所选SNP数据集中的β值和标准误差(standard error, SE)值计算了每个SNP的F统计量(F = β²/SE²) [29]。去除F统计量小于10的弱工具变量，以确保每个工具变量与暴露因子之间具有很强的相关性[30]。从结果数据集中提取与暴露因素相关的SNP，并通过暴露P < 0.05和结果P > 0.05来检查SNP。结果中P < 0.05的SNP被删除，以确保所选的工具变量与暴露因素密切相关，而与结果无关。

2.5. MR分析

逆方差加权(inverse-variance weighted, IVW)方法被用作主要的MR分析方法。基于遗传变异对遗传因素的解释力，使用逆方差加权线性回归模型对结果进行加权。回归没有考虑截距项，因此提供了因果关系的估计。同时，MR-Egger回归方法的进一步应用增强了统计模型的稳健性。通过考虑截距项并使用特征权重进行拟合，在一定程度上纠正了可能由水平基因多效性和无效工具变量引起的问题[31]。此外，加权中值法通过根据所有个体的权重对其SNP效应值进行排序来计算分布函数的中值。当至少50%的信息来自有效的工具变量时，可以提供相对稳定的因果推断[32]。为了全面了解暴露因素与结果变量之间的因果关系，使用了加权模型法和简单模型法两种回归方法来补充解释。当结果为P < 0.05时，认为暴露与结果之间存在因果关系。如果比值比(ratio ratio, OR)值大于1，则暴露因素是一个风险因素。如果OR小于1，则暴露因子是一个保护因子。

2.6. 敏感性和异质性分析

在进行MR分析时，仅根据IVW值推断研究结果的准确性是不够的。这种方法可能会遗漏一些重要信息，如基因序列的异质性和变量之间潜在的水平多效性。因此，基于MR Egger截距检测水平多效性。如果P值小于0.05，则表明工具变量具有多效性，工具变量可能通过暴露因素以外的因素影响结果的发生，导致独立性和排他性假设的失败。P > 0.05表明没有潜在的多效性水平[33]。此外，还使用异质性函数来检验结果的异质性。如果P > 0.05表明没有异质性，则首选IVW固定效应；如果P < 0.05表示异质性，则使用IVW的随机效应作为结果。最后，使用留一法进行敏感性分析，以确定去除某个SNP是否会对结果产生重大影响。

2.7. 统计分析

所有数据均使用Rstudio 4.3.3软件中的TwoSampleMR包进行分析。结果用五种算法的OR和95%置信区间(CI)表示，P值用于确定是否具有统计学意义。如果P < 0.05，则暴露因素与结果之间存在因果关系。

3. 结果

3.1. GWAS数据集中的遗传工具变量

根据筛选工具变量的方法，分别获得了75个和97个SNP，以探索豆腐和痛风之间的双向因果关系。对于豆浆和痛风之间的双向因果关系分析，分别获得了31个和110个SNP。对于大豆甜点和痛风之间的双向因果关系分析，分别鉴定出52个和100个SNP。上述F值均大于10，表明工具变量与暴露因子之间存在很强的相关性(表2)。

Table 2. Results of instrumental variable selection

表2. 工具变量选择结果

3.2. 双向孟德尔随机化分析

双向MR分析结果表明，逆方差加权法、MR-Egger回归法、加权众数法、简众数法和加权中位数法五种方法的P值均大于0.05，表明大豆制品摄入量与痛风之间没有显著的遗传相关性(表3)。在因果关系绘制的散点图中(图2)，横轴表示SNP对大豆制品的影响，纵轴表示SNP对痛风的影响。里面的圆点代表SNP。线段的方向表明，大豆制品的摄入对痛风没有显著影响(图2(a)、图2(c)、图2(e))。对于反向MR结果的散点图，痛风患者没有增加大豆制品的摄入量(图2(b)、图2(d)、图2(f))。森林图中无论正向还是反向，MR Egger和IVW的综合效应值都在0的左右，表明二者之间无因果关系(图3)。

Table 3. Results of bidirectional MR analysis

表3. 双向MR分析结果

Figure 2. Scatter plot showing bidirectional causal relationship between soy products intake and gout. (a) and (b) Tofu and gout; (c) and (d) Soya milk and gout; (e) and (f) Soya desserts and gout

图2. 散点图显示了大豆制品摄入量与痛风之间的双向因果关系。(a)和(b) 豆腐；(c)和(d) 豆浆；(e)和(f) 大豆甜点

3.3. 敏感性和异质性分析

从双向MR Egger结果分析(表4)可以看出，截距接近0，P > 0.05，表明没有证据支持多效性干扰的存在，从而使使用MR Egger方法进行因果推断更加可靠和令人信服。对于异质性检验，P > 0.05表明暴露和结果之间没有异质性(表4)。在敏感性分析中，去除任何SNP对结果没有显著影响。漏斗图基本呈对称分布，结果不受潜在影响因素的影响，进一步佐证了上述结论(图4)。

Figure 3. Bidirectional analysis forest plot of soy dessert intake and gout

图3. 大豆甜点摄入与痛风双向分析森林图

Table 4. Results of bidirectional analysis for pleiotropy and heterogeneity

表4. 多效性和异质性的双向分析结果

Figure 4. Funnel plots of bidirectional causal relationships between soy product and gout. (a) and (b) Tofu; (c) and (d) Soya milk; (e) and (f) Soya desserts

图4. 豆制品与痛风双向因果关系漏斗图。(a)和(b) 豆腐；(c)和(d) 豆浆；(e)和(f) 大豆甜点

4. 讨论

孟德尔随机化与随机对照试验相当，可以严格控制混杂因素，避免高成本和医学伦理限制等问题。基于等位基因形成配子过程中的随机分配原理，基因型可以作为推断疾病状态与待研究的中间表型之间因果关系的工具变量。MR的估计效果不会受到混杂因素或反向因果关系的影响[34]。本研究使用全基因组关联数据集对大豆制品摄入量和痛风之间进行双向双样本MR分析。IVW、MR-Egger回归、加权模式、简单模式和加权中值方法获得的结果的P值均大于0.05。因此，可以认为在欧洲人群中，大豆制品摄入与痛风之间没有因果关系。

过量摄入嘌呤会干扰体内嘌呤的代谢，导致血尿酸水平升高。食品中含有腺嘌呤、鸟嘌呤、次黄嘌呤和黄嘌呤，而腺嘌呤和次黄嘌呤比鸟嘌呤和黄嘌呤更具有泌尿酸性[35]。嘌呤衍生物次黄嘌呤在人体内转化为黄嘌呤，黄嘌呤可进一步转化为尿酸[36]。大豆蛋白被分解成氨基酸，可以为嘌呤核苷酸提供合成材料，包括甘氨酸、天冬氨酸、谷氨酰胺等，加速嘌呤的合成。因此，高剂量大豆蛋白可以增加血尿酸水平[23]。现有的流行病学研究尚未发现摄入豆制品会导致高尿酸血症和痛风。在一项随机对照临床试验中，患有高血压前期或糖尿病的绝经后妇女在6个月内每天吃相应的试验食物，与牛奶蛋白相比，大豆蛋白加异黄酮和大豆粉都没有增加血清尿酸水平[37]。同样，Yamakita等人在8名健康人和10名痛风患者食用4 g/kg豆腐后测试了血浆尿酸，发现血浆尿酸的增加很少，而尿酸的清除率和排泄量增加。结果表明，豆腐是痛风患者的良好蛋白质来源[22]。此外，在中国上海进行的一项关于3978名40~74岁男性嘌呤摄入量与高尿酸血症之间关系的队列研究发现，一年后，大豆制品摄入量与高尿酸血症呈负相关趋势(P = 0.07) [38]。在一项随机对照试验中，张等人招募了60名健康男性，研究大豆制品在三小时内对血清和尿液中尿酸的影响。对于吃全大豆的参与者来说，他们的血尿酸在一小时内急剧上升，然后缓慢下降。然而，摄入豆浆和大豆粉的参与者的血尿酸在3小时后迅速下降[39]。尽管大豆制品可能会在短期内增加血清尿酸水平，但它们不会产生与痛风相关的临床表现[36]。大豆食品中的嘌呤含量范围为84.0 mg/kg至2182.0 mg/kg [40]。加工后，嘌呤含量可能会从444.02 mg/100 g/db (大豆)降至107.55 mg/100 g/db (豆腐) [41]。豆腐和豆浆中的嘌呤含量为84.4~938.0 mg/kg [40]。嘌呤含量大于200 mg/100g的食物被认为是富含嘌呤的食物[42]。因此，豆腐、豆浆和大豆甜点都是低嘌呤食品。因此，上述结果表明，大豆制品可以作为痛风患者的良好蛋白质来源，但嘌呤摄入量应控制在400 mg/天以内[43]。

在一项探索饮食模式的研究中，研究人员发现食用大豆制品的频率与高尿酸血症之间存在负相关关系。这一发现为饮食干预策略提供了新的视角和科学依据。以植物为基础的膳食模式与高尿酸血症风险呈负相关，而以动物为基础的食物模式和甜食模式则与高尿酸血症风险呈正相关[44]。张等人的随机对照研究还发现，以大豆为主的饮食和以水果为主的饮食可以降低高尿酸血症患者的血清尿酸水平[45]。1993年至1998年招募的一项关于居住在新加坡的中国居民食物摄入频率和痛风风险的前瞻性队列研究发现，大豆类食物对痛风的风险比为0.83 (95% CI 0.73~0.95；趋势检验的P值为0.012) [46]。在随后的两项关于台湾营养和健康食物摄入频率的调查中，发现不同的饮食模式导致血清尿酸水平差异显著，摄入大豆制品和豆浆可以降低高尿酸血症的患病率和血清尿酸水平[47]。在一项评估大豆、大豆制品、大豆蛋白和大豆异黄酮对尿酸水平影响的荟萃分析中，Cochrane协作网和SYRCLE风险偏倚工具显示，食用大豆会在2小时内增加血尿酸水平。然而，大豆异黄酮、大豆蛋白和大豆制品(豆腐、豆腐饼、豆腐干)对血尿酸浓度没有影响[23]。在一项持续了19年的关于素食和痛风性关节炎的队列研究中，素食者的关节炎发病率比非素食者低3.18% [48]。这可能与食用大豆制品可以降低血浆中半胱氨酸、谷氨酰胺、苯丙氨酸、苏氨酸和长链酰基肉碱的水平有关[49]。尽管研究结果表明素食者的血清尿酸浓度低于非素食者，但如果患者的病情进展到晚期肾病或痛风，应谨慎使用高嘌呤植物性食物[50]。因此，目前的证据支持以大豆为基础的饮食可能对高尿酸血症和痛风患者有益，其机制可能是，痛风发作时，尿酸盐结晶会激活炎症反应，促使促炎细胞因子如肿瘤坏死因子-α (tumor necrosis factor-α, TNF-α)和白介素6 (interleukin-6, IL-6)得以释放[51]。而大豆制品中富含的异黄酮和多酚类化合物具有抗炎作用[52]，能够有效抑制这些炎症因子的释放，进而减轻痛风症状[53]。其次，大豆中含有大量植酸，可以显著降低餐后血清尿酸水平[54]。但植物化学物对痛风的影响具有多靶点、多途径的特点[55]，大豆及其制品调节痛风的相关机制有待进一步研究，特别是影响嘌呤代谢方面的研究有待深入。另外，植物性蛋白质代替富含碳水化合物的饮食可以减轻胰岛素抵抗和代偿性高胰岛素血症，从而提高尿酸盐的肾脏清除率[56]，加速尿酸的排泄，降低血尿酸水平。

本研究有一些局限性。首先，它使用欧洲人口作为样本，没有包括其他种族的数据。需要进一步的研究来确定其结论是否可以广泛应用。其次，由于大豆产品种类繁多，全基因组关联研究数据库中缺乏其他大豆产品的数据，需要对其他大豆产品进行进一步研究。

5. 结论

在这项双向MR研究中，从遗传变异的角度来看，大豆制品摄入量与痛风之间没有遗传关联。本研究通过使用孟德尔随机化和遗传变异作为工具变量，消除了传统观察性研究中的潜在混杂因素，为进一步揭示大豆制品摄入与痛风之间的因果关系奠定了理论基础。结果表明，大豆制品的摄入与痛风之间没有因果关系。大豆制品是一种很好的蛋白质来源，不应禁止痛风和高尿酸血症患者食用。

基金项目

广西中医药大学重点研究项目(2021ZD004)。

NOTES

^*通讯作者。

参考文献