Dans une étude récente publiée dans la revue Médecine naturelle, Des chercheurs ont mis au point une horloge protéomique utilisant des protéines plasmatiques pour prédire l'âge biologique et les risques sanitaires associés. Ils ont découvert que cette horloge prédit avec précision l'âge et est liée au risque de maladies chroniques majeures, de multimorbidité et de mortalité dans diverses populations.
Étude : L'horloge protéomique du vieillissement prédit la mortalité et le risque de maladies courantes liées à l'âge dans diverses populations. Crédit photo : kiehlord / Shutterstock
Sommaire
Arrière-plan
Le vieillissement est un facteur clé dans l'apparition de maladies chroniques comme les maladies cardiaques, les accidents vasculaires cérébraux, le diabète et le cancer, bien que le moment et la gravité varient selon les individus. Bien que l'âge chronologique soit souvent utilisé pour estimer le vieillissement biologique, il peut ne pas être une mesure de substitution précise. Cette étude est importante car elle est la première à valider une horloge protéomique de l'âge sur des populations larges et diverses, offrant un outil robuste pour prédire les maladies et la mortalité liées à l'âge. Des estimations plus précises peuvent être obtenues en utilisant des données « omiques », qui reflètent le fonctionnement biologique d'un individu. Le vieillissement biologique influence le risque de maladies chroniques, d'invalidité et les besoins en soins de santé. Bien que les horloges de méthylation de l'acide désoxyribonucléique (ADNm) aient déjà été utilisées pour mesurer l'âge biologique, les niveaux de protéines peuvent potentiellement offrir des informations plus directes sur les mécanismes du vieillissement. Bien que des études antérieures aient développé des horloges protéomiques de l'âge pour prédire le risque de maladie et la mortalité, aucune ne l'a fait dans des populations larges et diverses. Par conséquent, les chercheurs de la présente étude ont comblé cette lacune en développant et en validant une horloge de vieillissement protéomique dans différentes populations et en évaluant son pouvoir prédictif pour le risque de maladies chroniques, de mortalité et de traits liés au vieillissement.
À propos de l'étude
Dans la présente étude, les données ont été obtenues auprès de trois grandes cohortes de biobanques : United Kingdom Biobank (UKB), China Kadoorie Biobank (CKB) et FinnGen. Les chercheurs ont développé et validé une horloge protéomique de l'âge via la plateforme Olink Explore 3072. L'horloge pourrait prédire l'âge biologique d'une personne en fonction des niveaux d'expression de protéines spécifiques, qui peuvent être différents de son âge chronologique. La différence, appelée « ProtAgeGap », a été analysée pour explorer sa relation avec le vieillissement, la fragilité et la maladie.
Au total, 45 441 participants de l'UKB (âgés de 39 à 71 ans, 54 % de femmes), 3 977 de la CKB (âgés de 30 à 78 ans, 54 % de femmes) et 1 990 de la FinnGen (âgés de 19 à 78 ans, 52 % de femmes) ont été inclus. Les données protéomiques ont été traitées et normalisées dans toutes les cohortes, avec 2 897 protéines sélectionnées pour l'analyse après contrôle de qualité. Un modèle de renforcement de gradient (LightGBM) a été utilisé, surpassant les autres modèles d'apprentissage automatique dans la prédiction de l'âge chronologique. L'élimination récursive des caractéristiques a permis d'identifier les 20 protéines les plus importantes, formant un modèle prédictif minimal (ProtAge20) qui a conservé une grande précision. Le modèle a été formé et validé à l'aide d'une validation croisée quintuple dans l'UKB et appliqué aux cohortes CKB et FinnGen pour calculer le ProtAgeGap. L'analyse statistique impliquait l'utilisation d'une régression linéaire ou logistique, de modèles de risques proportionnels de Cox, d'une analyse d'enrichissement fonctionnel, d'une analyse d'interaction des explications additives de Shapley (SHAP), d'une analyse de survie de Kaplan-Meier et d'une visualisation du réseau d'interaction protéine-protéine (PPI).
unLes participants à l'UKB ont été répartis en groupes d'entraînement et de test selon un ratio de 70:30. Dans l'ensemble d'entraînement, un modèle LightGBM a été formé pour prédire l'âge chronologique à l'aide de 2 897 protéines plasmatiques et d'une validation croisée à cinq volets. Nous avons identifié 204 protéines pertinentes pour prédire l'âge chronologique à l'aide de l'algorithme de sélection de caractéristiques Boruta et avons réentraîné un modèle LightGBM raffiné à l'aide de ces 204 protéines, qui a ensuite été évalué dans l'ensemble de test UKB. bDes données indépendantes du CKB et de FinnGen ont été utilisées pour une validation indépendante supplémentaire du modèle d'horloge d'âge protéomique. cL'âge prédit par les protéines (ProtAge) a été calculé dans l'échantillon complet de l'UKB à l'aide d'une validation croisée à cinq volets et de LightGBM. ProtAgeGap a été calculé comme la différence entre ProtAge et l'âge chronologique. Nous avons utilisé une régression linéaire et logistique pour tester les associations entre ProtAgeGap et un panel complet de marqueurs biologiques du vieillissement et de mesures de la fragilité et de l'état physique/cognitif. De plus, nous avons utilisé des modèles de risques proportionnels de Cox pour tester les associations entre ProtAgeGap et la mortalité, 14 maladies courantes et 12 cancers. La plupart des analyses d'association n'ont été effectuées que dans l'UKB, en raison de la taille plus petite de l'échantillon dans le CKB et du manque de cas de maladie dans FinnGen. Figure créée avec BioRender.com.
Résultats et discussion
Au cours de la période de suivi de 11 à 16 ans, 10,6 %, 36 % et 1 % des décès ont été enregistrés dans les cohortes CKB, UKB et FinnGen, respectivement. Au total, 204 protéines liées au vieillissement ont été identifiées et les associations entre l'âge et ces protéines se sont avérées stables dans le temps.
ProtAgeGap a été corrélé aux marqueurs biologiques du vieillissement et aux résultats cliniques. Il s'est avéré être un puissant prédicteur du risque de multimorbidité, de mortalité toutes causes confondues (rapport de risque (HR) = 1,15 par an ProtAgeGap) et de 14 maladies non cancéreuses, dont la maladie d'Alzheimer (HR = 1,11), la maladie rénale chronique (HR = 1,14) et le diabète de type 2 (HR = 1,13). De plus, ProtAgeGap a également montré des associations avec les risques de cancer, notamment le cancer du sein (HR = 1,12), le cancer du poumon (HR = 1,09) et le cancer de la prostate (HR = 1,08). ProtAgeGap s'est également avéré associé à divers marqueurs biologiques du vieillissement (par exemple, la longueur des télomères, le facteur de croissance analogue à l'insuline-1) et à des mesures de la fonction cognitive et physique. Des analyses de sensibilité, incluant des non-fumeurs et des personnes de poids normal, ont confirmé ces associations.
Selon l'étude, l'horloge protéomique du vieillissement est principalement affectée par des protéines impliquées dans diverses fonctions biologiques, telles que les interactions avec la matrice extracellulaire, la réponse immunitaire et l'inflammation, la régulation hormonale, la reproduction, le développement neuronal et la différenciation. L'horloge protéomique a montré un chevauchement limité avec les horloges DNAm, mettant en évidence de nouvelles protéines liées au vieillissement et fournissant des informations supplémentaires sur les biomarqueurs du vieillissement. L'étude est renforcée par l'utilisation de modèles de renforcement de gradient qui permettent des associations et des interactions non linéaires entre les protéines, offrant une meilleure généralisabilité par rapport aux autres modèles. Cependant, l'étude est limitée par l'utilisation exclusive de la plateforme Olink Explore 3072, limitant la couverture protéique et le manque de données DNAm pour des comparaisons directes avec les horloges DNAm du vieillissement.
Conclusion
En conclusion, l’horloge protéomique de l’âge développée dans cette étude fournit un système de prédiction robuste du vieillissement biologique qui peut offrir des informations sur les maladies liées à l’âge, la fragilité et les mécanismes de mortalité. L’étude suggère que la protéomique plasmatique est une méthode fiable pour mesurer l’âge biologique, guidant ainsi les cibles médicamenteuses, les nouvelles interventions ou les changements de mode de vie pour potentiellement réduire la mortalité prématurée et retarder l’apparition de problèmes de santé majeurs liés à l’âge.
