血浆来源的特定器官蛋白可用于估算器官年龄和死亡风险，但它们对环境因素的敏感性以及在预测器官疾病和死亡风险方面的稳健性尚不明确。为了解决这一问题，研究团队利用来自英国生物样本库（UK Biobank）的44,498名个体的血浆蛋白质组学数据（包含2,916种蛋白），估算了11个器官的生物学年龄。结果显示，器官年龄估计值对生活方式因素和药物使用敏感，并与未来17年内多种疾病的发生风险相关，包括心力衰竭、慢性阻塞性肺病（COPD）、2型糖尿病和阿尔茨海默病。特别地，具有“老化大脑”的个体患阿尔茨海默病的风险增加3.1倍，相当于携带一份APOE4基因拷贝的风险；而“年轻化大脑”则提供类似于携带两份APOE2基因拷贝的保护作用，且独立于APOE基因型。随着老化器官数量的增加，死亡风险逐步上升（2-4个老化器官的死亡风险比HR=2.3；5-7个老化器官HR=4.5；8个及以上HR=8.3），而年轻化的大脑和免疫系统则独特地与长寿相关（年轻化大脑HR=0.60，年轻化免疫系统HR=0.58；两者皆年轻HR=0.44）。这些发现支持了血浆蛋白用于监测器官健康的应用，并指出了大脑和免疫系统作为长寿干预的关键目标。
为了从血浆蛋白质组数据中推导出器官特异性生物年龄，研究团队进行了以下步骤：(1) 识别出可能来源于特定器官的血浆蛋白；(2) 使用机器学习模型基于所识别的器官富集蛋白水平预测实际年龄；(3) 根据每个人预测年龄与同龄人相比的相对差异计算年龄差值。年龄差值提供了相对于同龄人的相对生物学年龄测量指标。
研究重点分析了11个主要器官，包括脂肪组织、动脉、大脑、心脏、免疫组织、肠道、肾脏、肝脏、肺、肌肉和胰腺。为了比较器官年龄差值与非器官特异性的生物学年龄指标，研究还从基于非器官特异性蛋白的“有机体”衰老模型及基于Olink检测所有蛋白的“传统”衰老模型中计算了年龄差值。研究确认，“传统”衰老模型中的高权重蛋白与之前基于英国生物样本库开发的蛋白质组学衰老模型重叠。
数据显示，来自22个血浆采集中心中的11个中心的数据用于模型训练，其余11个中心的数据用于测试。模型性能在训练和测试中心之间高度稳定。各衰老模型的年龄差值经过z标准化处理，以便在后续分析中直接比较不同器官之间的差异。研究观察到性别间器官年龄差值存在一些差异，男性肾脏、免疫系统和肠道年龄较高，而女性脂肪组织、动脉和心脏年龄较高。
在得出器官年龄差值后，研究首先确定每项指标的独特性。如果器官以不同的速率衰老，那么一个器官的年龄差值应该独立于另一个器官。成对的相关性分析显示，器官年龄差值仅弱相关，表明器官老化的独立性。器官年龄差值与传统年龄差值不同，后者与有机体年龄差值强相关。有机体、大脑和动脉年龄解释了传统年龄方差的97%，其中有机体年龄贡献了74%。
研究团队还发现了具有极端老化的个体，即在单一器官或多器官表现出显著加速老化的个体。通过对任何器官年龄差值高于或低于人群平均值1.5个标准差的个体进行筛选，研究不仅发现了快速老化的器官，还发现了缓慢老化的器官。研究还识别出多器官老化者，即至少有两个极端器官年龄差值的个体。14%的样本属于模糊状态，同时具有正向和负向极端年龄差值，27%的剩余样本被定义为正常老化者。多器官老化者的平均年龄显著高于正常老化者和单器官老化者，表明老化器官会随时间累积。
为了评估器官年龄差值的纵向稳定性，研究团队分析了来自COVID-19重复影像研究的1,176名个体的血浆蛋白质组学数据，这些数据来自2-3次访问，时间跨度为1-15年。使用基于1,459种蛋白的器官老化模型，研究发现在基线和实例2访问之间的年龄差值具有中等到强的相关性，表明在大约9年内的相对稳定性，但也可能存在由生活方式、疾病或技术变异性引起的动态变化。
研究团队进一步测试了其在英国生物样本库中开发的Olink器官老化模型与其之前开发的SomaScan器官老化模型的一致性。研究生成了来自斯坦福大学阿尔茨海默病研究中心（ADRC）和斯坦福老龄化与记忆研究（SAMS）汇总的1,636个样本的Olink血浆蛋白质组学数据。此前，团队已为其中601个样本生成了SomaScan血浆蛋白质组学数据。这使团队能够直接比较跨不同蛋白质组学平台得出的器官年龄差值。
研究团队在斯坦福大学Olink数据上测试了英国生物样本库训练的器官老化模型。值得注意的是，五个器官老化模型蛋白——ANGPTL7、EBI3.IL27、GZMB、PGLYRP1和ADIPOQ——在所有斯坦福样本中均缺失。EBI3.IL27和ADIPOQ分别在肝脏和脂肪老化模型中具有较强的权重，因此降低了斯坦福样本中肝脏和脂肪年龄预测的准确性。总体而言，英国生物样本库训练的器官老化模型在英国生物样本库训练、测试和斯坦福测试健康对照样本中表现出相似的年龄预测准确性，证明了模型的稳健性。
随后，研究团队比较了不同平台之间的器官年龄差值。研究发现两个平台之间的中等到强相关性，其中心和肾老化模型在平台间表现出最一致的年龄差值。考虑到各平台测量的蛋白差异及之前报道的两种平台重叠蛋白的广泛分布相关性，整体中等相关性在意料之中。即使名称相同的蛋白被测量，两个平台也可能量化该蛋白的不同形式，这不一定相互关联。
这表明每个平台可能在估算器官年龄方面提供互补信息。基因本体论富集分析显示，Olink大脑老化蛋白富集于神经周围网和胶质分化，而SomaScan强调突触后组装；相反，免疫老化通路在各平台间相似。两种大脑模型均与阿尔茨海默病患病率相关，捕捉到了不同的老化方面。这些发现表明，与器官健康相关的器官特异性生物学年龄估计值可从英国生物样本库的血浆蛋白质组数据中得出。
器官年龄估计预测未来的年龄相关疾病
若要使生物年龄估计具有参考价值，则必须与器官或个体的生理状态密切相关，并进而与年龄相关的健康和疾病结果相关联。因此，研究团队试图确定器官年龄差值是否可以预测各自器官未来疾病的发病风险。研究团队使用Cox比例风险回归测试了所有13个z评分年龄差值与15种事件型年龄相关疾病（2-17年随访期）的关联，同时调整了年龄和性别。在多重假设检验校正后，研究团队在195次测试中共识别出176个正相关和4个负相关显著关联。
研究发现心脏老化与房颤（心脏年龄差值每增加1个标准差，风险比HR=1.75）和心力衰竭（HR=1.83）、胰腺老化和肾脏老化与慢性肾病（HR分别为1.80和1.66）、大脑老化与阿尔茨海默病（HR=1.80）以及肺部老化与慢性阻塞性肺病（COPD）（HR=1.39）之间存在高度显著的关联。肝老化与慢性肝病相关（HR=1.20），但关联强度适中，与其他器官相似。值得注意的是，与传统年龄差值相比，器官特异性年龄差值在所有疾病中始终表现出更高的HR。
器官老化与疾病之间广泛显著的关联凸显了衰老的系统性特征。为了理清这些系统性影响并识别独立于其他器官老化的器官年龄与疾病之间的关联，研究团队考察了包含所有器官年龄差值作为协变量的多元Cox模型。在考虑其他器官的老化后，器官年龄差值与疾病之间的关联变得更加器官特异性。例如，事件型心力衰竭与所有13个基线年龄差值单独相关，但仅与七个年龄差值独立相关。令人意外的是，研究发现年轻化的动脉与多种疾病风险增加相关，包括2型糖尿病、COPD和慢性肝病等，突显了衰老与疾病之间复杂的联系。值得注意的是，阿尔茨海默病与大脑老化高度特异性相关。
大脑老化与痴呆之间关联的特异性促使研究团队调查器官年龄差值是否与随访访问时的MRI数据中的脑体积相关。研究发现，基线访问时的大脑年龄差值与实例2时的脑室体积增加和皮层区域体积减少唯一相关。
大脑MRI数据以前被用于推导生物学脑年龄估计值。为了将基于血浆的脑年龄估计值与基于MRI的脑年龄估计值进行比较，研究团队使用来自实例2的479个FreeSurfer脑体积表型训练了一个MRI脑老化模型。MRI脑年龄与实际年龄相关，与之前的报告相似。MRI脑年龄差值每增加1个标准差，未来阿尔茨海默病风险增加3.2倍，证实其与功能性脑老化的强相关性。然而，基于MRI和基于血浆的脑年龄差值之间仅弱相关，表明每种方法捕捉到脑老化的独特成分。研究推测，MRI脑年龄捕捉到全局细胞丢失，而血浆脑年龄捕捉到一些体积变化以及与细胞状态和交互相关的分子改变。
研究还评估了器官年龄差值与疾病进展的关联，通过针对诊断后年数回归年龄差值来分析在抽血前已被诊断为疾病的个体。研究发现多个器官年龄差值在整个慢性肾病进展过程中增加。有趣的是，大脑年龄差值与痴呆症进展无关，表明它捕捉到可能使个体易患痴呆症的与年龄相关的改变，而非疾病发作后的变化。
研究团队接下来寻求通过检查老化模型蛋白及其权重来深入了解器官老化。基于整个基线样本与仅随机选择的基线样本训练的老化模型和权重基本相同。大脑老化模型中最强加权的蛋白是神经纤维轻链（NEFL），它随着年龄增长而增加，是一种临床生物标志物，常用于阿尔茨海默病临床试验中轴突退化的测量，并最近被批准作为治疗超氧化物歧化酶1肌萎缩侧索硬化症（SOD1 ALS）的替代终点。我们的数据表明，结合其他蛋白，它也可能成为普通人脑老化和痴呆风险的替代终点。其他高度加权的大脑老化蛋白包括髓鞘少突胶质细胞蛋白（MOG）、反应性星形胶质细胞标记物GFAP（均随年龄增长而增加）、由少突胶质细胞前体细胞产生的脑细胞外基质成分BCAN及蛋白酪氨酸磷酸酶受体R型（PTPRR）（均随年龄增长而减少）。血浆NEFL、GFAP和BCAN先前被强调为未来痴呆风险的预测因子。
然后，研究团队通过分析公共人类大脑单细胞RNA测序数据确定了这些蛋白的可能来源。有趣的是，研究发现大约一半的大脑老化蛋白特异于少突胶质细胞谱系，其余大部分表达在神经元中，其次是星形胶质细胞，指向白质作为关键老化区域，正如人类大脑MRI和小鼠大脑RNA测序研究所示。
肺部老化主要由溶酶体相关膜糖蛋白3（LAMP3，一种在II型肺泡干细胞中特异性表达的蛋白）、分泌球蛋白家族1A成员1（SCGB1A1，也称为俱乐部细胞分泌蛋白，CCSP，俱乐部细胞的标记物）和C-C基序趋化因子配体18（CCL18，一种由肺泡巨噬细胞表达的细胞因子）解释，可能反映了随年龄增长肺部的干细胞功能障碍和炎症。心脏老化主要由N末端B型利钠肽前体（NT-proBNP，一种响应心脏损伤而增加的血管扩张激素）解释，而肾脏老化则由参与血压调节的肾素（REN）解释。NT-proBNP和REN分别被先前基于SomaScan血浆蛋白质组学数据的研究确定为关键的心脏和肾脏老化蛋白，并且是成熟的心脏和肾脏功能生物标志物。这些数据表明，基于血浆蛋白的器官年龄估计与年龄相关的器官疾病相关，并能揭示相应器官老化生物学的见解。
器官年龄估计对可改变的生活方式选择敏感
研究团队接下来探索了基于器官功能生理状态的生物学年龄估计是否对生活方式的改变敏感。研究团队使用线性回归测试了所有13个z评分年龄差值与18种生活方式因素及社会经济因素的关联，同时调整了其他因素、年龄和性别。在校正多重假设检验后，研究发现了69个正相关和57个负相关显著关联。与已知的健康关联一致，吸烟、饮酒、加工肉类摄入、Townsend剥夺指数和失眠与多个器官的年龄加速相关，而剧烈运动、多脂鱼类消费、家禽消费和高等教育与年轻化的器官相关。
研究团队还测试了所有13个z评分年龄差值与137种药物/补品摄入的关联。在校正多重假设检验后，研究发现了六种产品——倍美力、布洛芬、葡萄糖胺、鱼肝油、复合维生素和维生素C——在至少两个器官中与年轻化显著相关。布洛芬、葡萄糖胺、鱼肝油、复合维生素和维生素C主要与肾脏、大脑和胰腺的年轻化相关。
倍美力是一种通常开给经历绝经后症状的女性使用的雌激素药物，最近的研究显示雌激素药物与英国生物样本库中的死亡风险降低相关。因此，研究团队想知道雌激素药物是否通过预防绝经诱导的器官加速老化和疾病风险来延长寿命。在47名经历正常、早期或过早绝经并接受雌激素治疗的女性中，较早绝经与大多数器官的加速老化相关，而雌激素治疗则与年轻的免疫、肝脏和动脉特征相关。虽然横断面分析应谨慎解读，但这些发现强调了基于血浆蛋白的器官年龄估计对环境因素的敏感性及其评估干预措施效果的潜力。
大脑和免疫系统的年轻化预测长寿
研究团队接下来试图确定器官年龄估计是否与未来死亡率相关。研究团队使用Cox比例风险回归测试了器官年龄差值与全因死亡率风险的关联，在调整年龄和性别的情况下，进行了2-17年的随访。所有器官均显示出显著关联，每增加1个标准差的年龄差值，死亡风险增加20-60%。这些关联在调整血液半胱抑素C和PhenoAge后依然稳健，表明器官年龄估计值提供了现有临床生物标志物未捕捉到的独立信息。令人惊讶的是，大脑老化最具预测性，表明大脑可能是调节人类寿命的中枢调节器，与动物模型中的研究结果一致。事实上，具有老化大脑的个体除了痴呆症外，还有多种疾病的风险增加，包括COPD和心力衰竭，与之前显示大脑调节全身炎症的研究一致。
尽管每个器官的年龄差值都与死亡风险相关，研究团队想知道老化器官的累积是否会越来越有害。因此，研究团队测试了单器官极端老化者和多器官老化者与正常老化者的死亡风险，同时调整了年龄和性别。有趣的是，研究发现，虽然具有单一老化器官使死亡风险增加1.5-3倍，但具有2-4个、5-7个和8个及以上极端老化器官的个体分别面临2.3倍、4.5倍和8.3倍的死亡风险增加。值得注意的是，超过60%的在抽血时具有8个及以上极端老化器官的个体在15年内死亡。
研究团队随后试图确定年轻化的器官特征是否与长寿相关。研究发现，具有年轻化动脉的个体死亡风险增加，而具有多器官年轻化的个体与正常老化者的死亡风险没有差异。使用FIBA，研究团队发现动脉蛋白血小板反应蛋白2（THBS2）是导致动脉年龄差值与死亡风险之间非线性关联的原因，这种蛋白随年龄下降，但与死亡风险呈正相关。为何具有广泛多器官年轻化的个体不受保护尚不清楚，但这可能是因为样本量有限。
值得注意的是，具有年轻化大脑和免疫系统的个体显著降低了死亡风险，类似于它们与疾病的独特保护关联。因此，研究团队评估了同时具有年轻化大脑和免疫系统的个体，发现这一群体效应最强，受长寿保护，强调了拥有弹性大脑和免疫系统的好处。在17年中，10,000名正常老化者中有792人（7.92%）死亡，而160名具有年轻化大脑和免疫系统的个体中仅有6人（3.8%）死亡。
为了探讨与大脑和免疫系统相关的长寿潜在机制，研究团队对根据死亡风险FIBA得分确定的排名前十的大脑和免疫老化模型蛋白进行了基因本体论通路富集分析。选择大脑特异性或免疫系统特异性血浆蛋白作为背景进行富集测试未产生显著关联，因此使用所有基因作为背景。神经周围网是最富集的大脑通路，而分泌颗粒是最富集的免疫系统通路。有趣的是，神经炎症是另一个富集的免疫系统通路，由调节神经周围网组成的金属蛋白酶9（MMP9）、肿瘤坏死因子受体超家族成员1B（TNFSRF1B）和整合素αM（ITGAM，也称为CD11B）组成。年轻化大脑者具有较高的BCAN和NCAN水平，而年轻化免疫者具有较低的MMP9水平，表明由于外周炎症因子降解减少和大脑部分调控的慢性炎症减少，全球脑细胞外基质的保存可能对促进长寿至关重要。总之，这些数据表明，基于血浆蛋白的器官年龄估计改进了现有的死亡风险预测衰老生物标志物，老化器官的累积逐步增加了死亡风险，而年轻化的大脑和免疫系统是长寿的关键。
讨论
基于近45,000名英国生物样本库参与者的血浆蛋白质组学数据，研究团队的研究确立了基于血浆蛋白的器官年龄估计值作为超越黄金标准临床衰老生物标志物的器官年龄、健康和疾病/死亡风险的稳健指标，并揭示了涉及衰老过程的关键蛋白。此外，研究团队展示了器官年龄估计值在训练/测试中心和纵向访问间的稳定性，并与可改变的生活方式选择、社会经济地位和药物使用横向相关，从而为在个体水平上测试新型长寿干预措施效果的人类实验奠定了基础。
研究团队指出了一些关键注意事项和局限性以指导未来工作。尽管基于批量RNA测序图谱的器官富集分类产生了稳健的结果，但确认蛋白的真实来源仍然具有挑战性；包含有关可变剪接和随年龄及疾病变化的高分辨率基因表达图谱可以增强信心。像许多研究一样，研究团队依赖于横断面年龄差值，这只能近似于衰老速度的历史。纵向蛋白质组学数据结合深入的环境和遗传表型对于准确测量衰老速度、区分基线差异并揭示其原因至关重要。此类数据还可以澄清个体和群体层面器官衰老的顺序。尽管研究团队观察到多器官衰老随年龄增长而增加，表明器官功能逐渐衰退，但具体器官衰老顺序尚未确定。令人惊讶的是，具有高度年轻化器官特征的个体（除大脑和免疫系统外）并未免于死亡风险，尽管人们普遍认为有益。这与显示临床生物标志物（如体重指数和血小板计数）与死亡率呈U型关联的研究一致，其中极其年轻化的表型与升高的风险相关，值得进一步探索衰老生物标志物研究领域。尽管器官年龄估计独立于临床生化生物标志物预测死亡率，但其在特定疾病生物标志物之外的附加临床价值需要逐病研究。最后，由于英国生物样本库参与者主要是欧洲血统，器官年龄估计可能需要重新校准以适应多样化的遗传和环境背景，需要更广泛的研究。
在本研究中，研究团队发现证据表明大脑和免疫系统可能是人类衰老和长寿的核心调节器，因为老化的大脑最能预测早期死亡，而年轻化的大脑和免疫系统独特地预测长寿。毕竟，大脑通过神经内分泌和自主神经系统调节着身体内众多与年龄相关的重要功能，包括昼夜节律、血压、能量稳态和应激反应，而慢性炎症已被大量研究证明与衰老密切相关。有趣的是，最近的研究显示，在衰老和疾病相关背景下，如慢性压力、动脉粥样硬化和感染，大脑与免疫系统之间存在双向通信。这些观察结果表明，大脑和免疫系统的加速老化或青春维持很可能对全身产生广泛的年龄相关影响，尽管需要更多研究来在人类中更严格地测试这一假设。
关于大脑衰老伴随的分子变化，研究团队发现少突胶质细胞谱系和细胞外基质蛋白中许多意想不到的年龄相关和疾病相关变化，意味着除神经炎症和神经退行性变化之外的广泛变化。事实上，小鼠老化过程中髓鞘退化和再髓鞘化缺陷会导致认知缺陷并加重阿尔茨海默病病理，而小胶质细胞稳态调节神经周围基质。此外，老化小胶质细胞转录组在白质区域表现出最显著的变化，结合神经退行性疾病遗传风险变异在小胶质细胞和少突胶质细胞基因中的富集，突显了少突胶质细胞老化与年龄相关神经炎症及其与神经退行性疾病的相关性之间的潜在联系。未来研究探索老龄化大脑中这些多细胞和细胞外基质相互作用及其与周围环境的相互作用，可能会揭示人类健康和长寿的关键见解。
(全文结束)
