Un score de vieillissement métabolomique révolutionnaire qui prédit mieux la mortalité que les méthodes traditionnelles

Découvrez comment un nouveau score de vieillissement métabolomique éclipse les mesures traditionnelles pour prédire la mortalité à court terme et ouvre la porte à des informations personnalisées sur la santé et à une intervention précoce contre la maladie.

Étude: Un profil métabolomique du vieillissement biologique chez 250 341 individus de la UK Biobank. Crédit photo : ArtemisDiana / Shutterstock

Dans une étude récemment publiée dans la revue Communication naturelle, Des chercheurs chinois ont examiné les biomarqueurs de résonance magnétique nucléaire (RMN) associés au vieillissement. Ils ont développé un taux de vieillissement métabolomique longitudinal et un score de vieillissement métabolomique pour prédire le risque de maladie et la mortalité toutes causes confondues. Ils ont identifié 54 biomarqueurs représentatifs liés à l’âge avec différents rapports de risque, y compris GlycA, qui présentait le rapport de risque le plus élevé (1,25 par écart-type) pour la mortalité toutes causes confondues. L’étude a également révélé 439 causes potentielles Biomarqueurs-Appariements de maladies grâce à une randomisation mendélienne multivariée et à une analyse de colocalisation, aboutissant à la création d’un score de vieillissement métabolomique qui prédit mieux le risque de mortalité à court terme.

arrière-plan

Le vieillissement est un processus biologique complexe qui entraîne un déclin des fonctions physiologiques et augmente le risque de fragilité, de morbidité et de mortalité. En 2017, les maladies liées à l’âge représentaient plus de la moitié du fardeau mondial de la santé chez les adultes. Les progrès des technologies omiques ont accéléré la recherche sur le vieillissement biologique et ont conduit au développement d’horloges du vieillissement qui prédisent à la fois l’âge chronologique et les conséquences néfastes sur la santé. Cette étude met en valeur l’utilité de la métabolomique, notamment grâce à des innovations en matière d’analyse RMN à haut débit et d’apprentissage automatique, pour la recherche sur le vieillissement de la population et la prévision des maladies. Les données complètes sur la métabolomique RMN et les informations relatives à la santé de la biobanque du Royaume-Uni (Royaume-Uni) constituent une ressource essentielle pour faire progresser la recherche sur le vieillissement basée sur la métabolomique. Dans la présente étude, les chercheurs ont examiné les biomarqueurs associés à l’âge et examiné leur pouvoir prédictif de mortalité. En outre, ils ont développé un nouveau score de vieillissement métabolomique et en ont dérivé un taux de vieillissement métabolomique personnalisé.

À propos de l’étude

L’ensemble de données UK Biobank comprenait 249 biomarqueurs métabolomiques (168 en concentrations absolues et 81 ratios dérivés) provenant d’environ 250 341 participants. Pour compléter les données existantes, 76 ratios de biomarqueurs supplémentaires ont été calculés et des mesures de contrôle de qualité ont été utilisées. Un modèle à risques proportionnels LASSO-Cox a été utilisé pour identifier les biomarqueurs liés à l’âge.

Une GWAS de 325 biomarqueurs a été réalisée sur un sous-ensemble d’environ 95 000 individus afin d’identifier les variantes génétiques associées aux biomarqueurs. Les corrélations génétiques et les effets pléiotropes ont été analysés et plusieurs paramètres de vieillissement (par exemple, l’indice de fragilité, la longueur des télomères leucocytaires) ont été comparés au score de vieillissement métabolomique. Une analyse de randomisation mendélienne multivariée (MVMR) a évalué les associations causales possibles entre les biomarqueurs métaboliques et 20 maladies liées à l’âge. Diverses méthodes statistiques (par exemple MVMR-IVW, MVMR-Egger) ont été utilisées et l’analyse de colocalisation a examiné les variantes génétiques courantes entre les biomarqueurs et les maladies.

Résultats et discussion

L’étude a identifié 54 biomarqueurs métabolomiques associés au vieillissement biologique, notamment des acides aminés, des corps cétoniques, des acides gras, des lipoprotéines et des marqueurs liés à l’inflammation. GlycA, un biomarqueur de l’inflammation systémique, présentait le rapport de risque le plus élevé (1,25 par ET) pour la mortalité toutes causes confondues. La plupart des biomarqueurs étaient significativement corrélés à diverses mesures du vieillissement, telles que l’âge chronologique, l’indice de fragilité et la longueur des télomères leucocytaires. Alors que GlycA était associé à un risque plus élevé de fragilité, trois biomarqueurs d’acides gras polyinsaturés étaient associés à un risque plus faible de fragilité. De plus, certains biomarqueurs liés aux lipoprotéines ont montré des associations négatives avec les maladies cardiovasculaires. Un total de 439 associations causales possibles entre 213 biomarqueurs RMN et 20 maladies liées à l’âge ont été identifiées, avec 14 paires atteignant une signification corrigée par Bonferroni. La maladie rénale chronique (IRC) possédait le plus grand nombre de biomarqueurs possibles. Les principaux biomarqueurs associés à la maladie comprenaient le glucose dans le diabète de type 2 (DT2) et la créatinine dans l’IRC. Certains biomarqueurs ont servi de facteurs de risque ou de protection communs dans plusieurs maladies, tandis que l’analyse de colocalisation a révélé des variantes pléiotropes affectant différents biomarqueurs et maladies.

De plus, un nouveau score de vieillissement métabolomique basé sur 54 biomarqueurs RMN représentatifs a été développé et est fortement corrélé à MetaboHealth et modérément corrélé à l’âge chronologique et à l’indice de fragilité. Il a démontré de solides performances prédictives de mortalité toutes causes confondues sur tous les intervalles de suivi, en particulier dans la tranche d’âge de 51 à 60 ans, où il a largement surpassé l’âge chronologique. Le score était le plus précis parmi les mesures du vieillissement, en particulier pour le risque de mortalité à court terme, alors qu’il montrait des performances comparables à l’âge chronologique dans la prédiction sur 10 ans, mais montrait une efficacité moindre dans la prédiction sur 15 ans. L’étude a également développé un taux de vieillissement métabolomique dérivé de données longitudinales qui permet une évaluation plus individualisée du vieillissement. Le score de vieillissement métabolomique prédisait efficacement le risque de maladie, en particulier dans les maladies dont les voies métaboliques étaient dérégulées, et surpassait les autres paramètres de vieillissement pour des maladies telles que le diabète de type 2 et les maladies rénales chroniques. Les différences dans les scores de vieillissement métabolomique différaient entre les futurs groupes de maladies précoces, les autres stades de la maladie et les groupes indemnes de maladie, avec des résultats significatifs pour des maladies telles que le diabète de type 2 et l’hypertension. En outre, 40 biomarqueurs pro-âge et anti-âge ont été identifiés et présentent différents modèles en fonction du taux métabolomique du vieillissement.

Bien que l’étude soit renforcée par sa grande taille, elle est limitée par une tranche d’âge étroite des participants, la sous-représentation des groupes défavorisés et la variabilité potentielle du pouvoir prédictif du métabolome plasmatique dans différentes maladies. Il faut également faire preuve de prudence lors de l’interprétation des relations causales dans l’étude.

Diplôme

En conclusion, la présente étude fournit le profil métabolique le plus complet lié au vieillissement biologique. Il introduit un score de vieillissement métabolomique qui peut prédire la mortalité et le risque de maladie à court terme, surpassant ainsi d’autres mesures du vieillissement dans certains contextes. Cependant, le score n’est pas destiné à être une mesure définitive du vieillissement biologique. Au lieu de cela, il reflète le signal du vieillissement au niveau du métabolome. Des recherches futures pourraient potentiellement combiner cette valeur avec d’autres mesures du vieillissement telles que les données protéomiques et épigénétiques pour améliorer davantage notre compréhension du vieillissement.