617
Nonlinear dynamics of multi-omics profiles during human aging
以前我們總認為老化是一個漸進式的過程,但這篇研究卻揭示了老化並非以線性發展!此研究透過分析大量的多組學數據,發現人體內的分子和微生物在衰老過程中呈現出非線性的變化模式,有兩個關鍵時間點是要特別注意的。
此文章的重點提問:
為什麼研究老化過程很重要?
這篇研究是如何利用多組學數據來分析老化過程的?
老化過程中有哪些主要的分子群體表現出非線性變化?
- 老化過程中的非線性變化與哪些疾病風險有關?
什麼是老化分子波動?這些波動出現在什麼年齡段?
老化過程中,分子變化是否僅限於某一類分子?還是涉及多層次的改變?
內容目錄
內容目錄
Nonlinear dynamics of multi-omics profiles during human aging
人類老化過程中多組學的非線性動態變化
文獻出處
背景
- 衰老與疾病關聯:衰老是一個複雜的生理變化過程,與心血管疾病、糖尿病、神經退化和癌症等多種疾病密切相關。
- 分子變化研究的重要性:了解分子層面的變化對於理解衰老機制和發現治療衰老相關疾病的潛在目標至關重要。
- 高通量 (high-throughput) 技術的應用:近年來,高通量組學技術的發展使得研究人員能夠在系統層面上研究分子變化。
- 現有研究的侷限:雖然已有研究探索衰老過程中的分子變化,但大多數集中在線性變化上,忽略了非線性變化。
- 已觀察到疾病發病的非線性模式:衰老相關疾病的發生並不隨年齡線性增長,而是在特定年齡段加速。
研究目的
- 探索分子變化的非線性模式:研究旨在探討衰老過程中不同類型分子的非線性變化模式。
- 揭示衰老的生物學基礎:通過全面監測非線性變化的分子特徵,深入了解衰老的生物學基礎。
- 發現新的分子標記:研究可能揭示與衰老相關的新的分子標誌物和機制。
- 為治療提供潛在目標:深入了解衰老的分子機制,為開發治療衰老相關疾病的新療法提供潛在目標。
- 揭示重要轉變時期:研究結果為人類衰老過程中發生劇烈變化的時期提供了建議。
研究方法
研究對象
- 世代研究:該世代研究包括108名參與者,並進行了後續評估。
- 排除標準:貧血、腎臟疾病、心血管疾病史、癌症、慢性炎症或精神疾病,以及任何先前的減肥手術或抽脂。
- 胰島素敏感性測試:每位符合條件並提供知情同意的參與者在入組開始時進行了一次改良的胰島素抑制測試,以量化胰島素介導的葡萄糖攝取。
- 胰島素敏感性分類:穩態 (steady state) 血漿葡萄糖(SSPG)水平低於150 mg/dl被歸類為胰島素敏感 insulin sensitive,水平等於或高於150 mg/dl被歸類為胰島素抵抗 insulin resistant。
- 其他健康指標:收集了空腹血糖(FPG)和糖化血色素(HbA1C)數據,以評估糖尿病風險。
分析項目
- 轉錄組學分析
- 蛋白質組學分析
- 非靶向代謝組學分析
- 細胞激素數據分析
- 臨床數據分析
- 脂質組學分析
- 微生物組分析
統計分析
- 數據處理與分析:使用RStudio和R語言(v.4.2.1)進行所有數據處理、統計分析和數據可視化。補充說明中提供了使用的包的完整列表。
- 多重比較校正:使用Benjamini-Hochberg方法來處理多重比較。
- 相關性分析:使用R函數’cor’和’cor.test’計算Spearman相關係數。
- 主成分分析:使用R函數’princomp’進行主成分分析(PCA)。
- 混雜因素調整:在所有分析之前,使用先前發布的方法對混雜因素(如BMI、性別、IRIS和種族)進行調整。簡言之,使用每個特徵的強度作為因變量(Y),將混雜因素作為自變量(X),構建線性回歸模型。然後,使用該模型的殘差作為該特定特徵的調整值。
- 橫斷面數據集生成
- 從縱向數據集中提取信息,計算每個參與者每個分子的平均強度值和平均年齡,生成橫斷面數據集。
- 線性變化分子檢測
- 使用Spearman相關性和線性回歸模型檢測人類衰老過程中線性變化的分子。
- 使用置換檢驗獲得每個特徵的置換P值。
- 與基線相比失調的分子
- 根據年齡將參與者分為不同的年齡階段,基線階段定義為25-40歲。
- 使用Wilcoxon測試與基線相比在不同年齡階段失調的分子。
- 使用Bonferroni校正方法調整每個特徵的P值,以識別在任何給定年齡階段表現出顯著變化的分子和微生物。
- 評估不同組學數據反映的年齡
- 進行PCA,計算參與者年齡與第一主成分(PC1)之間的Spearman相關係數,使用該係數的絕對值來評估組學數據反映年齡的程度。
- 使用PLS回歸比較年齡效應對不同組學數據類型的強度。
- 軌跡集聚分析
- 使用模糊c均值聚類方法進行軌跡聚類分析。
- pathway分析和功能模塊識別
- 使用clusterProfiler R包進行轉錄組學和蛋白質組學通路富集分析。
改良的 DE-SWAN 分析
- DE-SWAN 算法應用:使用 DE-SWAN 算法來分析分子濃度在不同年齡段的變化。
- 年齡age window與 Wilcoxon 測試:選擇一個年齡作為 20 年age window的中心,比較該年齡前後個體的分子水平,使用 Wilcoxon 測試評估差異表達,並計算每個分子的 P 值。
- 時間窗口移動:初始窗口範圍為 25 至 50 歲,然後以一年為步長移動,
- 多重比較校正:使用 Benjamini-Hochberg 校正來調整 P 值,以解決多重比較問題。
- 穩健性與相關性評估:使用不同的窗口寬度(15、20、25 和 30 年)和 q 值閾值(<0.0001、<0.001、<0.01 和 <0.05)測試 DE-SWAN 算法,以評估結果的穩健性和相關性。
- 隨機結果比較:通過隨機排列個體的表型並應用改良的 DE-SWAN 算法來生成隨機結果,以評估觀察到的結果是否具有統計顯著性,而非偶然結果。
結果
參與者特徵
- 縱向世代研究:對108名參與者進行了數年的縱向生物樣本採集,中位追蹤期為1.7年,最長追蹤期為6.8年。
- 參與者資訊:參與者每3-6個月進行一次健康抽樣,年齡範圍為25歲至75歲,種族背景多樣,BMI範圍為19.1 kg/m²至40.8 kg/m²,其中51.9%為女性。
- 樣本類型:收集了血液、糞便、皮膚拭子、口腔拭子和鼻腔拭子樣本,共計5,405份生物樣本。
- 多組學分析:對生物樣本進行了多組學數據採集,包括轉錄組學、蛋白質組學、代謝組學、細胞激素、臨床實驗室測試、脂質組學、糞便微生物組、皮膚微生物組、口腔微生物組和鼻腔微生物組。
- 數據規模:共獲得135,239個生物學特徵,產生了246,507,456,400個數據點。
- 數據處理:對每個參與者的組學數據進行彙總和平均,以代表個體的平均值。
線性變化分子檢測:
- 線性變化分子比例:僅有少部分分子和微生物(6.6%)在人類衰老過程中呈線性變化,與先前研究一致。
非線性效應檢測:
- 按年齡分組:將參與者按年齡分為不同階段,研究與基線(25-40歲)相比,每個年齡階段失調的分子。
- 失調分子比例:81.03%的分子在至少一個年齡階段與基線相比表現出變化。
線性與非線性變化分子比較:
大多為非線性:線性變化分子的比例相對於衰老過程中整體失調的分子而言相對較小(平均16.2%)。
集聚分析揭示衰老過程中的非線性多組學變化
多組學數據與年齡的關聯
- 組學數據與年齡的相關性:分析顯示,大部分組學數據與參與者年齡之間存在顯著相關性。
- 與年齡關聯最強的數據:代謝組學、細胞激素和口腔微生物組數據與年齡的關聯性最強。
分子變化模式
- 非線性變化模式:大多數分子模式呈現非線性變化,表明衰老不是一個線性過程。
- 三個重要集聚: 11個分子軌跡聚類,其中三個聚類(2、4和5)呈現出引人注目、簡單易懂的模式,跨越整個壽命。
- 集聚組成:這三個集聚中的大多數分子主要由轉錄分子組成。
- 集聚變化模式:
- 聚類4:在約60歲之前相對穩定,之後迅速下降。
- 聚類2和5:在60歲之前波動,然後急劇上升,並在約55-60歲出現上拐點。
並非更年期影響
- 更年期影響:雖然在分析前對混雜因素(包括性別)進行了校正,但女性更年期年齡範圍(45-55歲)與所有三個集聚的主要轉變點非常接近。
- 性別分析結果:男性和女性數據集都顯示出相似的集聚類,表明約55歲的轉變點並非僅歸因於女性更年期,而是兩性衰老過程中的共同現象。
轉錄組學數據的影響
- 額外集聚分析:進行了兩個額外的聚類分析,一個僅關注轉錄組學數據,另一個排除轉錄組學數據。
- 分析結果:兩個分析都產生了幾乎相同的三聚類配置,與使用完整組學數據集觀察到的結果一致。
衰老過程中功能和疾病風險的非線性變化
功能分析
- 對三個集聚進行功能分析:對轉錄組學、蛋白質組學和代謝組學數據集進行了功能分析,以深入了解與非線性變化分子相關的生物學功能。
- 構建相似性網絡和模塊識別:使用來自各種數據庫(GO、KEGG和Reactome)的富集通路構建相似性網絡,並識別模塊以消除冗餘註釋。
- 集聚2的功能模塊:
- 轉錄組學模塊:與GTPase活性(與細胞凋亡相關)和組蛋白修飾(在衰老過程中增加)相關。
- 集聚4的功能模塊:
- 轉錄組學模塊:與氧化應激相關,包括抗氧化活性、氧載體活性、氧結合和過氧化物酶活性。
- 集聚5的功能模塊:
- 轉錄組學模塊1:與mRNA穩定性相關,包括mRNA去穩定化、mRNA加工、mRNA分解代謝過程的正向調節和mRNA代謝過程的正向調節。
- 轉錄組學模塊2:與自噬相關,在人類衰老過程中增加。
疾病風險的非線性增加
- 集聚2中的疾病風險:
- phenylalanine苯丙氨酸代謝通路:與衰老相關的心臟功能障礙和苯丙氨酸分解代謝失調有關。
- C-X-C基序趨化因子5(CXCL5或ENA78):在動脈粥樣硬化中濃度較高。
- 血液尿素氮臨床實驗室測試:表明腎功能在衰老過程中非線性下降。
- 血清/血漿葡萄糖臨床實驗室測試:表明衰老是2型糖尿病的主要風險因素。
- 心血管疾病、腎臟疾病和2型糖尿病的風險隨年齡增長但非線性增加,尤其是在60歲以後。
- 集聚4中的疾病風險:
- 不飽和脂肪酸生物合成通路:減少,而不飽和脂肪酸有助於降低心血管疾病風險和維持大腦功能。
- α-亞麻酸和亞麻酸alpha-linolenic acid and linolenic acid代謝通路:減少,而該通路可以減少衰老相關疾病。
- 咖啡因代謝通路:減少,表明代謝咖啡因的能力在衰老過程中下降。
- 細胞激素MCP1:在免疫調節中發揮重要作用。
- 集聚5中的疾病風險:
- 平均紅細胞血紅蛋白和紅細胞分佈寬度臨床測試:表明與衰老過程相關的攜氧能力非線性下降。
- 集聚11的疾病風險:
- 在50歲之前持續增加,然後下降到56歲,之後直到75歲沒有觀察到實質性變化。
- 與DNA修復相關的轉錄組學模塊:包括雙鏈斷裂修復的正向調節、肽基-賴氨酸乙酰化和組蛋白乙酰化。
- 這些pathway在基因組穩定性、基因表達和代謝平衡中至關重要,其水平在人類壽命中下降。
- 表明在50歲之前DNA修復能力增強,在50至56歲之間顯著下降,然後穩定到75歲。
- 集聚2中的疾病風險:
衰老相關分子的波動
兩個峰值
- 發現數千個分子在衰老過程中呈現變化模式,形成不同的波動。
- 觀察到兩個顯著的峰值,分別發生在 45 歲和 65 歲左右。
- 這兩個峰值與先前僅包含蛋白質組學數據的研究結果一致。
- 峰值2與之前的軌跡集聚結果一致,表明大約 60 歲時出現轉折點。
峰值的穩健性與混雜因素影響
- 穩健性:使用不同的 q 值閾值和滑動窗口參數進行測試,結果一致地顯示相同的可檢測波動。
- 不受混雜因素影響:探討了混雜因素(如胰島素敏感性、性別和種族)是否在不同年齡範圍內的兩個峰值之間存在差異,結果顯示這些混雜因素在其他年齡段沒有顯著差異,進一步支持觀察到的兩個峰值差異歸因於年齡而非其他混雜變量的結論。
不同組學數據的年齡相關波動
- 兩個不同的峰值:大多數組學數據都表現出兩個不同的峰值,並且非常穩健。
- 蛋白質組學數據:在 40 歲和 60 歲左右出現兩個年齡相關的峰值,與先前研究結果 largely 一致。
- 衰老相關變化的系統性:多種類型的組學數據(包括轉錄組學、蛋白質組學、代謝組學、細胞激素、腸道微生物組、皮膚微生物組和鼻腔微生物組)都表現出這些波動,通常與蛋白質組學數據具有相似的模式,支持了衰老相關變化不僅限於特定組學層,而是涉及跨越多個分子組分的協調和系統性改變的假設。
兩個峰值中失調分子的功能
- 心血管疾病風險:在峰值 1 和峰值 2 中都發現了與心血管疾病相關的幾個模塊,這與上述結果一致。
- 皮膚和肌肉穩定性:在峰值 1 和峰值 2 發現皮膚和肌肉穩定性失調增加,表明皮膚和肌肉的衰老在這兩個峰值明顯加速。
- 脂質和酒精代謝:在峰值 1 中發現與脂質和酒精代謝相關的特定模塊,表明脂質代謝和酒精代謝能力隨年齡增長而下降。
- 免疫功能障礙:在峰值 2 中觀察到與免疫功能障礙相關的顯著模塊,表明免疫系統在 60 歲時迅速衰退。
- 腎功能和碳水化合物代謝:在峰值 1 和峰值 2還發現了與腎功能和碳水化合物代謝相關的模塊,進一步證實了先前關於 60 歲左右腎功能下降和碳水化合物對衰老影響的觀察結果。
討論
- 線性變化分子比例小:僅有 6.6% 的分子在整個衰老過程中呈現線性變化,這與先前研究結果一致,強調了不能僅依賴線性回歸來理解衰老相關分子變化的複雜性。
- 非線性變化模式普遍存在:大量分子 (81.0%) 表現出非線性模式,這種趨勢在所有類型的組學數據中都觀察到,突顯了這些動態變化的廣泛功能相關性。
- 軌跡集聚分析:採用軌跡集聚方法將具有相似時間模式的分子分組,揭示了三個不同的集聚,表明在特定年齡範圍(如 60 歲左右)會發生獨特且廣泛的分子變化。
- 軌跡集聚分析:採用軌跡集聚方法將具有相似時間模式的分子分組,揭示了三個不同的集聚,表明在特定年齡範圍(如 60 歲左右)會發生獨特且廣泛的分子變化。
- 功能分析結果:
- 集聚4:發現了一個與氧化應激相關的模塊,該通路在 60 歲後顯著增加。
- 集聚5:發現了一個與 mRNA 穩定和自噬相關的轉錄組學模塊,這些過程參與維持細胞穩態和清除受損組件。
- 疾病風險的非線性變化:
- 集聚2:發現苯丙氨酸代謝通路(與衰老相關的心臟功能障礙有關)、血液尿素氮和血清/血漿葡萄糖水平隨年齡顯著增加,表明腎功能非線性下降和 2 型糖尿病風險增加,臨界點約為 60 歲。
- 集聚4:發現與心血管健康相關的通路,如不飽和脂肪酸生物合成和咖啡因代謝。
- 功能分析結果:
- 兩個顯著峰值:分析揭示了人類壽命過程中兩個顯著的失調分子和微生物的波動峰值,分別發生在 40 歲和 60 歲左右,這在各種組學數據類型中是一致的,表明它們的普遍性。
研究限制
- 混雜因素:儘管考慮了許多參與者的基本特徵(混雜因素),但由於參與者的年齡分佈不同,可能存在其他混雜因素,例如生活方式對氧載體活性、酒精和咖啡因代謝的影響。
- 縱向胰島素敏感性數據的局限:缺乏參與者在觀察期間的後續 BMI 和胰島素敏感性指標,限制了對這些因素的縱向分析。
- 樣本量限制:世代研究規模較小(僅 108 人),限制了深度學習的充分利用,可能影響非線性變化特徵識別的穩健性。
- 世代研究代表性:參與者招募局限於史丹佛大學周邊社區,無法完全代表更廣泛人群的多樣性,限制了研究結果的普遍適用性。
- 觀察時間限制:平均觀察時間為 626 天,不足以進行詳細的拐點分析,且世代研究年齡範圍為 25-70 歲,缺乏該範圍之外的個體,檢測到的分子非線性變化可能受到內在變化或振盪的影響。
- 分子變化觀察:觀察到的非線性分子變化發生在不同年齡的個體之間,而非同一個體內,因為儘管是縱向研究,但參與者的隨訪期相對較短,不足以檢測人類壽命數十年間展開的非線性分子變化。
- 樣本來源限制:分子數據僅來自血液樣本,可能無法直接反映特定組織(如皮膚或肌肉)的變化,但血液基因表達變化可能暗示整體生理變化,進而影響包括皮膚和肌肉在內的組織中的細胞外基質。
重點問答
為什麼研究老化過程很重要?
- 答案:老化過程中的疾病風險並非隨著年齡的增長而線性增加,而是在特定年齡段加速變化。這篇研究發現,在 44 歲和 60 歲左右,分子標記和功能路徑發生了顯著的非線性變化,這有助於揭示這些年齡點上健康風險的突然增加,從而更好地理解和應對老化相關的疾病。
這篇研究是如何利用多組學數據來分析老化過程的?
- 答案:研究通過對 108 名年齡介於 25 到 75 歲之間的參與者進行長期追蹤,收集了包括轉錄組學、蛋白質組學、代謝組學等多種數據。這些數據的分析揭示了許多分子隨著年齡呈現非線性變化的模式,為全面理解老化提供了豐富的資料。
老化過程中有哪些主要的分子群體表現出非線性變化?
- 答案:研究識別出了三個主要的分子群體,這些群體在老化過程中表現出顯著的非線性變化,特別是在 60 歲左右變化最為劇烈。這些分子主要涉及氧化應激、mRNA 穩定性、自噬等生物功能,這些功能對維持細胞健康至關重要。
老化過程中的非線性變化與哪些疾病風險有關?
- 答案:隨著年齡增長,特別是在 60 歲之後,心血管疾病、腎功能問題和第二型糖尿病的風險顯著增加。這些風險與某些生物功能和分子在老化過程中的非線性變化密切相關,表明這些變化是疾病風險增加的重要因素。
什麼是老化分子波動?這些波動出現在什麼年齡段?
- 答案:老化分子浪潮是指在特定年齡段出現的顯著分子變化模式。研究發現兩個主要的峰值,分別出現在 44 歲和 60 歲左右,這代表了老化過程中分子變化的兩個重要高峰期。
老化過程中,分子變化是否僅限於某一類分子?還是涉及多層次的改變?
- 答案:老化過程中的分子變化並不僅限於某一類分子,而是涉及多層次、多系統的改變。這包括轉錄組學、蛋白質組學、代謝組學等多個方面,顯示出老化是一個複雜且系統性的過程,涉及到整體分子網絡的重組和調整。
個人感想
- 這個研究的結果證實了大多數人的感覺,”老”常常在某些年齡階段,感覺其加速發展。
- 心血管、皮膚、肌肉,醣類、脂肪代謝都是在40幾歲就會有明顯的老化,免疫力在60歲後變化較大。
- 雖然已經是長期追蹤研究,但因為要分析的年紀範圍很廣,所以仍是用不同年齡參與者的數據才做出的長期變化趨勢,並非一個人從 40歲追蹤到65歲以上的長期資料。