Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Gesundheitswissenschaften# Epidemiologi

Biologische Alterung: Ein neuer Blick auf Gesundheit

Das Verstehen von biologischem Altern kann helfen, Gesundheitsrisiken und Lebensdauer vorherzusagen.

― 7 min Lesedauer


Einblicke in biologischesEinblicke in biologischesAlternvoraus.basierend auf biologischem AlternNeue Modelle sagen Gesundheitsrisiken
Inhaltsverzeichnis

Chronologisches Alter ist, wie viele Jahre eine Person schon gelebt hat, aber das erzählt nicht immer die ganze Geschichte über die Gesundheit einer Person. Leute im gleichen Alter können ganz unterschiedliche Gesundheitszustände, Lebensstile und Alterszeichen haben. Dieser Unterschied kommt oft auf das biologische Alter zurück, was der schleichende Schaden an Zellen und Geweben im Laufe der Zeit ist. Im Gegensatz zum chronologischen Alter, das wir nicht ändern können, könnte das biologische Alter etwas sein, das wir beeinflussen oder sogar umkehren können. Deshalb ist es wichtig, zuverlässige Methoden zur Messung des biologischen Alters zu finden, was für die medizinische Forschung und die öffentliche Gesundheit entscheidend ist.

Was ist Biologisches Altern?

Es gibt keinen spezifischen Marker, der biologisches Altern definiert; stattdessen haben Forscher mehrere Merkmale identifiziert. Eines davon ist die Telomerlänge. Telomere sind schützende Kappen an den Enden der Chromosomen, die mit dem Alter kürzer werden. Studien haben auch untersucht, wie körperliche Stärke und Herzgesundheit sich mit dem Alter verändern. Weitere Faktoren sind verschiedene Marker im Blut, die auf Entzündungen oder Gebrechlichkeit hinweisen.

Messung des biologischen Alters

Wissenschaftler nutzen fortschrittliche Techniken, um biologische Altersuhren zu erstellen. Diese Uhren verwenden Daten aus verschiedenen biologischen Prozessen, um das biologische Alter einer Person zu schätzen. Zum Beispiel schauen einige Techniken auf DNA und Gehirnscans, um Muster zu finden, die das biologische Alter mit dem chronologischen Alter verbinden. So können Forscher sehen, wie gut die Vorhersagen des biologischen Alters mit der Gesundheit einer Person übereinstimmen.

Die Rolle der Metabolomik

Metabolomik ist das Studium von kleinen Molekülen, oder Metaboliten, die in unserem Körper vorkommen. Diese Metaboliten werden während Prozessen wie der Verdauung produziert. Mit der Verbesserung der Technologie können Forscher jetzt viele Metaboliten gleichzeitig analysieren, was ein detaillierteres Bild der Gesundheit einer Einzelperson liefert. Profile von Metaboliten können helfen, Krankheiten und sogar das Sterberisiko vorherzusagen. Im Laufe der Jahre haben Studien Zusammenhänge zwischen Metabolitwerten und sowohl dem chronologischen Alter als auch der Gesundheit gezeigt.

Die UK Biobank Studie

Die UK Biobank ist eine grosse Gesundheitsstudie, die Daten von über 500.000 Personen im Alter von 37 bis 73 Jahren umfasst. Die Teilnehmer teilen ihre demografischen Daten, Lebensgewohnheiten und medizinische Vorgeschichte und unterziehen sich Gesundheitschecks, einschliesslich Blutuntersuchungen. Diese Studie ermöglicht es Forschern, Gesundheitsdaten mit verschiedenen Aufzeichnungen zu verknüpfen, einschliesslich Krankenhausbesuchen und sogar Sterbeurkunden.

Für die UK Biobank wurden Blutplasma-Proben analysiert, um verschiedene Metaboliten mithilfe einer Methode namens Kernspinresonanzspektroskopie (NMR) zu messen. Diese Methode kann eine breite Palette von Metaboliten nachweisen und liefert ein umfassendes Profil des biologischen Zustands einer Person.

Maschinelles Lernen in der Alternsforschung

In unserer Studie haben wir verschiedene Techniken des maschinellen Lernens verglichen, um Altersuhren basierend auf Metabolomik-Daten von mehr als 100.000 Teilnehmern der UK Biobank zu erstellen. Diese Altersuhren helfen vorherzusagen, wie gesund eine Person im Vergleich zu ihrem chronologischen Alter ist. Wir haben auch untersucht, wie gut diese Uhren Dinge wie Krankheiten und Lebenserwartung vorhersagen können.

Maschinelle Lernalgorithmen wurden verwendet, um Daten zu analysieren und das biologische Alter vorherzusagen, indem sie Muster zwischen Metabolitwerten und chronologischem Alter fanden. Wir haben eine Methode namens geschachtelte Kreuzvalidierung verwendet, um die Genauigkeit jedes Algorithmus zu bewerten und sicherzustellen, dass wir nicht nur Glück mit unseren Vorhersagen hatten.

Gesundheitsindikatoren und Sterblichkeit

In unserer Forschung haben wir untersucht, wie die Altersuhren mit verschiedenen Gesundheitsindikatoren zusammenhingen, wie z. B. das Vorhandensein von Langzeiterkrankungen, dem allgemeinen Gesundheitszustand und der Gebrechlichkeit. Ausserdem schauten wir, wie diese Altersvorhersagen mit der Gesamtsterblichkeit assoziiert waren, was bedeutet, die Wahrscheinlichkeit, aus irgendeinem Grund zu sterben.

Die UK Biobank-Studie lieferte viele Daten: Die Teilnehmer wurden über viele Jahre verfolgt, was es uns ermöglichte zu bewerten, wie gut unsere Altersuhren Gesundheitsresultate und Lebensspanne vorhersagen konnten.

Probenmerkmale

Von 118.019 Teilnehmern hatten 101.359 Personen vollständige Daten für die Analyse, nachdem wir diejenigen mit bestimmten Kriterien wie Inkonsistenzen in den Daten oder fehlenden Informationen ausgeschlossen hatten. Das Durchschnittsalter lag bei 56 Jahren, und viele Aspekte der Metabolitwerte variierten mit dem Alter.

Analyse von Metaboliten und Altern

Wir fanden heraus, dass ein grosser Teil der Metaboliten mit dem chronologischen Alter verknüpft war. Die meisten Metaboliten zeigten höhere Werte bei älteren Personen, während einige negativ mit dem Alter assoziiert waren. Zum Beispiel nahmen bestimmte Metaboliten wie Omega-3-Fettsäuren mit dem Alter zu, während andere wie Albumin abnahmen.

Darüber hinaus waren viele Metaboliten, die mit dem Alter in Verbindung standen, auch stark mit Gesundheitsresultaten verknüpft, wie z. B. dem Risiko der Sterblichkeit. Das deutet darauf hin, dass die biologischen Altersuhren, die wir entwickelt haben, nützlich sein könnten, um Personen zu identifizieren, die ein Risiko für schlechte Gesundheit oder frühes Sterben haben.

Leistung des prädiktiven Modells

Die getesteten Methoden zeigten unterschiedliche Genauigkeiten bei der Vorhersage des biologischen Alters. Die Fehlerrate, die aus der Differenz zwischen dem vorhergesagten und dem chronologischen Alter berechnet wurde, war für die meisten Modelle relativ niedrig, was darauf hinweist, dass die Modelle das biologische Alter effektiv schätzen konnten. Das genaueste Modell war besser darin, die Vorhersagen des biologischen Alters mit tatsächlichen Gesundheitsresultaten abzugleichen.

Wir haben unsere Vorhersagen angepasst, um systematische Überschätzungen bei jüngeren Personen und Unterbewertungen bei älteren auszugleichen. Nach der Korrektur fanden wir heraus, dass ein erheblicher Teil der Teilnehmer biologische Altersvorhersagen hatte, die sich stark von ihrem chronologischen Alter unterschieden.

Gesundheitsindikatoren und biologisches Altern

Die Ergebnisse deuteten darauf hin, dass Personen mit biologischen Alter, das älter war als ihr chronologisches Alter, eher Gebrechlichkeit und Gesundheitsprobleme erlebten, neben kürzeren Telomeren. Diese Ergebnisse legen nahe, dass die biologischen Altersuhren Gesundheitsrisiken und Veränderungen im Laufe der Zeit effektiv verfolgen könnten.

Die Beziehung zwischen einem älteren biologischen Alter und schlechterer Gesundheit war stark über mehrere getestete Modelle hinweg. Das impliziert, dass biologisches Altern nicht nur eine Zahl ist; es spiegelt bedeutende Gesundheitsveränderungen wider.

Vorhersage der Sterblichkeit

Wir haben auch untersucht, wie gut unsere Altersuhren Sterberisiken vorhersagen konnten. Die Daten deuteten darauf hin, dass das biologische Alter einer Person, insbesondere wenn es älter als das chronologische Alter war, mit einem höheren Risiko zu sterben korrelierte. Diese Beziehung war über verschiedene Gesundheitsmarker hinweg konsistent.

Unsere Analysen zeigten, dass ältere vorhergesagte Alterswerte mit schlechteren Gesundheitsresultaten assoziiert waren und heben die Bedeutung des Verständnisses biologischen Alterns hervor.

Vergleich mit anderen Altersmarkern

Im Vergleich unserer biologischen Altersuhren mit anderen altersbezogenen Gesundheitsmarkern fanden wir, dass unser Modell ziemlich gut abschnitt. Es war in der Effektivität ähnlich wie andere etablierte Altersmarker, obwohl es auch spezifische Bereiche aufzeigte, in denen Verbesserungen möglich sind.

Die Stärke unserer biologischen Altersmodelle liegt in ihrer Fähigkeit, bedeutungsvolle Einsichten in Gesundheit und Langlebigkeit zu liefern.

Zukünftige Richtungen

Es gibt noch viele Wege, die im Bereich biologisches Altern zu erkunden sind. Zukünftige Forschungen könnten sich darauf konzentrieren, verschiedene Datentypen oder Methoden zu nutzen, um die Genauigkeit der Altersmodelle zu verbessern. Zum Beispiel könnte die Verwendung von Daten aus verschiedenen Geweben ein umfassenderes Bild vom Altern bieten.

Die aktuelle Studie hatte einige Einschränkungen, insbesondere in Bezug auf die Notwendigkeit einer unabhängigen Validierung unserer Ergebnisse. Dennoch zeigt unsere Forschung, dass biologische Altersuhren wertvolle Informationen liefern können, die das Gesundheits-Tracking und Risikobewertungen verbessern können.

Fazit

Die Forschung zeigt, dass biologische Altersuhren, die auf Metabolomik-Daten basieren, signifikant mit Gesundheitsindikatoren und Sterberisiken assoziiert sind. Die Verwendung dieser Uhren kann zu einem besseren Verständnis und einer besseren Vorhersage altersbedingter Gesundheitsveränderungen führen. Das Potenzial dieser Uhren, Gesundheitsrisiken zu identifizieren, bevor Symptome auftreten, ist vielversprechend.

Biologische Altersuhren sind ein wichtiges Werkzeug in der Gesundheitsforschung, und mit dem ständigen technologischen Fortschritt könnten sich ihre Anwendungen noch weiter ausdehnen. Indem sie den Menschen helfen, proaktiver mit ihrer Gesundheit umzugehen, können biologische Altersuhren sowohl als Forschungsinstrument als auch als persönliche Gesundheitsmetrik dienen.

Originalquelle

Titel: Metabolomic Age (MileAge) predicts health and lifespan: a comparison of multiple machine learning algorithms

Zusammenfassung: BackgroundMolecular ageing clocks estimate an individuals biological age. Our aim was to compare multiple machine learning algorithms for developing ageing clocks from nuclear magnetic resonance (NMR) spectroscopy metabolomics data. To validate how well each ageing clock predicted age-related morbidity and lifespan, we assessed their associations with multiple health indicators (e.g., telomere length and frailty) and all-cause mortality. MethodsThe UK Biobank is a multicentre observational health study of middle-aged and older adults. The Nightingale Health platform was used to quantify 168 circulating plasma metabolites at the baseline assessment from 2006 to 2010. We trained and internally validated 17 machine learning algorithms including regularised regression, kernel-based methods and ensembles. Metabolomic age (MileAge) delta was defined as the difference between predicted and chronological age. ResultsThe sample included 101,359 participants (mean age = 56.53 years, SD = 8.10). Most metabolite levels varied by chronological age. The nested cross-validation mean absolute error (MAE) ranged from 5.31 to 6.36 years. 31.76% of participants had an age-bias adjusted MileAge more than one standard deviation (3.75 years) above or below the mean. A Cubist rule-based regression model overall performed best at predicting health outcomes. The all-cause mortality hazard ratio (HR) comparing individuals with a MileAge delta more than one standard deviation above and below the mean was HR = 1.52 (95% CI 1.41-1.64, p < 0.001) over a median follow-up of 13.87 years. Individuals with an older MileAge were frailer, had shorter telomeres, were more likely to have a chronic illness and rated their health worse. ConclusionsMetabolomic ageing clocks derived from multiple machine learning algorithms were robustly associated with health indicators and mortality. Our metabolomic ageing clock (MileAge) derived from a Cubist rule-based regression model can be incorporated in research, and may find applications in health assessments, risk stratification and proactive health tracking.

Autoren: Julian Mutz, R. Iniesta, C. M. Lewis

Letzte Aktualisierung: 2024-02-11 00:00:00

Sprache: English

Quell-URL: https://www.medrxiv.org/content/10.1101/2024.02.10.24302617

Quell-PDF: https://www.medrxiv.org/content/10.1101/2024.02.10.24302617.full.pdf

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an medrxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel