Nature 革命性血浆蛋白组+AI算法：衡量器官特异性衰老，预测未来健康趋势
今天给大家解读的是斯坦福大学Tony Wyss-Coray 团队在12月6日发表在Nature的创新研究成果，题为“Organ aging signatures in the plasma proteome track health and disease”，该研究该研究通过血浆蛋白质组结合机器学习的方法来衡量器官衰老，追踪健康和疾病。这篇研究的主要亮点如下：
1. 通过血浆蛋白组模拟器官健康和衰老，开发python包用于计算器官年龄：以往也开发了一些通过分子测量人体衰老的方法，但大多是对全身衰老的单一测量；最近使用临床化学标志物的方法，包括一些器官功能标志物，但很多特异性不高；而脑成像技术测量脑衰老的成本高，且无法提供分子层面信息，并且需要组织样本，难以在活体人类中应用。该研究采用血浆蛋白组分析，然后将蛋白映射到11个特定器官，基于机器学习训练器官特异性的衰老模型，具有微创、成本低、器官特异性、分子层面的见解、多器官评估可捕捉个体衰老差异等优势。
2. 血浆蛋白质组+组织单细胞测序：从分子和细胞水平上提供更精细的细胞和器官特异性衰老模式。分析衰老模型中的蛋白在单细胞水平上的表达，理解这些血浆蛋白在特定器官细胞类型中的功能和作用。这一发现有助于建立更精确的器官衰老模型。
3. 脑衰老+其他器官衰老对脑衰老表型的影响：以往研究脑衰老只从脑器官本身出发，本研究在分析脑衰老的同时，创新性地探讨了其他器官衰老如何影响脑衰老表型，拓宽了我们对认知衰退和阿尔兹海默症等衰老相关疾病的认识，揭示了器官间衰老过程的相互联系，为理解衰老的全身性特征提供了新视角。
研究目的:
动物研究表明，衰老因个体而异，也因器官而异。但这是否适用于人类？以及衰老如何影响与年龄相关的疾病？为了弄清楚这些问题，该研究利用源自特定器官的人血浆蛋白水平，在活体个体中衡量器官特异性的衰老差异。
研究方法:
人血浆蛋白质组检测，采用机器学习模型，分析了11个主要器官的衰老，并在5676名成年人的五个独立队列中可靠地估计了器官年龄。通过分析血浆蛋白质组数据，研究者们介绍了一种简单且可解释的方法来研究器官衰老，预测疾病和衰老影响。
研究队列
lKnight-ADRC队列：痴呆，年龄相关疾病（n=1677），健康个体（n=1398）。纵向观察研究。
lCovance队列：健康衰老（n=1029）。跨生命全程的多点横断面研究。
lLonGenity队列：健康认知，年龄相关疾病，死亡（n=962）。健康衰老纵向研究。
lSAMS队列：健康认知（n=192）。健康衰老纵向研究。
lStanford-ADRC队列：痴呆，年龄相关疾病（n=409）。纵向观察性研究。
研究结果:
研究发现，近20%的人群表现出一个器官衰老加速，而1.7%的人是多器官衰老者。加速器官衰老会带来20-50%的死亡风险，并与器官特异性疾病有关。例如，心脏的加速衰老个体患心力衰竭风险增加250%，大脑和血管的加速衰老可能有助于预测阿尔茨海默病（AD）的进展。
研究结论:
研究表明，血浆蛋白质组可以作为衡量人体器官衰老的模型，并且器官特异性的衰老与特定的疾病状态有关。这些发现可能对于理解不同个体之间以及个体内部不同器官衰老的异质性具有重要意义，并且可能为衰老相关的疾病的预防和治疗提供新见解。
主要结果
1.血浆蛋白可以评估器官衰老
血浆蛋白组数据：
在五个独立队列中总共测量了5676名受试者的4979个蛋白，包括健康个体和患有年龄相关疾病（如阿尔茨海默病）的个体。
数据分析：
将这些蛋白质映射到其可能的11个器官来源，包括心脏、脂肪、肺、免疫系统、肾脏、肝脏、肌肉、胰腺、大脑、血管系统和肠道。（方法根据：人类蛋白质图谱中提出的定义，如果一个蛋白在一个器官中的表达量至少是任何其他器官的四倍，将这些蛋白归为“器官特异性”。）
开发一种机器学习的AI算法——LASSO，上述蛋白质被用来训练和测试器官特异性的衰老模型。训练队列：Knight-ADRC的1398名健康参与者；测试队列：Knight-ADRC的痴呆受试者及其他四个队列。除了器官特异性模型，还有训练了另外两个模型：一个使用非器官特异性蛋白质的整体器官模型和一个不考虑特异性的所有蛋白质的传统模型。
计算了每个个体的器官年龄差异（器官衰老与个体实际年龄的差距）。
将器官年龄差异与年龄相关的表型（如疾病状态或认知功能）关联起来。
结果和结论：
b：在所有队列中，具有相同年龄差距的个体具有不同的器官老化特征；
c：不同器官的年龄差距之间具有低至中度的相关性；
d：与一般人群相比，一些个体的一个或多个器官出现了极端老化，将这些个体聚类为极端衰老模型e-ageotype；
e：大约18.4%的个体仅以一个器官的衰老为主，只有1.7%的个体表现出多个器官衰老。
这些观察结果表明，器官年龄差可能捕捉到独特的衰老信息，这可能对器官特异性的生物衰老和衰老疾病有意义。
2.器官年龄能够预示健康和疾病：
数据分析：
为了评估器官年龄与生物衰老之间的关系，研究测试了器官加速衰老与9种疾病的相关性，包括AD、心房颤动、脑血管疾病、糖尿病、心脏病发作、高胆固醇血症、高血压、肥胖和步态障碍。
结果和结论：
a-b：在人群水平，肾脏年龄差与代谢性疾病性状之间的关联最为显著。高血压患者的肾脏比同龄人大约1岁，而糖尿病患者的肾脏大约1.3岁。
c-d：心脏年龄差与心脏衰老特征之间的关联:心房颤动(年龄增加2.8岁)和心脏病发作(年龄增加2.6岁)。
e-f：肾脏衰老蛋白在肾细胞类型中高度表达(图2e,f)，并且在肾脏生物学和疾病中发挥已知作用。
g-h：心脏衰老蛋白主要由心肌细胞和肌钙蛋白T (TNNT2)表达(图2g,h)，并且在心脏生物学和疾病中发挥已知作用。
i-j：对LonGenity 队列进行了15年随访，通过Cox比例风险回归分析，研究发现器官年龄差异与死亡风险之间存在显著关联。心脏年龄每增加4.1年，心力衰竭风险增加近2.5倍。多重检验校正后，发现10个器官的年龄差距与与全因死亡的未来风险显著相关，传统模型和整体器官模型的年龄差距也与全因死亡的未来风险显著相关。
这些分析和结果为理解个体器官衰老差异与健康寿命之间的联系提供了新见解，并有可能为开发针对性的抗衰老策略提供科学依据。
3.大脑衰老蛋白能够预测认知衰退和AD
为了更好地了解潜在蛋白如何影响大脑衰老模型对大脑衰老表型的预测能力，研究者开发了生物衰老特征重要性算法（FIBA），用来评估大脑衰老蛋白对于大脑年龄差距与临床痴呆评分（CDRGLOB）之间关联的贡献，研究队列Knight-ADRC。
结果和结论：
a：一些蛋白质（如复合蛋白）增加了脑年龄差距与CDRGLOB的关联（FIBA+），而其他蛋白质降低了脑年龄差距与CDRGLOB的关联（FIBA-）。
b：使用FIBA+脑衰老蛋白训练第二代大脑衰老模型CognitionBrain，该模型年龄差距与AD的相关性更强。
c：使用线性回归分析CognitionBrain 年龄差距与 AD 诊断之间的关联，与非AD患者相比，AD患者的CognitionBrain 老化时间增加了约两年。在模型中具有最大正权重的蛋白质包括突触蛋白复合体蛋白1 (CPLX1)、CPLX2和轴突蛋白 3 (NRXN3)——它们都与认知和AD有遗传联系，以及STMN2和OLFM1——它们参与轴突生长和轴突生长锥塌陷。
d：在Stanford-ADRC队列中，多变量Cox比例风险模型分析未来五年内痴呆进展的风险。结果表明，CognitionBrain年龄差距是预测痴呆进展的一个重要因素。
e：Kaplan-Meier曲线展示了CognitionBrain年龄差距和血浆PTau181水平均可用于风险预测。
f：人脑scRNA-seq数据检测到47个模型蛋白，其中大多数可以高度特异性地映射到神经元和胶质细胞。
g：分析Top模型蛋白在组织（血浆和大脑）和分子层面（蛋白质、整体RNA和单细胞RNA）中随年龄和AD的变化，这些蛋白表达变化有统计学意义。
以上结果表明CognitionBrain可独立预测阿尔茨海默病(AD)的进展，其预测作用与血浆pTau-181一样强，而pTau-181是目前最佳的AD血液生物标志物。
4.认知衰退和AD中的器官衰老
接下来将FIBA算法应用于其他器官的衰老模型，以了解其他器官的衰老如何导致大脑衰老表型。使用Knight-ADRC队列将CDRGLOB FIBA应用于所有衰老模型。
b：与脑衰老模型类似，动脉、脑部、整体器官和胰腺衰老模型都与AD有关。
为了了解认知衰退的完整时序，使用LonGenity队列中整体认知的综合评分来测试衰老是否与正常个体认知有关。
c：线性回归显示认知功能下降与上述四种器官衰老显著相关。
接下来使用Knight-ADRC进行了15年的临床认知评估，检验了年龄差距与从认知正常过渡到轻度认知障碍（MCI）的风险之间的关联。
d：使用Cox比例风险回归分析发现整体器官和动脉年龄差距显著预测了向MCI的转化。
为了了解早期认知衰退的生物学过程和蛋白，作者绘制了所有模型蛋白的衰老轨迹。
e：展示了健康个体中模型中权重最高的十种蛋白质的衰老轨迹，发现整体器官和动脉蛋白随年龄的变化比脑和胰腺蛋白更早和更快。
f：线性模型展示了随年龄增长健康个体中TOP蛋白质的变化，最早变化发生在整体器官模型的高度相关蛋白簇：包括PTN，TAGLN，WISP2，CDCP1和CHRDL1。
g：人脑血管单细胞RNA表达显示该五种基因主要由平滑肌细胞、周细胞和成纤维细胞表达（左）。这些细胞的缺失与年龄和AD相关（右）。
h：提出了一个模型，整体器官模型中的这一早期变化特征可能代表了脑血管细胞完整性的退行性变化，以及随着年龄的增长其神经保护功能的丧失。
i：血浆蛋白质组的STRING分析，发现动脉模型蛋白和整体器官模型中的血管特征形成了一个相互作用网络。
j：提出了一个模型，这一蛋白质网络涉及细胞外基质、软骨发育和成骨细胞信号通路，并表明血管钙化和细胞外基质改变是衰老的主要组成部分，是认知衰退和神经退行性疾病早期阶段的基础。
总结归纳
本研究运用大规模血浆蛋白质组学和机器学习技术，开创性地创建了一套以血浆蛋白为基础的无创评估人体器官健康和衰老的方法。研究采用SomaScan检测法测定了约5,000种蛋白质，作者在讨论中指出该研究并不局限于特定平台，适用于各种不同的蛋白质组学技术，通过额外的蛋白质组学技术覆盖甚至可以获得更多的生物信息。同时，血浆蛋白质组结合单细胞测序将有助于进一步完善器官和细胞类型的特定衰老模型，使得能够全面了解生物体生理学。总之，此研究展示了如何利用血浆蛋白质组学在活体人类中非侵入性地衡量器官健康和衰老，为精准健康评估和干预提供了新的视角。
回到现实，基于质谱的非靶向血浆蛋白质组技术将有助于发现更加全面的、全新的标志物，尤其是在血液低丰度蛋白富集试剂盒、自动化前处理工作站、DIA高灵敏度数据采集的加持下，有助于检测到更丰富的低丰度marker，并能兼顾高通量样本制备与采集以及高深度蛋白鉴定。
以我们的内部评测为例，我们联合使用低丰度富集技术和AUTO100自动化工作站，对125个实际血浆样品进行了测试。所有样品的自动化制备仅在7-8小时内完成。我们采用timsTOF Pro2 DIAPASEF方法进行检测，并使用Spectronaut18 directDIA软件（基于swissprot human数据库中的20,000种蛋白序列）进行定性和定量分析，无需额外的谱图库。
实验结果显示，使用24SPD方法平均可定量约4000种蛋白组，总计约6000种。而采用高通量120SPD方法时，平均可定量3300种蛋白组。
这些血浆蛋白的浓度跨越超过10个数量级的动态范围，其中包含大量的中低丰度蛋白，如下图显示了检测到的低丰度蛋白PTX3。
这一大量蛋白的鉴定为多个研究场景开辟了新的可能性，例如：
1）蛋白组学分子特征、2）能够发现具有特异性、敏感性和非侵入性的生物标志物、3）生存预后、4）多组学融合等方面，具有广泛的应用价值。
易算在血浆样本中的深度蛋白质鉴定方面不仅提供了基础的统计分析，还结合了先进的机器学习技术，为您的研究提供定制化的解决方案，为未来的血浆蛋白组研究提供了强大的数据支持和新视角。
涉及到的易算独家产品
Spectronaut 18: 挣脱大队列蛋白质组通量、速度的桎梏
上海易算生物科技有限公司
Shanghai Omicsolution Co., Ltd.
上海易算生物科技有限公司，专注于利用LC-MS/MS和生物信息学技术，为客户提供高质量的研究方案。我们与国内顶尖的蛋白质组实验室紧密合作，开发最新的蛋白质组相关技术和产品。从DIA、PRM分析产品、单细胞及极微量蛋白质前处理，低丰度蛋白深度挖掘，糖蛋白质组，宏蛋白质组整体方案实验室落地方案等，易算均有国际前沿水平并在高分杂志上发表成果的技术产品。我们还引入了国外先进的软件和产品，包括来自瑞士Biognosys公司、德国Bruker公司、德国PreOmics公司和澳大利亚IonOpticks公司等，为国内科研机构提供先进可靠的实验及软件解决方案。