上海交通大学医学院附属仁济医院卜军等评述代谢组学视角下衰老时钟研究的进展和挑战︱Cell Metabolism综述

原创 Cell Press CellPress细胞科学 2025年01月18日 04:01

生命科学

Life science

衰老是一个复杂的生物学进程，涉及随年龄增长器官、组织和细胞结构的功能退行与分子层面的多维改变。值得注意的是，同样年龄的个体常常表现出不同的生物学衰老水平。代谢紊乱既是衰老的核心标志之一，也是衰老的重要驱动因素。而代谢组学作为一门迅速发展的组学方法，旨在系统性的分析人体内数量繁多的小分子代谢物，在反映代谢稳态和生物学衰老进程中具有独特的价值。近年来，代谢组学模式被用作衡量生物学年龄的指标，即代谢组学衰老时钟。它们将代谢失稳态同衰老进程联系起来，对理解衰老机理，定量衰老水平，推动抗衰研究及预防相关疾病具有重要意义。

最近，上海交通大学医学院附属仁济医院心内科卜军教授联合新加坡国立大学Brian K. Kennedy教授团队在Cell Press细胞出版社旗下期刊Cell Metabolism上发表了题目为 “Decoding aging clocks:New insights from metabolomics”的综述，就代谢组学衰老时钟的当前研究进展和挑战、转化应用价值，以及背后潜在的生物学意义进行了全面的解读。

▲长按图片识别二维码阅读原文

衰老时钟研究中的代谢组学方法

衰老时钟研究中的代谢组学简要工作流如图1所示，其中，研究人群标准制定，生物样本的采集和代谢组学分析平台的选取是其中的三个关键步骤。首先，人口统计学特征对代谢组学衰老时钟的表现具有潜在的影响。男女两性往往表现出不同的代谢组学特征，Li等人通过建立女性特异性衰老时钟发现：女性在30岁左右出现脂质和激素代谢的显著变化，以及50岁左右出现激素水平、免疫和组织功能的显著变化^[1]。研究人群的年龄分布也会影响模型准确性，过度偏向年轻群体可能导致对老年人年龄的低估。目前，虽然部分研究已纳入长寿个体，但儿科领域的相关研究仍显不足。种族/地域对代谢组学衰老时钟的影响目前仍然了解较少，需要关注的是，目前用来建立代谢组学衰老时钟的队列主要集中在欧洲地区，它们在不同种族/地域人群中的表现仍有待验证。其次，生活方式因素（如饮食，吸烟，运动等）也会对代谢组学光谱产生扰动。其中，饮食模式被认为是最关键的影响因素之一^[2]。此外，参与者健康状况同样不容忽视。现有的衰老时钟多基于大规模流行病学研究，其中多种合并症的存在可能扭曲了代谢物和衰老的关联。为了提高代谢组学衰老时钟的准确性和适用性，作者建议在最初的研究设计中纳入代表性不足的人群，以及开发针对特定亚群的衰老时钟。在随后的数据处理中，还应考虑混杂因素，以尽量减少其对代谢组学衰老时钟的影响。

在生物样本选择方面，血液和尿液最为常用。血液作为重要的运输介质，能够反映多种病理生理过程。其中血清和血浆样本的制备差异，采血管选择和温度变化等因素的控制对建立稳定的衰老时钟模型必不可少。尿液因其独特的代谢物组成和非侵入性采集特点展现出独特的优势。而最近提出的脑脊液代谢组学衰老时钟则为研究中枢神经系统衰老提供的新的见解^[3]。组织水平和细胞水平的代谢组学衰老时钟将提供更高分辨率的衰老视角，但目前研究仍然存在巨大空白。在代谢组学平台的选择上，核磁共振（NMR）和质谱（MS）技术是两种常用技术，NMR灵敏度较低，一次测量能检测的代谢物数量有限，但在可重复性上表现突出^{[4, 5]}。目前使用最广泛的两个代谢组学衰老时钟都是基于NMR平台构建^{[6, 7]}。

图1：衰老时钟研究中的代谢组学简要工作流

代谢组学衰老时钟的建构和解读

代谢组学数据预处理包括解决代谢组学漂移，批次效应，异常值/缺失值以及数据归一化和转换等问题。随后多种机器学习算法被用于衰老时钟的开发，如图2所示。经典的线性算法如多元线性回归在面对高维数据及共线性问题上存在挑战，且无法捕捉代谢物和衰老之间的非线性关联。先进的深度学习模型能够捕获代谢物之间复杂的交互作用，在日益增长的大规模代谢组学数据集中具有巨大的应用潜力。尽管深度学习模型具有固有的“黑箱”性质，目前已经提出了一些方法（如SHapley加性解释）以增强模型的可解释性^[8]。基于机器学习技术提取与年龄高度相关的代谢特征并构建模型，这些年龄估计值通常被认为是生物学年龄的替代品，反映了个体的生物衰老过程。一个人的生物学年龄和年龄之间的差异被用来评估他们的生物学年龄是比实际年龄小还是大。衰老加速（生物学年龄超过实足年龄）被发现与心血管病、糖尿病等多种疾病和全因死亡风险增加有关。最近，以Deelen时钟为代表的第二代代谢组学时钟则是利用与衰老紧密相关的结局（如全因死亡风险）作为模型训练的目标，其风险预测能力在多个场景下相较传统时钟更为优越^{[7, 9]}。

图2：代谢组学衰老时钟的开发与解读

代谢组学衰老时钟的应用和生物学意义

代谢组学衰老时钟的应用涉及多个维度，如疾病风险预测，替代实际年龄作为临床决策评估工具以及作为抗衰老干预研究的终点。目前已经有基于NMR的成熟代谢组学商业平台，能够以较高性价比对大规模人群进行分析。此外代谢组学衰老时钟相比其他组学时钟在捕获心血管代谢疾病上具有独特的优势。代谢组学衰老时钟反映了多种衰老相关的代谢物及代谢通路（炎症，脂质代谢等）改变并提供了潜在干预的靶点（图3）。尽管如此，需要注意的是目前代谢组学衰老时钟涵盖的代谢标志物大多是在横断面队列中基于和年龄的相关性进行筛选，无法避免多种混杂因素及反向因果关系的干扰。目前，许多临床试验及动物试验已经证实了一系列小分子代谢物（如著名的烟酰胺单核苷酸[NMN]）抵抗/促进衰老的潜力。应用孟德尔随机化方法，许多与衰老有潜在因果关联的代谢物也被发现。这些结果将为富集因果关系的衰老时钟开发提供了重要的支持，从而将分子机制与临床应用更紧密地联系起来。

图3：关联代谢组学衰老时钟与其背后的分子机制。

总结与展望

尽管代谢组学衰老时钟研究近年来取得了显著进展，在大规模人群应用和捕获心血管代谢疾病等特定疾病中存在独特的优势，但技术改进和模型增强仍有很大的空间。代谢组学分析中的多种技术噪声是模型稳健性重要的隐患，而目前能够探测到，能够定性乃至定量的代谢物仅代表人体内繁多代谢物的冰山一角。其次，探索适合代谢组学数据集，用以建立相应衰老时钟的算法仍然处于起步阶段。此外，许多代谢物与衰老之间的因果联系仍有待进一步实验验证并确认其背后的潜在机制。作者进一步建议在未来开展全面的纵向研究，结合来自不同生物标本和平台的数据在代谢组学层面来揭示衰老的普遍性和特异性，同时构建强大的框架，将代谢组学与其他组学数据整合到衰老时钟研究中。充分应对这些机遇和挑战将极大地推动研究人员对衰老这一复杂的生物学过程的理解，并为定量衰老水平，推动抗衰研究及预防相关疾病提供有力的武器。

上海交通大学医学院附属仁济医院心内科卜军教授，新加坡国立大学Brian K. Kennedy教授为论文的共同通讯作者。上海交通大学医学院附属仁济医院黄泓豪，上海交通大学医学院附属仁济医院陈一凡，上海交通大学医学院附属仁济医院徐伟为论文的并列第一作者。

本文参考文献（上下划动查看）

1. Li J, Xiong M, Fu XH et al: Determining a multimodal aging clock in a cohort of Chinese women. Med 2023, 4(11):825-848 e813.

2. Bar N, Korem T, Weissbrod O et al: A reference map of potential determinants for the human serum metabolome. Nature 2020, 588(7836):135-140.

3. Hwangbo N, Zhang X, Raftery D et al: A Metabolomic Aging Clock Using Human Cerebrospinal Fluid. J Gerontol A Biol Sci Med Sci 2022, 77(4):744-754.

4. Emwas AH: The strengths and weaknesses of NMR spectroscopy and mass spectrometry with particular focus on metabolomics research. Methods Mol Biol 2015, 1277:161-193.

5. Amberg A, Riefke B, Schlotterbeck G et al: NMR and MS Methods for Metabolomics. Methods Mol Biol 2017, 1641:229-258.

6. van den Akker EB, Trompet S, Barkey Wolf JJH et al: Metabolic Age Based on the BBMRI-NL (1)H-NMR Metabolomics Repository as Biomarker of Age-related Disease. Circ Genom Precis Med 2020, 13(5):541-547.

7.Deelen J, Kettunen J, Fischer K et al: A metabolic profile of all-cause mortality risk identified in an observational study of 44,168 individuals. Nat Commun 2019, 10(1):3346.

8. Jin D, Sergeeva E, Weng WH, Chauhan G, Szolovits P: Explainable deep learning in healthcare: A methodological survey from an attribution view. WIREs Mech Dis 2022, 14(3):e1548.

9. Lau CE, Manou M, Markozannes G et al: NMR metabolomic modeling of age and lifespan: A multicohort analysis. Aging Cell 2024, 23(7):e14164.