Simple Science

Scienza all'avanguardia spiegata semplicemente

# Scienze della salute# Epidemiologia

Invecchiamento Biologico: Un Nuovo Sguardo sulla Salute

Capire l'invecchiamento biologico può aiutare a prevedere i rischi per la salute e la longevità.

― 7 leggere min


ApprofondimentiApprofondimentisull'InvecchiamentoBiologicobiologico.salute in base all'invecchiamentoNuovi modelli prevedono i rischi per la
Indice

L'età cronologica è quanti anni una persona ha vissuto, ma non sempre racconta tutta la storia sulla salute di una persona. Persone della stessa età possono avere condizioni di salute, stili di vita e segni di invecchiamento molto diversi. Questa differenza spesso dipende dall'Invecchiamento biologico, che è il danno graduale a cellule e tessuti nel tempo. A differenza dell'età cronologica, che non possiamo cambiare, l'invecchiamento biologico potrebbe essere qualcosa che possiamo influenzare o addirittura invertire. Quindi, capire modi affidabili per misurare l'età biologica è fondamentale per la ricerca medica e la salute pubblica.

Cos'è l'invecchiamento biologico?

Non c'è un marcatore specifico che definisce l'invecchiamento biologico; piuttosto, i ricercatori hanno identificato diverse caratteristiche. Una di queste è la Lunghezza dei telomeri. I telomeri sono cappucci protettivi alle estremità dei cromosomi che si accorciano man mano che invecchiamo. Gli studi hanno anche esaminato come la forza fisica e la salute del cuore cambiano con l'età. Altri fattori includono vari marcatori nel sangue che indicano infiammazione o fragilità.

Misurare l'età biologica

Gli scienziati stanno usando tecniche avanzate per creare orologi biologici dell'invecchiamento. Questi orologi usano dati di diversi processi biologici per stimare l'età biologica di una persona. Ad esempio, alcune tecniche esaminano il DNA e le scansioni del cervello per trovare modelli che collegano l'età biologica all'età cronologica. Facendo ciò, i ricercatori possono vedere quanto bene le previsioni dell'età biologica si correlano con la salute di qualcuno.

Il ruolo della Metabolomica

La metabolomica è lo studio di piccole molecole, o metaboliti, presenti nel nostro corpo. Questi metaboliti vengono prodotti durante processi come la digestione. Con il miglioramento della tecnologia, i ricercatori ora possono analizzare molti metaboliti contemporaneamente, fornendo un quadro più dettagliato della salute di un individuo. I profili dei metaboliti possono aiutare a prevedere malattie e persino il rischio di morte. Negli anni, studi hanno mostrato collegamenti tra i livelli di metaboliti e sia l'età cronologica che la salute.

Lo studio UK BioBank

La UK Biobank è un grande studio sulla salute che include dati di oltre 500.000 individui di età compresa tra 37 e 73 anni. I partecipanti condividono le loro informazioni demografiche, abitudini di vita e storia medica, e subiscono controlli sanitari, compresi esami del sangue. Questo studio consente ai ricercatori di collegare i dati sulla salute con vari registri, comprese le visite in ospedale e persino i registri di morte.

Per la UK Biobank, sono stati analizzati campioni di plasma sanguigno per misurare diversi metaboliti utilizzando un metodo chiamato spettroscopia di risonanza magnetica nucleare (NMR). Questo metodo può rilevare una vasta gamma di metaboliti, fornendo un profilo completo dello stato biologico di un individuo.

Machine Learning nella ricerca sull'invecchiamento

Nel nostro studio, abbiamo confrontato diverse tecniche di machine learning per creare orologi dell'invecchiamento basati sui dati metabolomici di oltre 100.000 partecipanti alla UK Biobank. Questi orologi dell'invecchiamento aiutano a prevedere quanto è sana una persona rispetto alla sua età cronologica. Abbiamo anche esaminato quanto bene questi orologi potessero prevedere cose come malattie e aspettativa di vita.

Sono stati utilizzati algoritmi di machine learning per analizzare i dati e prevedere l'età biologica trovando modelli tra i livelli di metaboliti e l'età cronologica. Abbiamo utilizzato un metodo chiamato cross-validation nesting per valutare l'accuratezza di ciascun algoritmo, assicurandoci che non stessimo solo avendo fortuna con le nostre previsioni.

Indicatori di salute e mortalità

Nella nostra ricerca, abbiamo valutato come gli orologi dell'invecchiamento si correlavano a vari indicatori di salute, come la presenza di malattie a lungo termine, lo stato di salute generale e la fragilità. Inoltre, abbiamo esaminato come queste previsioni sull'invecchiamento si associassero alla mortalità per tutte le cause, cioè la probabilità di morire per qualsiasi causa.

Lo studio UK Biobank ha fornito un sacco di dati: i partecipanti sono stati seguiti per molti anni, permettendoci di valutare quanto bene i nostri orologi dell'invecchiamento potessero prevedere gli esiti di salute e la durata della vita.

Caratteristiche del campione

Su 118.019 partecipanti, 101.359 individui avevano dati completi per l'analisi dopo aver escluso quelli con determinati criteri, come incongruenze nei dati o informazioni mancanti. L'età media era di 56 anni e molti aspetti dei livelli di metaboliti variavano con l'età.

Analizzare i metaboliti e l'invecchiamento

Abbiamo trovato che una maggioranza significativa di metaboliti era collegata all'età cronologica. La maggior parte dei metaboliti mostrava livelli più alti negli individui più anziani, mentre alcuni erano associati negativamente all'età. Ad esempio, con l'avanzare dell'età, alcuni metaboliti come gli acidi grassi Omega-3 aumentavano, mentre altri come l'albumina diminuivano.

Inoltre, molti metaboliti legati all'età erano anche fortemente associati agli esiti di salute, come il rischio di mortalità. Questo suggerisce che gli orologi dell'età biologica che abbiamo sviluppato potrebbero essere utili per identificare gli individui a rischio di cattiva salute o morte precoce.

Performance del modello predittivo

I metodi che abbiamo testato hanno mostrato una precisione variabile nel prevedere l'età biologica. Il tasso di errore, calcolato dalla differenza tra l'età prevista e l'età cronologica, era relativamente basso per la maggior parte dei modelli, indicando che i modelli potevano stimare efficacemente l'età biologica. Il modello più preciso si adattava meglio alle previsioni dell'età biologica con i reali esiti di salute.

Abbiamo corretto le nostre previsioni per tenere conto di sovrastime sistematiche nei più giovani e sottostime nei più anziani. Dopo la correzione, abbiamo trovato che una parte significativa dei partecipanti aveva previsioni di invecchiamento biologico molto diverse dalla loro età cronologica.

Indicatori di salute e invecchiamento biologico

I risultati hanno indicato che gli individui con età biologiche più vecchie della loro età cronologica erano più propensi a sperimentare fragilità e problemi di salute, insieme a telomeri più corti. Questi risultati suggeriscono che gli orologi dell'invecchiamento biologico potrebbero tracciare efficacemente i rischi per la salute e i cambiamenti nel tempo.

La relazione tra un'età biologica più alta e una salute peggiore era forte attraverso vari modelli che abbiamo testato. Questo implica che l'invecchiamento biologico non è solo un numero; riflette cambiamenti significativi nella salute.

Prevedere la mortalità

Abbiamo anche esaminato quanto bene i nostri orologi dell'invecchiamento potessero prevedere i rischi di mortalità. I dati suggerivano che l'età biologica di un individuo, soprattutto quando era più alta dell'età cronologica, corrispondeva a un rischio più elevato di morte. Questa relazione era coerente attraverso diversi marcatori di salute.

Le nostre analisi hanno mostrato che le età previste più alte erano associate a esiti di salute peggiori, sottolineando l'importanza di comprendere l'invecchiamento biologico.

Confronto con altri marcatori di invecchiamento

Confrontando i nostri orologi dell'invecchiamento biologico con altri marcatori di salute legati all'età, abbiamo trovato che il nostro modello funzionava piuttosto bene. Era simile in efficacia ad altri marcatori di invecchiamento già stabiliti, sebbene indicasse anche aree specifiche in cui potrebbero essere apportati miglioramenti.

La forza dei nostri modelli di invecchiamento biologico risiede nella loro capacità di fornire intuizioni significative sulla salute e la longevità.

Direzioni future

Ci sono ancora molte strade da esplorare nel campo dell'invecchiamento biologico. La ricerca futura potrebbe concentrarsi sull'uso di diversi tipi di dati o metodi per migliorare l'accuratezza dei modelli di invecchiamento. Ad esempio, utilizzare dati provenienti da vari tessuti potrebbe fornire un quadro più completo dell'invecchiamento.

Lo studio attuale aveva alcune limitazioni, in particolare riguardo alla necessità di una validazione indipendente dei nostri risultati. Tuttavia, la nostra ricerca mostra che gli orologi dell'invecchiamento biologico possono fornire informazioni preziose che possono migliorare il monitoraggio della salute e le valutazioni del rischio.

Conclusione

La ricerca dimostra che gli orologi dell'invecchiamento biologico derivati dai dati metabolomici sono significativamente associati a indicatori di salute e rischi di mortalità. Utilizzare questi orologi può portare a una migliore comprensione e previsione dei cambiamenti di salute legati all'età. Il potenziale di questi orologi per identificare rischi per la salute prima che compaiano sintomi è promettente.

Gli orologi dell'invecchiamento biologico sono uno strumento importante nella ricerca sulla salute e, man mano che la tecnologia continua a progredire, le loro applicazioni potrebbero espandersi ulteriormente. Aiutando le persone a interagire in modo più proattivo con la loro salute, gli orologi dell'invecchiamento biologico possono servire sia come strumento di ricerca che come metro di salute personale.

Fonte originale

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

Estratto: 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.

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

Ultimo aggiornamento: 2024-02-11 00:00:00

Lingua: English

URL di origine: https://www.medrxiv.org/content/10.1101/2024.02.10.24302617

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

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

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia medrxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili