人的行为---论文简介：人格特征在表型和遗传水平上都与表型有关

 本文15000字，阅读大约需要56分钟。

按：这是一份未经编辑的手稿，已被接受出版。Nature Research 正在为我们的作者和读者提供这份手稿的早期版本。手稿将经过编辑、排版和校对审查，然后以最终形式出版。请注意，在制作过程中可能会发现可能影响内容的错误，所有法律免责声明均适用。

文末原文地址，感兴趣的童鞋们可自驾浏览英文版或在公众号后台留言索取肉机体中文版PDF。 点击上方蓝字，关注公号，开始阅读---

    人格特征在表型和遗传水平上都与表型有关

安妮塔·莱内斯, Uku Vainik , Maris Teder -LavingLiisi Ausmees , Sakari Lemola , Jüri Allik , Anu Realo

首次发表：2021 年 5 月 17 日

摘要

介绍

昼夜偏好与个性有关，但结果往往喜忧参半。本研究在表型和遗传水平上检查睡眠时间（时间表）、昼夜偏好和人格特征五因素模型之间的关系。

方法

2,515 名爱沙尼亚成年人（M年龄 = 45.76 岁；59% 女性）获得了 NEO 人格清单 3 的自我报告和线人报告、慕尼黑时间型问卷的自我报告以及 DNA 样本。通过全基因组关联研究的汇总统计获得遗传相关性。

结果

结果表明，较高的责任心和较低的经验开放度是早期睡眠类型的重要预测因素。在方面水平上，我们发现更直接 (A2) 和寻求刺激 (E5) 但不那么自律 (C5) 的人更有可能拥有较晚的睡眠类型。在r  = .28 ( p  < .001) 时，细微差别级别的多人格评分与睡眠类型相关。尽责性和开放性与昼夜偏好在遗传上有关。早晚的多基因评分显着预测了多人格评分。

结论

表型和人格的表型测量在人格等级的所有三个层次上都显示出显着的关联。我们的研究结果表明，性格与早晚之间的关系部分是由于遗传因素。未来的研究有必要进一步完善这种关系。

1 介绍

早上六点起床，不使用闹钟，立即慢跑，快速淋浴，然后直接投入生产工作，这是一个典型的早起人的想象。当然，这是一个夸大的例子，但这种概括背后有一定道理——个人的睡眠时间（睡眠类型）和偏好（早晚）存在很大差异，这与许多重要的行为结果有关(Keller et al.,  2016 ; Lucassen et al.,  2013 ; Rahafar et al.,  2018 ; Randler et al.,  2014 ; Susman et al.,  2007 ; Urbán et al.,  2011）。在过去的研究中，早晚与性格有关（例如，Lipnevich 等人，  2017 年；Randler 等人，  2017 年；Tsaousis，  2010 年），并提出一些影响昼夜节律进而影响人们睡眠的基因多态性偏好，也会影响个性（Jiménez 等，  2017）。与之前的研究不同，本研究不仅检查实际睡眠时间（睡眠类型），还检查遗传早晚因数据可用性。该研究的目的是建立人格 - 睡眠类型的关系并更好地了解其潜在机制，同时检查人格领域、方面和项目（“细微差别”）的五因素模型 (FFM) 如何与睡眠类型/早晨相关联– 表型和遗传水平的晚间性。

1.1 时间类型和早晚

人们睡眠时间的个体差异通常被称为睡眠类型 (Roenneberg,  2012 )，而昼夜偏好被称为早晚 (Horne & Östberg,  1976 )。Chronotype 在很大程度上不仅受昼夜节律和明暗循环的影响，还受社会和工作时间表以及自我选择的人类行为的影响（Czeisler & Buxton，  2017 年；Roenneberg 等，  2019 年）。在我们的研究中，我们使用慕尼黑时间型问卷 (MCTQ) 评估了时间型，该问卷将时间型描述为 24 小时一天的明暗夹带的生物学阶段，而不是偏好 (Roenneberg,  2015）。该问卷评估一个人在典型的工作和空闲日的睡眠模式，并允许计算空闲日 (MSF) 的睡眠时间。MSF 是睡眠开始和醒来时间之间的中间点，通常用作睡眠类型的衡量标准。用 MCTQ 概念化的时间型是一个连续变量，并已被证明是正态分布的 (Roenneberg et al.,  2003 )。早睡型倾向于早睡早起，而晚睡型倾向于晚睡早起。MCTQ 已显示出与早晚问卷 (MEQ; Horne & Östberg, 1976 ) 的收敛效度 - 对人们睡眠偏好的评估 - MSF 分数与早晚分数显着相关 ( r = -.73，Zavada 等人，  2005 年）。1遗传研究完全基于早晚（例如，Jones 等人，  2016 年），这就是为什么我们的遗传结果将基于早晚。

MCTQ 和 MEQ 密切测量睡眠类型和早晚的神经内分泌基础，MSF 校正睡眠债务是暗光褪黑激素发作的最强预测因子，其次是 MEQ（Kantermann 等人，  2015 年）。暗光下的褪黑激素发作是昼夜节律相位标记的“黄金标准”（Kantermann & Eastman，  2018 年）。

1.2 早晚与 FFM 人格特征的关联

以前的研究探索了个性与昼夜偏好（即早晚）之间的关系，但没有探索睡眠类型。这些研究发现了一些混合甚至矛盾的结果，部分原因可能是由于对人格的不同概念化（Lipnevich et al.,  2017）。此外，尽管大多数研究将早晚作为一维结构进行操作，但最近也有一些研究在两个不同的维度上测量早晚（Lipnevich et al.,  2017），从而对经验结果进行比较发表在不同的研究难度。

在总结关于人格-昼夜偏好关系的现有证据时，Lipnevich 及其同事（2017 年）的一项荟萃分析显示早晚与FFM 人格特征之间存在弱到中等的关联。该研究报告称，晨起和尽责性之间的关联最强（r  = 0.27；晨起程度越高，责任心越高），性格特征总共解释了约 11% 至 16% 的昼夜偏好差异。其他研究和荟萃分析报告了大致相似的发现（Carciofo 等人，  2016 年；Duggan 等人，  2014 年；Randler，  2008 年；Randler 等人，  2017 年；Tsaousis，  2010 年））。Lipnevich 及其同事（2017 年）进一步报告说，早晚与其他 FFM 特征之间的关联较弱，元分析相关性与早晚作为一个连续维度，范围从r  = -.07、.02、.00 到 . 12，分别为神经质、外向性、对经验的开放性（Openness）和宜人性，得分越高表示早晨越早。

许多研究分别研究了早晚与单一人格特征之间的关联，并没有使用包含所有人格特征和相关社会人口学变量的多元回归模型。少数例外是 Randler 及其同事（2017 年）的一项研究，该研究发现所有五个 FFM 域都与早晚显着相关。然而，当使用具有年龄和性别的 FFM 人格特征来预测多元回归模型中的早晚时，Randler 等人。( 2017) 发现只有三种性格特征——开放性、尽责性和外向性——仍然是早晚的重要预测因素。因此，基于这项研究和其他研究，这些研究证明了性别、年龄和教育水平在睡眠类型/早晚之间的重要性（例如，Barclay 等人，  2010 年；Paine 等人，  2006 年；Randler 等人，  2017 年）；Roenneberg & Merrow，  2007 年；Walker 等人，  2014 年）和人格特质（例如，McCrae 等人，  2004 年；Schmitt 等人，  2008 年）)，我们将调整对这些人口统计变量的分析。鉴于一年中的时间对睡眠持续时间的流行病学变化有显着影响（Allebrandt 等人，2014 年；Randler & Rahafar，  2017 年），我们还将控制季节性变化对睡眠时间 的影响。

上述研究检验了 FFM 人格领域与昼夜偏好之间的关联。然而，更窄的方面位于人格层次中广泛的 FFM 因素之下，这些因素也有助于理解和预测行为（Mõttus，  2016 年；Paunonen & Ashton，  2001 年；Paunonen 等人，  2003 年）。例如，据报道，自律 (C5)、责任心和健康行为的一个方面之间存在直接途径 (Hagger-Johnson & Whiteman,  2007 )。人格特质层次结构的最低级别被概念化为单一人格问卷项目或“细微差别”（McCrae，  2015）。多项研究表明，特质（例如，神经质和/或 N5：冲动）与结果变量（例如，体重指数）之间的关联主要是由于两个特定项目（Terracciano 等人，  2009 年；Vainik 等人） .,  2015 年）。出于这个原因，我们研究的第一个目的是不仅在领域而且在方面和项目水平上检查睡眠类型和 FFM 人格特征之间的关系，以便更细致地理解这两种结构之间的关联。.

1.3 性格-早-晚关联的遗传机制

尽管人格特征（如责任心）和昼夜偏好之间的关系已经确立，但人们对这些关系背后的机制知之甚少。Stolarski 等人在最近的一项纵向研究中，试图确定昼夜偏好和个性之间的因果关系。( 2021 ) 表明，尽责性和早起性可能共享潜在的遗传机制。早晚性和 FFM 人格特征都植根于生物学，并且基本上是可遗传的——根据双胞胎研究，早晚性的变异大约有 50%（例如，巴克莱等人，  2010 年；胡尔，  2007 年；科斯肯沃等人.,  2007)，而 FFM 人格特质中 40%–60% 的方差 (Jarnecke & South,  2015 ; Vukasović & Bratko,  2015 ) 可归因于遗传。

最近，行为遗传学研究的结果得到了基于 DNA 的方法的支持，例如全基因组关联研究 (GWAS)，该方法测试数百万个已知 DNA 变体（称为单核苷酸多态性 (SNP)）和表型特征之间的关联。由数千人组成的样本（Smith-Woolley 等人，  2019 年）。例如，GWAS 已经确定了 351 个早晚性基因座（Jones 等人，  2019 年）和 136 个神经质基因座（Nagel 等人，  2018 年）。最近的一项研究表明，作为神经质的一个因素的焦虑/脆弱性的一个位置也与早晚性有关（Hill 等人，  2019 年）。

GWAS 数据允许计算成对性状之间的遗传相关性，甚至在同一样本中从未测量过的性状之间（Harden & Koellinger，  2020）。遗传相关性可用于识别共享的遗传基础（Bulik-Sullivan 等人，  2015 年），但它们本身并没有告知因果机制或暗示两个性状的直接影响（Harden & Koellinger，  2020 年）。

SNP 在预测早晚和个性等复杂特征方面的影响大小通常非常小，每个 SNP 解释的方差不到 0.1% (Gratten et al.,  2014 )。因此，由于假设遗传效应是可加的，因此在联合考虑 SNP 的影响时可以解释更多的差异。通过计算与感兴趣的表型相对应的 SNP 总和，通过数千个 SNP 的效应大小估计值加权，可以为独立样本中的每个个体建立遗传评分（Choi 等人，  2020 年；Smith-Woolley等，  2019）。这些遗传评分通常称为全基因组多基因评分 (PGS)，允许对广泛的表型特征进行基于 DNA 的预测（Smith-Woolley 等，  2019）。

考虑到这一点，本研究的第二个目的是检查是否以及在多大程度上可以通过遗传因素来解释表型和 FFM 人格特征之间的表型相关性。我们首先检查了早晚性和个性之间的遗传相关性，以使用 GWAS 的汇总统计来描述这两个性状之间的遗传关系。为了进一步探索基因型早晚与人格等级的所有三个层次之间的关系，我们使用早晚的 PGS 不仅将遗传早晚与人格领域联系起来，还将方面和细微差别联系起来。

1.4 本研究的目的

总而言之，我们研究的第一个目的是检查 FFM 人格特质和表型之间的表型关系，这些关系是用 MCTQ 概念化和评估的（Roenneberg et al., 2003 , 2007) 在爱沙尼亚成年人的大量人口样本中。本研究通过不仅在领域而且在方面和项目层面检查睡眠类型和 FFM 人格特征之间的关系来推动该领域的发展。为了更好地理解这种关系的潜在遗传机制，我们其次研究了早晚性和个性是否在遗传上相互关联。我们还调查了早晚 PGS 是否与整个 FFM 人格特征层次结构中的表型变异相关。

2 方法

2.1 参与者

本研究的参与者来自爱沙尼亚生物库队列（目前超过 200,000 人），这是爱沙尼亚成年人口的大规模样本（Leitsalu 等人，  2014）。其中，3,608 名参与者有可用的个性和基因型数据。我们仅将这些参与者的数据用于计算多基因评分分析中的 20 个主要成分（有关详细信息，请参阅下面的多基因评分）。2,346 名参与者的子集拥有完整的时间表数据，并且没有轮班工作。此外，169 名参与者有可用的个性和时间表数据，并且没有轮班工作，但没有进行基因分型。因此，具有可用表型人格和表型数据的样本由 2,515 名参与者组成，除非另有说明，否则我们将在分析中使用这些数据。他们的平均年龄为 45.22 岁（SD = 16.70）。其中 1,492 (59.32%) 是女性。大多数样本 (93.68%) 都可以获得自我和线人的人格评级。对于大约一半的参与者 ( n  = 1,279; 50.85%)，受教育程度最高的是中等或中等职业教育，其次是大学学历 ( n  = 1,081) 和 6.16% ( n  = 155)基础教育（即九年义务综合学校）。

每个参与者都被要求提名一个熟悉他们的人（66.20% 女性，26.96% 男性，6.84% 未知；平均年龄 = 41.41 岁，SD  = 15.75）来填写性格问卷并回答关于他们与参与者关系的问题。大约一半的 受访者 ( n = 1,171; 46.56%)的受教育程度最高的是中等或中等职业教育，其次是 41.47% ( n  = 1,043) 受过高等教育和 4.45% ( n  = 112) 受过基础教育. 7.51% ( n  = 189)的受教育程度未知。平均而言，线人认识参与者 22.83 年（SD = 14.74)，从几个月到 74 年不等。大多数参与者 ( n  = 1,138; 45.25%) 提名了他们的配偶或伴侣，其次是父母 ( n  = 392; 15.59%)、朋友 ( n  = 366; 14.55%)、他们的孩子或孙子 ( n  = 187) ; 7.44%)、熟人 ( n  = 60; 2.39%)、另一位亲戚 ( n  = 58; 2.31%) 或祖父母 ( n  = 11; 0.44%)。没有为 6.40% ( n  = 161)指定关系类型。

该数据集或其中的一部分已用于其他研究（例如，Kööts-Ausmees 等人，  2016 年；Lenneis 等人，  2020 年；Realo 等人，  2015 年，2017 年），但尚未用于目前的目的。

2.2 措施

2.2.1 慕尼黑时间型问卷 (MCTQ)

本研究使用了 Roenneberg 及其同事 ( 2003 )的 MCTQ的爱沙尼亚版本 (Allebrandt 等人，  2010 年) 。问卷包含 17 个项目。

为了量化睡眠类型，可以从问卷中提取一个单阶段标记——空闲日睡眠时间 (MSF)。它是空闲日睡眠开始（某人入睡的时间）和睡眠结束（醒来的时间）之间的中间点。与早期的研究（van der Vinne 等人，2014 年；Wittmann 等人，  2010 年）类似， 当一个人在空闲日的睡眠时间大于工作日时，我们针对工作周 (MSF sc )期间积累的睡眠债务对 MSF 进行了修正并使用以下公式：，其中 MSF 等于空闲日的睡眠时间，SD free等于空闲日的睡眠时间，SD周等于工作日的睡眠时间。只能在不使用闹钟起床的情况下计算。因此，我们排除了在空闲时间使用闹钟的参与者。2在以下所有分析中，睡眠中期校正睡眠债务评分 (MSF sc ) 被用作睡眠类型的标记，分数越高表示睡眠类型越晚。在我们的研究中，时间表大致遵循正态分布（偏度 = .56，峰度 = 1.10），这表明很少有人表现出极早或极晚的时间表。MSF sc的平均得分为 3.72 ( SD = 1.18)，范围从 -0.42 到 9.79，分数越高表明睡眠类型越晚。负分表示某人在空闲日的中间睡眠时间在午夜之前（即，该人必须在晚上很早就上床睡觉）。

2.2.2 NEO-PI-3

人格特质是用爱沙尼亚版本的 NEO Personality Inventory-3 (NEO-PI-3; McCrae et al.,  2005 ) 测量的，它是爱沙尼亚 NEO-PI-R 问卷 (Costa & McCrae,  1992 年；Kallasmaa 等人，  2000 年）。NEO-PI-3 包含 240 个项目，测量五个广泛的因素——神经质、外向性、对经验的开放性（Openness）、宜人性和尽责性。五个因素中的每一个都由六个方面组成，总共有 30 个方面。每个方面由 8 个条目衡量，条目的回答采用类似李克特的五点量表，范围从 0 （非常不同意）到 4 （非常同意）. 自我报告和线人报告中领域和方面量表的 Cronbach alpha 显示在支持信息中（表 S2）。NEO-PI-3 人格特征的自我报告和线人报告在预期范围内相互关联（Connolly 等人，  2007 年）：Pearson r值，在p处均显着 < .001，如下：神经质 = .51（95% CI [.48, .54]），外向性 = .66（95% CI [.64, .68]），开放性 = .61（95% CI [.89, .63])，宜人性 = .44（95% CI [.41, .47]），责任心 = .51（95% CI [.48, .54]）。对于拥有两种评分类型数据的参与者 (2,356; 93.68%)，所有分析中都使用了自我和线人评分的平均分，因为多方法评估在个性研究中被视为最佳选择，线人报告是自我评价的理想补充。- 报告（Vazire，  2006 年）。我们仅对 131 名 (5.21%) 参与者使用了自我报告，对 27 名 (1.07%) 仅使用了线人报告。为了验证我们的发现，我们还分别对自我报告和线人报告进行了分析。结果在表S3到S8中给出 的支持信息。表S2分别给出了五个 NEO-PI-3 领域和 30 个方面量表的描述性统计数据（即平均分数、标准差和 Cronbach alpha）  。

2.2.3 遗传相关性

我们使用 GWAS 汇总统计图集 ( https://atlas.ctglab.nl/ ) 来计算个性域和早晚之间的遗传相关性。GWAS atlas 是一个综合性的公开 GWAS 汇总统计数据库（Bulik-Sullivan 等人，  2015 年）。

我们选择了每个性状样本量最大的 GWAS。早上-晚上的 GWAS (ID# 4294) 来自英国生物银行，由 449,732 名参与者组成，他们以四分制将他们归类为早上或晚上的人（琼斯等人，  2019 年）。我们使用了 来自英国生物银行（Baselmans 等，2019 年）的单变量神经质的 GWAS（ID# 4321，N = 523,783）  ，它使用 NEO 五因素清单（NEO-FFI；Costa & McCrae，1992 年）测量了神经质 。外向性 (ID# 33) 与来自人格遗传学联盟 (van den Berg et al., 2016)的荟萃分析中对 63,661 个人的项目反应理论分析相协调 ）。开放性 (ID# 29)、宜人性 (ID# 30) 和尽责性 (ID# 31) 使用 NEO-FFI (Costa & McCrae, 1992 )进行测量， 并使用来自不同国家的研究的荟萃分析对 17,375 人进行了培训（de Moor 等人，  2012 年）。宜人性（de Moor 等人，  2012 年；ID# 30）不符合 GWAS 图集定义的遗传相关性标准，但我们仍然使用了来自 GWAS 目录 ( https:// www.ebi.ac.uk/gwas/studies/GCST006329），因为它是唯一提供 GWAS 汇总统计数据的研究。LD Hub 上的 Morningess-eveningness 来自 Jones 等人的 GWAS。( 2019) 只有来自英国生物银行的参与者，而不是 23andMe。

2.2.4 多基因评分

使用不同的平台（Global Screening Array、HumanCoreExome、HumanOmniExpress 和 370K）进行基因分型。推算的 SNP 在 Plink 1.9（Chang 等人，2015 年）中进行过滤 ，保留具有 (a) 唯一名称、(b) 只有 ACTG 和 (c) MAF > .01 的 SNP。PGS 软件 PRSice 2.2.6 (Euesden et al.,  2015 ) 排除了更多不明确的变异，导致 6,609,011 个变异可用于多基因评分。我们使用了 3,608 名具有个性和基因分型数据但偶尔丢失 MCTQ 数据的参与者的数据，使用 Plink 1.9 计算了 20 个主成分。我们对 PGS 进行了标准化，以便它们之间更具可比性，均值为 0，标准差为 1。

早晚的PGS

用于早晚的 PGS 是根据早晚GWAS 结果（Jones 等人，  2019 年）并基于来自英国生物库的 449,734 名参与者和来自 23andMe 的 248,098 名参与者使用早晚的四个量表项目（“绝对是一个'早上'的人”，“比'晚上'的人更像'早上'”，“比'早上'的人更像'晚上'”，“绝对是'晚上'的人”）。分数越高表示越倾向于早起。

PGS参数

我们使用p  = 1 截止值和 PRSice 默认结块标准（结块的r 2阈值 = .1；从两侧结块距离 = 250 kb）用于早晚。INFO 标准设置为 >.90。在与数据中的可用变体进行匹配并进行聚类后，早晚的 PGS 基于 2,298 个变体。

为了进行敏感性分析，我们还使用了p  = 5 × 10 -8的全基因组p值截止值，以及 PRSice 默认结块标准（结块的r 2阈值 = .1；结块距离 = 250 kb）边）。PGS 基于 139 个变体。

2.3 程序

招募和数据收集的细节在爱沙尼亚生物库的队列概况中进行了解释（Leitsalu 等，  2014）。爱沙尼亚生物库队列的一部分已被纵向跟踪，但本文中使用的数据是横截面的。

数据收集发生在 2007 年至 2014 年之间。大多数参与者（2,217；88.15%）在同一年填写了 MCTQ 和 NEO-PI-3，247 名参与者（9.82%）填写了问卷，相差 1年，两年内有 31 名（1.23%），三到七年内剩余的参与者（11 名）。超过一半的参与者（1,530；60.83%）在 11 月和 1 月（冬季；平均日照 7 小时）之间完成了 MCTQ，594（23.62%）在 2 月和 4 月或 8 月和 10 月（春季/秋季；平均日光 12 小时），391 人（15.55%）在 5 月和 7 月（夏季；平均日光 17.5 小时）之间完成了问卷。

2.4 统计分析

2.4.1 人格特质和方面的回归表型

我们进行了一系列分层回归分析，以在控制社会人口学变量和季节性时回归人格的 chronotype (MSF sc )。在所有分析中，两个变量块都根据时间类型进行了回归：(a) FFM 人格特征（领域或方面）和 (b) 参与者人口统计数据（年龄、性别和教育水平）以及 MCTQ 发生的季节完成（冬季、春季/秋季和夏季）。基础教育和冬季被定义为教育和季节的参考类别。Enter 方法用于两个块，并且块中的所有变量同时输入。Williams 等人描述的多元回归分析的假设。( 2013 ) 见面了。

2.4.2 遗传相关性

我们使用连锁不平衡（LD）-分数回归（Bulik-Sullivan 等人，2015 年）通过 GWAS Atlas 自己的界面估计了遗传相关性 。3对于宜人性，我们还在 LD Hub 的界面 ( http://ldsc.broadinstitute.org/ )上使用了 LD-score 回归。LD 分数回归以非常稳健的方式估计共同遗传性（Harden & Koellinger，  2020 年）。

2.4.3 早晚多基因评分预测

我们使用 R 3.6.1 进行分析。首先，我们检查了在 MSF sc 中解释的早晚 PGS 的差异有多大。其次，我们在单独的分析中预测了 PGS 的表型 NEO-PI-3 人格域、方面和细微差别，用于早晚。在所有分析中，以下变量作为自变量包含在模型中：参与者的芯片（基因分型平台）、年龄、性别和教育程度、他们完成 MCTQ 的季节、上述 20 个主要成分，以及最后，用于早晚的 PGS。

2.4.4 调整错误发现率的分析

由于进行了大量测试，我们回顾性地调整了分层回归分析和多基因评分分析的p值以获取错误发现率（Benjamini & Hochberg，  1995）。我们只在结果部分报告调整后的p 值。

3 结果

3.1 初步和验证分析

3.1.1 季节变化对时间型的影响

进行单向受试者间方差分析 (ANOVA) 以比较季节性变化对 MSF sc 的影响。MCTQ 完成的季节对 MSF sc有显着影响，F (2, 2,176) = 4.91, p  = .007, η² = .005。使用 Tukey HSD 测试的事后比较表明，冬季的平均 MSF sc得分 ( M  = 3.68, SD  = 1.18) 显着低于夏季 ( M  = 3.89, SD  = 1.68) p = .005; 95% CI 的差异 [-.37, -.05]，表明在夏季完成 MCTQ 的人比在冬季完成的人具有更晚的睡眠类型。在春季/秋季完成 MCTQ 的参与者（M  = 3.71，SD  = 1.18）与在冬季或夏季完成的参与者之间的MSF sc没有统计学上的显着差异；差异的 95% CI [-.11, .16; -.37, -.00]。

3.1.2 加权人格项评分（polypersonality score）的发展

我们使用R 3.6.1 中的 glmnet 包（Friedman 等人，  2021 年）来识别所有领域和方面中最能预测时间型的个性项目。我们使用 LASSO 回归分析为个性项创建权重。那些与时间型没有显着关系的项目被赋予零权重。在这个模型中，我们在对年龄、性别、教育和季节的这些特征进行回归之后，包含了所有 240 个人格项目。这种方法以前曾被用于总结人格、认知和大脑对健康结果的影响（Benning 等人，  2005 年；Vainik 等人，  2018 年）。

该模型确定了 23 个最能预测睡眠类型的个性项目。相关项目及其标签、它们所属的方面以及它们被赋予的权重列在表 S9 中。与 MSF sc最密切相关的项目属于 C5：自律方面量表，“我在安顿下来工作之前浪费了很多时间”（#55，反向编码），它与较早的时间类型相关。C4 中的几个项目：追求成就也与 MSF sc密切相关，认为自己有点“工作狂”的人通常表现出较低的 MSF sc分数。15项属于外向性和开放性的方面，都与以后上床和起床有关。另外六个项目是宜人性和尽责性方面的项目，它们与较早的时间型有关。

相关的个性项目被赋予一个权重，并被添加到一个分数（Polypersonality score）中。为了避免过度拟合，我们重新估计了样本的每个 90% 子集的权重，并将其应用于数据中遗漏的 10% 子集。然后我们对所有 90%–10% 的参与者组重复此操作。

3.1.3 早晚 PGS 的预测效度

早晚 PGS 预测表型 MSF sc为p  < .001，标准化回归系数为 -.12（如上所述，PGS 是针对早晚进行训练的，这就是相关性为负的原因）。总体而言，该模型解释了 MSF sc 中33.17% 的方差，f 2  = .52。然而，在包含 20 个主要成分和社会人口学变量的初始模型中添加用于计时类型的 PGS 仅使解释方差增加了 0.91%。当我们使用p  = 5 × 10 -8的截止点时，标准化回归系数为 -.07 ( p  = .005) 并且增量R 2为 0.23%，f ² = .50。

3.2 FFM 人格特质与睡眠类型的关联

3.2.1 NEO-PI-3 域

外向性、开放性、宜人性和尽责性都与 MSF sc显着相关，p  < .001。MSF sc与开放性 ( r  = .33) 和外向性 ( r  = .25) 的相关性最强且呈正相关，这意味着晚熟的人的开放性和外向性得分更高。MSF sc与宜人性 ( r  = -.16) 和尽责性 ( r  = -.16)的负相关在规模上较小，但在p 上仍然显着 < .001，表明晚型的人不太随和和认真。神经质是唯一与 MSF sc没有显着相关性的人格领域。表1中给出了计时型 (MSF sc ) 和 NEO-PI-3 域分数 之间的所有双变量相关性。

表 1. 时间型 (MSF sc ) 与 NEO-PI-3 结构域和方面评分 的双变量相关性--略

笔记

MSF sc  = 根据慕尼黑时间型问卷 (MCTQ) 测量的睡眠欠债（时间型）校正的睡眠中期；NEO-PI-3 = NEO Personality Inventory-3（自我报告和线人报告相结合）。95% 的置信区间包含在括号中。以粗体表示的相关性在p  < .05处是显着的。p 值针对错误发现率进行了调整。

** p  < .01

*** p  < .001。

接下来，我们进行了分层线性回归分析，以确定在控制社会人口学变量和完成 MCTQ 的季节后，MSF sc和 FFM 域之间的关系是否仍然显着。首先，输入一个包含 NEO-PI-3 域分数的块，它解释了 16.14% 的方差，f 2  = .20。当第二组变量（即社会人口变量和季节）加入回归模型时，调整后的R 2与组 1 相比增加了 18.89%，f 2  = .55。表 2给出了模型的概述，包括带置信区间的回归系数、标准化回归系数（β )，以及变量的t检验统计量。还提供了分层回归分析中每个块的调整后的R 2、F统计量和效果大小。

表 2. 在控制年龄、性别、教育和完成 MCTQ 的季节后，检验NEO-PI-3 人格域（自我和线人评级组合）对睡眠类型 (MSF sc ) 的影响的分层线性回归----略

笔记

NEO-PI-3 = NEO Personality Inventory-3；CI = 95% 置信区间；性别：0 = 女性；1 = 男性；教育：基础教育 = 参考类别，季节 = 完成慕尼黑时间型问卷 (MCTQ) 的季节，冬季 = 参考类别。p 值针对错误发现率进行了调整。

在第一个模型中，外向性、开放性、宜人性和尽责性预测 MSF sc为p  < .001。神经质不是 MSF sc的重要预测因素。当将社会人口统计学和季节性添加到模型中时，较晚的时间型与责任心得分较低 ( β  = -.15; p  < .001) 和开放性得分较高 ( β  = .12; p  < .001)显着相关。总体而言，年龄是睡眠类型 ( β  = -.48, p  < .001) 和高等教育水平（中等教育：β  = .10；p  = .034 和高等教育：β  = .16；p  < .001) 与后来的睡眠类型有关。所有九个变量总共解释了 MSF sc 中35.03% 的方差。

3.2.2 NEO-PI-3 方面

在方面水平上，MSF sc和 NEO-PI-3 方面量表之间的 30 个相关性中有 22 个在p  < .05的水平上显着。MSF sc 与外向性和开放性的所有方面以及神经质的单个方面（N5：冲动）呈正相关，p < .05。责任心的五个方面（C1：能力，C2：秩序，C3：尽责，C5：深思熟虑，C6：深思熟虑）和宜人性的四个方面（A2：直率，A4：服从，A5：谦虚，A6：温柔) 与 MSF sc呈负相关，p  < .05。MSF sc与 E5 的相关性最强（0.30 或更高）：寻求兴奋（r = .39) 和 O1：对幻想的开放性 ( r  = .34)，p  < .001（见表 1）。

接下来，我们进行了如上所述的分层线性回归分析，唯一的区别是将 NEO-PI-3 分面量表添加到模型中，而不是域分数。表 S10报告了层次回归分析的结果。所有 34 个变量解释了 MSF sc 中37.05% 的方差。当将 Block 2 变量（年龄、性别、教育和季节）添加到回归模型中时，调整后的R 2与 Block 1（即 30 个方面的分数）增加了 11.41%，f 2  = .62。在第一个模型中，十个方面是 MSF sc 的重要预测因子。然而，当社会人口变量和季节被添加到模型中时，只有更年轻的年龄（β = -.45; p  < .001），高等教育（β  = .15；p  < .001），较高的 E5：寻求刺激（β  = .13；p  < .001），较低的 C5：自律（β  = -.10 ; p  = .007) 和更高 A2：直截了当（β  = .10；p  < .001）对以后的时间型的预测做出了重大贡献。这些结果表明，这些人更年轻、受过更多教育、更直接、更喜欢寻求刺激，但不那么自律，他们更有可能出现较晚的睡眠类型。

3.2.3 NEO-PI-3 的细微差别

由于我们已经根据社会人口变量和季节对 NEO-PI-3 项目进行了回归，因此我们没有对它们进行额外调整。因此，我们只是将 Polypersonality 分数与 MSF sc相关联。两个变量之间的相关性为r  = .28 ( p  < .001)，这表明 Polypersonality 分数能够解释 MSF sc 中7.84% 的方差。

3.3 遗传关系

3.3.1 遗传相关性

我们将遗传相关性定义为两种表型共有的常见遗传变异的比例（Hartz 等，  2018）。表 3概述了早晚与 FFM 人格域之间的遗传相关性。早晚与开放性 ( r g  = -.24, p  < .001) 和尽责性 ( r g  = .31, p  < .001)在遗传上显着相关。

表 3. 来自 GWAS 的早晚和 FFM 人格域的遗传相关性估计---略

缩写：FFM = 五因素人格模型；GWAS = 全基因组关联研究；r g  = 遗传相关性；SE  = 标准误差。

3.3.2 在 PGS 上回归早晚的表型 FFM 人格特征

最后，我们使用一系列多元回归分析对 PGS 上的所有 NEO-PI-3 人格领域、方面和细微差别（即多人格评分）进行了回归分析（见表 4）。在支持信息的表S11中报告 了截断值为p  = 5 × 10 -8的 PGS 结果。

表 4. 用于预测 NEO-PI-3 领域和方面得分的多基因评分 (PGS) 的标准化回归系数，以及在控制 20 个主要成分和社会人口学变量的情况下的多人格评分---略

笔记

多元人格分数 = 加权人格项目分数。解释的方差量计算为基线模型的调整后R 2与包含早晚 PGS 的模型之间的差异。p 值针对错误发现率进行了调整。

早晚的 PGS 没有显着预测任何表型 NEO-PI-3 人格领域或方面。然而，它显着地预测了 Polypersonality 分数 ( p  < .001; f 2  = .03)，标准化回归系数为 -.02，解释了 Polypersonality 分数方差的 0.71%。我们的敏感性分析表明，当使用p  = 5 × 10 -8 的分界点时，PGS 不再能够显着预测 FFM 人格等级的任何组成部分。

4。讨论

本研究在爱沙尼亚成年人的大样本中，在领域、方面和项目级别检查了睡眠类型与 FFM 人格特征之间的关系。我们的结果表明，人格和表型的表型分数在人格等级的所有三个层次上都相互关联。我们还发现早晚性和个性在遗传上彼此显着相关，并且早晚性的 PGS 在p  < .001 时显着预测了 Polypersonality 得分。

4.1 表型与性格的表型关系

双变量相关分析表明，除了神经质外，睡眠类型与所有 FFM 人格领域都显着相关，p  < .05。外向性和开放性水平较高的参与者具有较晚的时间型，而在宜人性和尽责性方面得分较高的参与者具有较早的时间型。加上之前关于性别在计时型中的作用的混合结果（Adan 等人，  2012 年），我们发现性别不是计时型的重要预测因子。在控制社会人口因素和季节性因素后，我们发现责任心低而开放性高的参与者更有可能具有较晚的时间型。这些发现与兰德勒及其同事对大量德国成年人进行的研究一致（2017 年）也控制了社会人口学变量，发现开放性和尽责性以及外向性是早晚的重要预测因素。在我们的模型中，当添加社会人口变量和季节性时，外向性和宜人性不再具有统计学意义。由于年龄是睡眠类型的最强预测因子，它很可能会影响关系，因为已经表明外向性在成年期减少而宜人性增加（Soto 等人，  2011 年）。

我们研究的新方面之一是在方面分析了睡眠类型与 FFM 人格特质之间的关系。一些方面（例如，E5：寻求兴奋和 A2：直率）与时间型的相关性比它们各自的领域（即外向性和宜人性）更强烈，这表明性格方面可能确实增加了关于性格与各种生活之间关系的重要信息除了更广泛的人格特征之外，结果（Mõttus，  2016 年；Paunonen 和 Ashton，  2001 年；Paunonen 等人，  2003 年））。当我们控制社会人口变量和季节性时，我们发现那些更寻求刺激 (E5) 和直率 (A2) 但自律水平较低 (C5) 的参与者更有可能拥有较晚的睡眠类型。例如，在 E5 中得分较高的人：寻求刺激的人渴望兴奋和刺激，并且喜欢鲜艳的色彩和嘈杂的环境（Costa & McCrae，  1992 年）——这是您通常在夜总会中找到的环境，当您访问时，可能会鼓励晚睡。另一方面，直率高的人 (A2) 与坦率、真诚和天真 (Costa & McCrae,  1992) 相关联)，这可能会让其他人更喜欢他们的存在。我们只能推测，直率高的人也倾向于在白天晚些时候与他人见面。

为了进一步探索人格 - 时间型关系，我们在分析中包含了单个人格项目（或细微差别），因为这些项目有时比人格特质或方面更能预测后续生活结果（Vainik 等人，  2015 年）。我们的模型确定了 23 个 NEO-PI-3 项目与时间型相关，同时控制了社会人口变量和季节性。这 23 个项目根据它们的重要性被赋予特定的权重，并总结为最能预测睡眠类型的 Polypersonality 分数。当我们将 Polypersonality 分数与 MSF sc相关联时，两种结构之间的相关性为r  = .28 ( p < .001)，这表明 Polypersonality 分数解释了 MSF sc 中7.84% 的方差。

权重最高的项目——“我在开始工作之前浪费了很多时间”（#55）——属于 C5：自律方面量表。表示在开始工作之前会浪费大量时间的参与者表现出较晚的时间类型。在预测睡眠类型中权重第二高的项目是“我有点工作狂”（#230），它是 C4：成就奋斗的一部分。将自己描述为工作狂的参与者更有可能更早睡觉和起床。

4.2 解释表型人格-时间型关系的可能途径

人格-时间型关系的可能解释是什么？尽管我们的研究结果并不能说明人格-时间型关系的因果关系，但有人认为，时间型也受人类行为的影响（Roenneberg 等，  2019）。从人格心理学的角度来看，至少有两种方法可以解释我们的结果。首先，人格特质可能通过塑造人们对各种社交活动和行为的偏好来影响睡眠类型，而这反过来又可能影响人们上床和起床的时间。例如，已经表明，不那么认真的人更经常过度饮酒，这通常发生在周末晚上（帕克和威廉姆斯，  2003）。E5 高的人：已经证明寻求刺激的人也很注重感觉（Aluja 等人，  2003 年），因此更有可能参与酒精使用和危险的性行为，包括更高频率的单-床头柜（Justus 等人，  2000 年）。与钟型相似，当青少年过渡到成年期时，开放性会达到顶峰（Lüdtke 等人，  2011 年；Vecchione 等人，  2012 年）。然而，开放的个体往往感觉比实际年龄年轻，这种关联随着年龄的增长而增强（Stephan et al.,  2012）。开放度高的人在一生中仍然保持好奇心，想要尝试新事物和去新地方（Sutin，  2015 年）：他们更频繁地参加音乐会（Nusbaum & Silvia，  2010 年），并花更多时间在餐厅和酒吧（Mehl 等人，  2006 年），其中许多活动经常发生在晚上。因此，具有某些性格特征（例如，低责任心、高开放度等）的人很可能更可能参与某些社交活动，从而使他们晚上睡得更晚，睡到早上更晚。

人格如何影响睡眠类型的第二种可能途径是通过人们对睡眠做出的积极决定。例如，有责任心的人更有可能准时上班并且不会睡过头（Jackson & Roberts，  2015 年），并且可能会采用有助于他们实现这些目标的睡眠模式。他们可能会在一周内习惯他们的睡眠模式，这样他们在周末就不会有太大的不同。尽责性和早晚性是相关的（例如，参见 Lipnevich 等人，  2017 年；Tsaousis，  2010 年) 之间的关系，突出显示了它们与健康和死亡率的关系的相似性——责任心低和晚型的人更有可能死于更年轻 (Friedman & Kern,  2014 ; Partonen,  2015 )。那么，作为更健康生活方式选择的一部分，责任心高的人可能会慎重决定早睡（参见 Bogg & Roberts，  2004 年）。事实上，有证据表明 C5 高的人：自律参与各种促进健康的行为，而他们避免或减少对他们的健康有害的行为（Weiss & Costa，  2005）。因此，自律性强的人可能会在周末或其他空闲时间从事类似的睡眠模式，因为他们是工作日。

4.3 性格与早晚关系的遗传机制

除了上面解释的途径之外，性格和睡眠类型也有可能是相关的，因为它们有共同的遗传病因。早晚性与 FFM 人格域之间的遗传相关性表明，尽责性与早间性有关，而开放性与晚间性有关。尽管 GWAS 不是来自爱沙尼亚生物库，但在早晚和不同的性格问卷方面进行了培训，这与我们的分层回归分析的结果一致，即在对睡眠表型人格进行回归时。

为了进一步探索爱沙尼亚生物库参与者的性格和睡眠类型之间的遗传机制，我们使用 PGS 来表示早晚。早晚 PGS 解释了 MSF sc 中0.91% 的方差，即使它是根据昼夜偏好（即早晚）而不是 MCTQ 概念化和测量的时间类型进行训练的。早晚的 PGS 能够显着预测项目级别的多人格评分，解释其方差的 0.71%，表明特定的个性项目可能与早晚的相关性最大，即使在遗传水平上也是如此。然而，当采用不同的p值截止点p = 5x10 -8使用的遗传变异少得多，这种关系不再显着。这表明将 SNP 列表限制为 GWAS 显着变异会降低 PGS 的预测价值（Lamri 等，  2020）。

4.4 研究的可能影响

在所有三个不同的人格水平上，与睡眠类型显着相关的人格特质之一是责任心的一个方面，C5：自律。在之前的研究中，低水平的自我控制与自律 (Duckworth, 2011 )同义，与 晚间活动有关 (Digdon & Howell,  2008 )。相比之下，高度自我控制是许多积极结果的预测指标，例如身体健康、物质依赖程度较低以及出生后 32 年犯罪结果较少（Moffitt 等，  2011 年）。有趣的是，虽然人格特质随着时间的推移大多是稳定的，但自我控制干预已显示出提高自我控制水平的希望（Muraven， 2010 年）。这可能特别重要，因为早起的人倾向于未来的倾向是通过自我控制来调节的（Milfont & Schwarzenthal，  2014 年）。因此，晚上的人可以变得更加面向未来，并学会重视长期规律睡眠模式的重要性。众所周知，社交或职业需求（例如拥有家庭或工作）也会改变睡眠类型（Abbott et al.,  2017 ; Leonhard & Randler, 2009），这表明有可能更有意地改变一个人的睡眠类型办法。理想情况下，工作时间会适应一个人的时间类型（Petru et al.,  2005)，但如果生活环境不允许这种灵活性，人类可以学习应用策略，促进他们早点睡觉。早关灯也可能影响褪黑激素释放的时间，因为昼夜节律受光的影响很大（Duffy et al., 1996）。因此，晚上的人会准备在更合适的时间入睡。

4.5 局限性、结论和未来研究

当然，我们的研究并非没有局限性。我们使用 MCTQ (Roenneberg et al., 2003 )评估了睡眠时间型，该方法使用在自由日 的睡眠中期校正睡眠债务作为睡眠时间型的指标。该分数仅适用于周末不使用闹钟的人。因此，我们必须排除 336 名在年龄、教育和性格领域（见表S1）方面与纳入的参与者不同的参与者， 这可能会影响我们的结果。此外，我们在表型分析中使用了时间型，而在遗传分析中使用了早晚。这两个结构彼此高度相关（Zavada 等人，  2005 年），但测量结果不同（Roenneberg，  2015 年））。然而，我们发现早晚 PGS 在 MSF sc上退化，表明早晚和钟型的遗传机制相似。

这项研究有助于更透彻地了解人格与睡眠类型/早晚之间的关系。据我们所知，我们的研究是第一个探索人格方面和项目作为睡眠类型预测因素的研究。特质和方面模型在预测睡眠类型方面表现出独特的特征。例如，A2：直率，宜人性的一个方面，和 E5：寻求兴奋，外向性的一个方面，显着预测了面模型中的时间型，即使宜人性和外向性没有预测特质模型中的时间型。由于早晚的 PGS 只能对多人格评分进行回归，因此多人格评分似乎与早晚的相关性最大。未来的研究应侧重于使用大规模成人样本在全球不同纬度地区的研究结果的普遍性。纵向研究是必要的，因为它们可以通过观察事件的时间顺序来帮助理解性格和时间型之间因果关系的方向。未来的研究应该调查作为 MSF 重要预测因素的人格项目是否我们分析中的sc还预测了其他数据集中的MSF sc。我们研究的一个更实际的意义可能是加强自律，以促进晚年的健康。

总而言之，我们在这项研究中展示了个性如何通过与我们的结果一致的两种机制影响睡眠类型——具有某些个性特征的人，例如开放性，选择鼓励特定就寝时间的活动，或者具有高度责任感的人，尤其是在 C5 中的人：自律，可以主动选择他们的就寝时间，以便他们可以更好地遵循他们的（与健康相关的）目标。然而，睡眠类型也会影响个性，或者这两种结构可能会相互影响。后者得到了我们的发现的支持，这些发现表明早晚性和个性之间存在明显的遗传关系。为了更好地理解这两种结构之间共享的遗传机制以及它们之间的因果关系，后续的研究将是必要的。

致谢

这项工作是通过授予 Anita Lenneis 的华威大学研究生奖学金资助的。该研究得到了爱沙尼亚教育和科学部机构研究基金 (IUT2-13) 的支持。我们感谢塔尔图大学爱沙尼亚基因组中心及其主任安德烈斯·梅茨帕卢 (Andres Metspalu) 在收集数据方面提供的帮助以及在当前研究中使用数据的善意许可。我们还要感谢 Ahuti Das-Friebel 和 Victoria Collard 对手稿的有益评论。

利益冲突

作者声明他们没有利益冲突。

道德声明

这项研究得到了塔尔图大学研究伦理委员会的批准（批准：236/M-29，2014 年 5 月 14 日；206/T-4，2011 年 8 月 22 日；170/T-38，2008 年 4 月 28 日；166/T -21，2007 年 12 月 17 日）。爱沙尼亚生物库数据的二次数据分析于 2018 年 11 月 19 日获得华威大学心理学系伦理委员会的批准。

尾注

1 相关性为负，因为 MEQ 中的高分意味着较高的早睡倾向。

2 三百三十六名参与者被排除在时间型分析之外，因为他们表示在空闲日使用闹钟。被排除参与者的平均年龄为 47.67 ( SD  = 15.35)，200 (59.52%) 为女性。可以在支持信息的表 S1 中找到对被排除和包括的参与者的更详细描述。

本文对您是否有帮助？