在最近發表在《自然醫學》雜志上的一項研究中，研究人員開發了一種蛋白質組年齡時鐘，使用血漿蛋白來預測生物年齡和相關的健康風險。他們發現，這個時鐘準確地預測了年齡，并與不同人群患主要慢性疾病、多病和死亡率的風險有關。

背景

衰老是心臟病、中風、糖尿病和癌癥等慢性疾病發病的關鍵因素，盡管發病時間和嚴重程度因人而異。雖然實足年齡經常被用來估計生物衰老，但它可能不是一個準確的替代測量。這項研究意義重大，因為它是第一個在大型和多樣化人群中驗證蛋白質組年齡時鐘的研究，為預測與年齡相關的疾病和死亡率提供了一個強大的工具。使用“組學”數據可以實現更準確的估計，這反映了個體的生物功能。生物老化影響慢性病、殘疾和醫療保健需求的風險。盡管脫氧核糖核酸甲基化(DNAm)時鐘之前已被用于測量生物年齡，但蛋白質水平可能會為衰老機制提供更直接的見解。盡管先前的研究已經開發出蛋白質組年齡時鐘來預測疾病風險和死亡率，但沒有一個研究在大規模、多樣化的人群中做到這一點。因此，本研究的研究人員通過開發和驗證不同人群的蛋白質組年齡時鐘，并評估其對慢性疾病風險、死亡率和衰老相關特征的預測能力，解決了這一差距。

關于研究

在本研究中，數據來自三個大型生物庫隊列-英國生物庫(UKB)，中國嘉道里生物庫(CKB)和芬蘭。研究人員通過Olink Explore 3072平臺開發并驗證了蛋白質組年齡時鐘。生物鐘可以根據特定蛋白質的表達水平來預測一個人的生物年齡，這可能與他們的實際年齡不同。這種差異被稱為“ProtAgeGap”，研究人員分析了它與衰老、虛弱和疾病的關系。

共有45,441名參與者來自UKB(39-71歲，女性占54%)，3,977名來自CKB(30-78歲，女性占54%)，1,990名來自FinnGen(19-78歲，女性占52%)。對蛋白質組學數據進行處理并標準化，在質量控制后選擇2897個蛋白質進行分析。采用了梯度增強模型(LightGBM)，在預測實足年齡方面優于其他機器學習模型。遞歸特征消除有助于識別20個最重要的蛋白質，形成最小的預測模型(ProtAge20)，保持了較高的準確性。該模型在UKB中使用五重交叉驗證進行訓練和驗證，并應用于CKB和FinnGen隊列來計算ProtAgeGap。統計分析包括使用線性或邏輯回歸、Cox比例風險模型、功能富集分析、Shapley加性解釋(SHAP)相互作用分析、Kaplan-Meier生存分析和蛋白質-蛋白質相互作用(PPI)網絡可視化。

結果與討論

在11-16年的隨訪期間，CKB組、UKB組和FinnGen組的死亡率分別為10.6%、36%和1%?？偣茶b定出204種與衰老相關的蛋白質，年齡與這些蛋白質之間的關系隨著時間的推移而穩定。

發現ProtAgeGap與生物衰老標志物和臨床結果相關。結果顯示，它是多病、全因死亡率(風險比[HR] = 1.15 /年ProtAgeGap)和14種非癌癥疾病(包括阿爾茨海默病(HR = 1.11)、慢性腎臟疾病(HR = 1.14)和2型糖尿病(HR = 1.13))風險的有力預測因子。此外，ProtAgeGap還顯示與癌癥風險相關，包括乳腺癌(HR = 1.12)、肺癌(HR = 1.09)和前列腺癌(HR = 1.08)。ProtAgeGap還被發現與各種生物衰老標志物(例如，端粒長度，胰島素樣生長因子-1)以及認知和身體功能的測量有關。包括非吸煙者和正常體重個體在內的敏感性分析證實了這些關聯。

根據這項研究，蛋白質組年齡時鐘主要受參與多種生物功能的蛋白質的影響，如細胞外基質相互作用、免疫反應和炎癥、激素調節、生殖、神經元發育和分化。蛋白質組學時鐘顯示與dna時鐘的重疊有限，突出了新的衰老相關蛋白質，并為衰老生物標志物提供了額外的見解。該研究通過使用梯度增強模型得到加強，該模型允許蛋白質之間的非線性關聯和相互作用，與其他模型相比，提供了更好的通用性。然而，該研究受限于Olink Explore 3072平臺的單獨使用，限制了蛋白質覆蓋范圍，并且缺乏與DNAm年齡時鐘直接比較的DNAm數據。

結論

總之，本研究中開發的蛋白質組年齡時鐘為生物衰老提供了一個強大的預測系統，可以深入了解與年齡相關的疾病、虛弱和死亡機制。該研究表明，血漿蛋白質組學是測量生物年齡的可靠方法，從而指導藥物靶點、新的干預措施或生活方式的改變，從而潛在地減少過早死亡，延緩主要與年齡相關的健康狀況的發生。


（文章來源：www.ebiotrade.com/newsf/2024-8/20240813070308429.htm）