Klinické biomarkery a hodiny stárnutí: Příslib nových metod, ale bez převratného zlepšení
Moderní výzkum se intenzivně zabývá vytvářením přesných biologických hodin, které by mohly odhalovat skutečný biologický věk člověka a pomoci předpovídat riziko nemocí a úmrtnosti. Tyto hodiny často vycházejí z různých biologických měření a datových analýz pomocí metod strojového učení. Přestože většina současného výzkumu se soustředí na epigenetická data, roste také zájem o hodiny založené na klinických biomarkerech, jako jsou výsledky krevních testů nebo fyzická kondice.
PhenoAge: Základní nástroj v klinickém výzkumu
Mezi klinickými hodinami stárnutí je PhenoAge jedním z nejrozšířenějších modelů. Tento index využívá pouze 9 biomarkerů, které lze snadno získat z běžného krevního testu, což přispívá k jeho oblíbenosti. Vědecká komunita jej používá nejen pro výzkum, ale i pro praktické aplikace. Aby nový model klinických hodin získal pozornost, musí prokázat výrazné zlepšení přesnosti oproti PhenoAge.
V nedávné studii vědci představili nový index, Physiological Aging Index (PAI), který vychází ze 17 biomarkerů. Přestože PAI přinesl určité zlepšení oproti PhenoAge, rozdíl nebyl dostatečně významný, aby ospravedlnil zvýšenou složitost modelu.
Význam biologického věku (BA)
Biologický věk představuje individuální rychlost stárnutí na základě zdravotního stavu a genetických faktorů. Jedinci se stejným chronologickým věkem (CA) mohou vykazovat různé zdravotní riziko, například v důsledku obezity, kouření nebo socioekonomických podmínek. Měření biologického věku proto pomáhá identifikovat osoby s urychleným stárnutím a vyvíjet personalizované preventivní strategie.
Biologické hodiny založené na klinických biomarkerech jsou často dostupnější a lépe interpretovatelné než ty, které používají složitější metody, jako je analýza DNA methylace. Modely jako PhenoAge nebo nově PAI však čelí výzvě, jak účinně oddělit biologické stárnutí od chronologického věku.
Vývoj a testování Physiological Aging Index (PAI)
PAI vznikl na základě dat z Dongfeng-Tongji (DFTJ) kohorty, která zahrnovala přes 12 tisíc čínských seniorů. Výzkumníci analyzovali 36 klinických biomarkerů, z nichž 25 mělo významnou souvislost s úmrtností. Použitím nelineárních modelů (např. Restricted Cubic Splines) bylo nakonec vybráno 17 biomarkerů, které byly kombinovány s chronologickým věkem.
PAI byl poté testován na samostatné sadě dat (DFTJ testovací set) i na velkém externím souboru z UK Biobank. Výsledky ukázaly, že PAI předpovídá úmrtnost s lepší přesností než chronologický věk a mírně překonává PhenoAge. Dále PAI lépe kalibroval predikci přežití a ukázal se jako spolehlivější v identifikaci rizik pro kardiovaskulární onemocnění.
Klíčová zjištění
- Výkon PAI: V DFTJ testovací sadě měl PAI C-index 0,816, což je zlepšení oproti chronologickému věku (0,771) i PhenoAge (0,799). V UK Biobank setu měl C-index 0,749, také lepší než CA a PhenoAge.
- Predikce nemocí: PAI a jeho derivát (ΔPAI), který měří zrychlené stárnutí nezávisle na chronologickém věku, překonal jednotlivé biomarkery v předpovídání rizika 8 chronických nemocí spojených s věkem.
- Lepší kalibrace: PAI lépe odrážel skutečné přežití ve srovnání s předpověďmi modelu PhenoAge.
Proč jednoduché modely fungují dobře?
Jedním z překvapivých zjištění této studie je, že modely s menším počtem parametrů, jako PhenoAge, stále dosahují vysoké přesnosti. Méně parametrů může snížit riziko přeplácání dat a zvýšit robustnost modelu při aplikaci na různorodé populace.
Budoucnost klinických hodin stárnutí
Zatímco PAI nabízí určitá zlepšení, jeho složitost zvyšuje nároky na data i interpretaci. To omezuje jeho širší uplatnění ve srovnání s jednoduššími modely, jako je PhenoAge. Vědci se nyní zaměří na vylepšení klinických hodin tak, aby byly zároveň přesnější a jednodušší na použití.