隨著全球人口老化加劇，如何精準地評估衰老進程並預測相關疾病風險成為生物醫學研究的重要課題。2023年發表於《Nature》的一項研究，運用SomaScan技術分析血漿中的器官特異性蛋白質，提出了一種非侵入性的方法來量化器官的生物年齡。該研究不僅突破了以往僅關注整體老化的局限，還建立了11個主要器官的老化模型，深入探討器官層級的衰老軌跡。
這項研究不僅揭示了器官衰老與疾病之間的複雜關聯，也為個人化健康管理和抗衰老干預提供了科學依據。未來，透過血漿蛋白質體學技術，我們有望更早期地識別疾病風險並制定針對性的治療策略。
研究利用SomaScan技術測量了五個獨立隊列中總計5,676名受試者血漿中的4,979種蛋白質，使⽤來⾃基因型組織表現計畫(GTEx)的⼈類器官RNA 定序(RNA-seq) 數據繪製了器官特異性⾎漿蛋⽩質圖譜，定義若一個基因在一個器官中的表現比任何其他器官至少高四倍歸類為”organ enriched”蛋⽩質，最終篩選出了4,778種蛋白質（其中856種organ enriched蛋⽩質，佔17.9%）作為衡量器官老化的生物標記。接著建立了11個主要器官(包括脂肪組織、動脈、腦、心臟、免疫組織、腸道、腎臟、肝臟、肺、肌肉和胰腺)的老化模型(LASSO, Least Absolute Shrinkage and Selection Operator)，和器官老化模型（使用器官非特異性蛋白質）以及傳統老化模型（使用所有蛋白質）。透過將每個器官特定模型的預測年齡與個人的實際年齡進行比較來計算「年齡差距」，這種「年齡差距」對於理解每個器官的加速或減緩老化相當重要。
發現18.4%的受試者在特定器官中顯示出顯著的加速老化，僅有1.7%的受試者顯示出多器官老化，而器官加速惡化會導致20-50%的死亡風險增加，這些加速老化的器官與特定疾病風險的增加高度相關，器官年齡差距可能獲取獨特的衰老訊息， 並且可能對器官特異性⽣物衰老和衰老疾病產⽣影響。
器官老化與疾病預測
研究中測試了器官不同的極端衰老類型，即 e-ageotypes是否與9種年齡相關的疾病狀態相關(疾病包括阿茲海默症(AD)、心房震顫、腦血管疾病、糖尿病、心臟病發作、高膽固醇血症、高血壓、肥胖和步態障礙)，發現器官e-ageotypes與特定疾病狀態相關，並且對相關器官具有很大的影響，117個器官中有23個(20%)具有顯著關聯。年齡差距對疾病最顯著的影響可在腎臟老化與代謝疾病間觀察到，其中高血壓患者的腎臟年齡平均比同齡人老約1歲，糖尿病患者的腎臟年齡則約老1.3歲；其次則為心臟老化與心房顫動(老2.8歲)和心臟病發作(老2.6歲)的關聯。
(圖二)分別顯示了腎臟年齡差距與高血壓之間的關聯、腎臟年齡差距與糖尿病之間的關聯、心臟年齡差距和心房顫動之間的關聯以及心臟年齡差距與心臟病發作之間的關聯。
在腎臟分析中，將腎素(REN)識別為腎臟老化的重要蛋⽩質，並且鑑定出抗老化基因klotho (KL)以及多種功能未知的蛋⽩質， 包括尿調理素(UMOD) 和腎臟相關抗原 1
(KAAG1)， 都是重要的腎臟老化蛋⽩質；在心臟分析中，腦鈉肽前驅物(NPPB)
是一種血壓負調節劑，在心臟受損時會升高，而肌鈣蛋白T (TNNT2) 是一種參與收縮的心肌蛋白，在心臟老化模型中具有最強的權重，尚未充分表達的⼼臟蛋⽩包括⼼肌肌球蛋⽩輕鏈(MYL7)、 過氧化物酶樣(PXDNL)和骨塑型蛋白(BMP10)，其中MYL7
由⼼房⼼肌細胞表達， 最近已成為監控肥厚型⼼肌病變中⼀個有潛力的標的。
(圖三)分別顯示腎臟及心臟的老化模型係數(x 軸表示包含蛋白質的模型實例的百分比，氣泡大小與平均模型重量的絕對值成比例)與單細胞RNA表現(腎臟及心肌細胞類型中老化蛋白的表現圖譜)。
在baseline時沒有活動性疾病或臨床異常⽣物標記的⼈群中進行15年追蹤， 發現⼼臟年齡每增加 4.1 年(⼀個標準差)，⼼臟衰竭的風險就會增加近 2.5 倍(⼼臟老化的風險每年增加23%)。超過15年的追蹤發現11個器官中有10個器官的器官模型和傳統模型的年齡差距與未來全死因死亡風險顯著相關。儘管器官老化模型是被訓練來預測實際年齡而不是直接預測死亡率，在獨立老化隊列中追蹤相似的時間，模型估計的風險比與分析methylation-based死亡率預測因子的大小相似。
(圖四)存活分析顯示心臟年齡差距增大與未來心臟衰竭的風險較高相關，以及傳統老化模型年齡差距與未來死亡風險相關。
大腦老化與阿茲海默症
利⽤Knight-ADRC群組中的全球追蹤臨床失智評估量表(CDRGLOB)將⽣物老化特徵重要性(FIBA)中與認知能力下降呈正相關的蛋白質應⽤於⼤腦年齡模型(CognitionBrain老化模型)，在ADRC 群組中， CognitionBrain模型年齡差距也與未來失智症進展的風險顯著相關，CognitionBrain模型年齡差距標準差的增加導致五年內臨床失智評估量表總分(CDR-SB)上升的風險增加34% (P=1.03×10-15)。在Stanford -ADRC中測試了多變量失智症進展Cox比例風險模型，模型包含baseline
CDRGLOB、年齡、CognitionBrain年齡差距、⾎漿pTau-181和阿茲海默症多基因風險評分。發現CognitionBrain年齡差距在阿茲海默症⽣物標記中具有最⾼的調整後風險比(風險比=1.57；P=8.95×10-3)，且⾎漿pTau-181和CognitionBrain年齡差距對於風險預測都是附加的(估計綜合風險比=
2.08)，CognitionBrain模型年齡差距提供了其他⽅法無法獲得的有關⼤腦老化的分⼦資訊。
(圖五)使用 CognitionBrain 年齡差距和其他阿茲海默症生物標記來預測未來癡呆症進展的多變量 Cox 比例風險模型，與其他生物標記相比，認知腦年齡差距的風險比最高；CPH 模型的 Kaplan-Meier 曲線顯示 CognitionBrain AgeGap 和 Plasma Ptau-181較高的個體患癡呆症進展的風險較高。
在⼈類⼤腦單細胞RNA定序(scRNA-seq)數據中總共可檢測到49種模型蛋⽩中的 47種，且⼤多數可以⾼特異性地對應到神經元和神經膠質細胞。在CognitionBrain老化模型中具有最⼤正權重的蛋⽩質包括突觸蛋⽩複合蛋⽩1 (CPLX1)、 複合蛋⽩ 2 (CPLX2) 和軸突蛋白3 (NRXN3)，都與認知和阿茲海默症具有遺傳關聯，而負權重較⼤的蛋⽩質則有果糖二磷酸醛縮酶C (ALDOC)、神經元五聚蛋⽩受體(NPTXR)、 肌肽⼆肽酶1 (CNDP1)和Lanc Like穀胱⽢肽S-轉移酶1 (LANCL1)，其中ALDOC、NPTXR和CNDP1分別在星狀細胞、神經元和少突膠質細胞中表達，並已被提議作為阿茲海默症的腦脊髓液⽣物標記。
(圖六)腦細胞中 CognitionBrain 蛋白的單細胞 RNA 表現，強調神經元中有豐富的老化模型蛋白。
評估了Knight-ADRC和Stanford-ADRC隊列中權重最⾼的CognitionBrain模型蛋⽩隨年齡和阿茲海默的變化，以及腦組織中蛋⽩質、RNA和單細胞RNA隨阿茲海默的變化，觀察到隨著年齡的增⻑，阿茲海默病人腦組織的減少和⾎液的增加具有⼀致的模式，這表示⾎液中突觸和神經突⽣⻑相關蛋⽩質的增加可能反應了蛋⽩質加⼯的損失或變化以及隨後⼤腦中這些關鍵因⼦的脫落。β澱粉樣蛋⽩與體液和腦蛋⽩之間存在類似的負相關，較低的CSF AB42與⼤腦中Aβ plaques的增加相關。
(圖七)血漿、大腦組織及蛋白質、RNA 和單細胞 RNA中老化蛋白的表達隨年齡和阿茲海默症的變化。
器官老化與阿茲海默症
與⼤腦老化模型⼀樣，在Knight-ADRC中將CDRGLOB FIBA應⽤於所有老化模型， CognitionArtery、CognitionBrain、CognitionOrganismal和CognitionPancreas年齡差距與阿茲海默的關聯在兩個ADRC中都得到了一致的結果，為了解參與早期認知衰退的⽣物過程和蛋⽩質，繪製了所有模型蛋⽩質的衰老軌跡， 發現⾼權重的CognitionOrganismal模型和CognitionArtery模型蛋⽩質比CognitionBrain模型和CognitionPancreas模型蛋⽩質更早且更快地隨年齡變化。
(圖八)四個研究隊列中健康個體排名前十的加權模型蛋白衰老軌跡，CognitionOrganismal模型蛋白質最早隨年齡變化且變化速度最快。
最早的變化發⽣在與認知⾼度相關的器官蛋⽩:多效蛋⽩ (PTN)、Transgelin (TAGLN)、WNT1-誘導型訊息路徑蛋白2
(WISP2)、含有CUB結構域蛋⽩1(CDCP1)
和chordin like 1 (CHRDL1)，儘管非器官特異性蛋白，但這些基因在動脈和⼤腦中均⾼度表現。這些基因在人類血管中的單細胞表現顯示這些基因主要由平滑肌細胞、週細胞和纖維母細胞表達。腦週細胞、平滑肌細胞和⾎管周圍成纖維細胞的喪失與年齡和阿茲海默相關，而周細胞特異性
PTN 缺失導致神經元易受缺血和興奮毒性損傷。因此，認知器官模型中的這種早期變化特徵可能代表腦血管細胞完整性的退化性變化及其神經保護功能隨老化而喪失。
組成CognitionArtery
模型的五種蛋⽩質: Tumor Necrosis Factor
Receptor Superfamily, Member 11B (TNFRSF11B)、骨硬化蛋白(SOST)、 ⿊⽪質素2受體輔助蛋⽩(MRAP2)、 捲曲相關蛋⽩ (FRZB) 和基質gla蛋⽩(MGP) 也主要在血管平滑肌細胞、週細胞和纖維母細胞中表現，且都與血管鈣化有密切關係。⼈類MGP缺乏引起的突變會導致Keutelsyndrome，⼀種以軟組織異常鈣化為特徵的疾病； SOST 和FRZB 是WNT
信號傳遞的負調節因⼦，能夠促進鈣化，在⾎管鈣化患者的⾎漿中增加。研究發現 CognitionArtery蛋⽩和CognitionOrganismal蛋⽩中的⾎管特徵使⽤ StringDB 形成了⼀個交互網絡，此交互作⽤網絡中的其他模型蛋⽩包括整合素結合唾液酸蛋⽩(IBSP)、骨⽢氨酸(OGN) 、III型膠原蛋白α1鏈(COL3A1) 、富含脯氨酸和gla結構域1(PRRG1)和生長停滯特異性基因6
(GAS6)，此蛋⽩質網絡參與細胞外基質、軟骨發育和成骨細胞信號通路，並說明⾎管鈣化和細胞外基質改變是衰老的主要組成因素，是認知衰退和神經退化性疾病早期階段的基礎。
(圖九) 認知老化模型中的關鍵蛋白質在健康個體中會隨年齡顯著變化，且這些蛋白主要表現在大腦血管中的血管周細胞、平滑肌細胞與纖維母細胞中。這些細胞在阿茲海默症患者中明顯減少，顯示與疾病有關。進一步建構蛋白質交互網絡並進行通路分析，發現相關蛋白參與血管鈣化與細胞外基質變化。綜合結果提出模型，說明血漿蛋白可反映大腦血管在老化與AD中的退化過程。
SomaScan技術能夠高特異性地結合目標蛋白質，可以同時檢測數千種蛋白質，在生物醫學研究中具有廣泛的應用，包括疾病診斷、生物標誌物發現、藥物開發和個性化醫療。例如，在疾病診斷方面，能夠檢測血漿中的特異性蛋白質變化，從而及早發現疾病；在生物標誌物發現方面，可以識別出與特定疾病相關的蛋白質作為診斷和治療的潛在標靶。本篇文獻驗證了運用血漿蛋白質體學評估器官特異性衰老的方法開發，對於理解器官老化的異質性、預測疾病風險以及監測器官層面的介入效果具有深遠的影響。
【1】Hamilton Se-Hwee Oh et al. (2023).Organ aging signatures in the plasma proteome track health and disease.Nature volume 624, pages164–172.
【2】延伸閱讀:適體(Aptamer)技術助力蛋白質體學解密
【3】蛋白質體分析服務
留言
張貼留言