#PAGE_PARAMS# #ADS_HEAD_SCRIPTS# #MICRODATA#

Biomarkery stárnutí – aktuální stav poznání


Biomarkers of aging – current state of knowledge

Aging is a process of gradual decline in the functional capacity of the human body that leads to a significant increase in the risk of death over time. Although it is a process universal to all animals, its rate is not the same. Biomarkers of aging aim to better describe the aging process at the level of the individual, organ, tissue, or single cell. They are used to estimate the rate of aging and predict the probability of death. They are good indication of the current state of the organism and are more accurate in predicting a person's susceptibility to disease, its progression and the likelihood of complications and death.

Simple biomarkers measure only one parameter or a narrow group of related parameters that have a known association with age, in human or in a laboratory model. They can be divided into molecular (based on features of aging), functional (describing decreasing functional capacity during aging) and anthropometric (describing structural changes).

Composite biomarkers are the most comprehensive way of measuring biological age. They combine a large amount of data, which they evaluate using algorithms often based on artificial intelligence. The most widely used method for measuring biological age in composite biomarkers is the epigenetic clock.

The aim of this article is to review the many existing markers of aging and describe their relationship to aging.

Keywords:

biomarkers – markers – aging – aging rate – methods


Autori: Pavel Borský 1;  Drahomíra Holmannová 1;  Lenka Borská 1;  Zdeněk Fiala 1;  Libor Hruška 2;  Monika Esterková 1;  Helena Párová 3;  Avni Singh 1;  Gabriela Počtová 1;  Otto Kučera 4
Pôsobisko autorov: Ústav preventivního lékařství LF UK v Hradci Králové 1;  Klinika onkologie a radioterapie LF UK a FN Hradec Králové 2;  Ústav klinické biochemie a diagnostiky LF UK a FN Hradec Králové 3;  Ústav fyziologie LF UK v Hradci Králové 4
Vyšlo v časopise: Čas. Lék. čes. 2023; 162: 194-202
Kategória: Review Article

Súhrn

Stárnutí je proces postupného snižování funkčních kapacit lidského těla, který vede k významnému vzestupu rizika úmrtí v čase. Ačkoliv se jedná o proces univerzální všem živočichům, není jeho rychlost stejná. Biomarkery stárnutí si kladou za cíl lépe popsat proces stárnutí na úrovni jedince, orgánu, tkáně nebo jednotlivých buněk. Slouží k odhadu rychlosti stárnutí a predikci pravděpodobnosti úmrtí. Měly by dobře vypovídat o aktuálním stavu organismu a zpřesňovat predikci vnímavosti osoby ke vzniku onemocnění, jeho průběhu a pravděpodobnosti výskytu komplikací a smrti.

Jednoduché biomarkery měří jen jeden parametr nebo úzkou skupinu parametrů spolu souvisejících, které mají známou asociaci s věkem, ať jde o změny v průběhu stárnutí člověka nebo u laboratorního modelu. Můžeme je rozdělit na molekulární (vycházející ze znaků stárnutí), funkční (popisující snižující se funkční kapacity v průběhu stárnutí) a antropometrické (popisující strukturální změny).

Složené biomarkery představují nejkomplexnější způsob měření biologického věku. Kombinují v sobě velké množství dat, která pomocí algoritmů, často postavených na umělé inteligenci, vyhodnocují. Do této skupiny patří i aktuálně nejrozšířenější metoda měření biologického věku – epigenetické hodiny (epigenetic clock).

Cílem tohoto článku je přehledně rozdělit množství existujících markerů stárnutí do skupin a popsat jejich vztah ke stárnutí.

Klíčová slova:

biomarkery – stárnutí – ukazatele – rychlost stárnutí – metody

    

ÚVOD

Stárnutí je proces postupného snižování funkčních kapacit lidského těla na úrovni jedince, systémů, orgánů, tkání, buněk i molekul. Vysoký lidský věk je nejvýznamnějším rizikovým faktorem celé řady onemocnění, neboť úmrtnost na kardiovaskulární, metabolická, onkologická a jiná onemocnění stoupá v průběhu života exponenciálně. I když platí, že stárneme všichni, není pravdou, že stárneme všichni stejně rychle, ba naopak, rychlost stárnutí může být významně odlišná (1).

Oblast výzkumu stárnutí a možností prodloužení lidského života se velmi rychle vyvíjí. Přibývá slibných intervencí, léků nebo doplňků stravy, které prodlužují naději dožití (ve zdraví) nejen na zvířecích modelech. Vzhledem k dlouhému životnímu cyklu člověka není hledání terapií prodlužujících život efektivní bez vhodných ukazatelů stárnutí. Není dost dobře možné čekat v experimentech na pozitivní účinky látek desítky let. Bez markerů biologického věku se dá počítat s prvními výsledky za generaci či ještě později (2, 3).

Cílem tohoto článku je přehledně rozdělit množství existujících markerů stárnutí do skupin a popsat jejich vztah ke stárnutí, případně výhody a nevýhody.

KALENDÁŘNÍ VERSUS BIOLOGICKÝ VĚK

Kalendářní věk, dobře známý každému z nás, měří všem stejně. Je založen na objektivně změřeném období od narození do dnešního data, resp. do smrti. Každý člověk nicméně prožívá svůj život jinak, s jinou genetickou zátěži, v jiném prostředí, jiným životním stylem a s rozdílnou dostupností zdravotní péče. Právě tyto 4 oblasti významně ovlivňují délku života i dobu života strávenou ve zdraví (4).

Není tedy pravda, že člověk má před sebou stejný počet let života jako jeho vrstevníci. Zbývající roky mohou být dokonce významně jiné. Právě tímto problémem se zabývá rozvíjející se vědecká oblast biomarkerů stárnutí, ukazatelů biologického věku. Ty mají lépe vypovídat o aktuálním stavu organismu ve vztahu ke kalendářnímu věku. Jejich účelem je zpřesnit predikci vnímavosti osoby ke vzniku onemocnění, jeho průběhu a pravděpodobnosti výskytu komplikací a smrti (4–6).

Určení biologického věku využitím vhodných biomarkerů stárnutí může současnou medicínu velmi posunout a pomoci při rozhodování o další péči. Mimo jiné zejména v časech, kdy je nutné provádět triáž pacientů, s čímž jsme se setkali v době koronavirové pandemie. Ne každý pacient daného kalendářního věku má stejné vyhlídky na přežití. Průběh nemoci a výsledek léčby z velké části určuje věk biologický (7).

Důležitou změnou paradigmatu lékařského myšlení je přijetí věku jako ovlivnitelného rizikového faktoru vzniku a progrese onemocnění. Chronologický věk je samozřejmě neovlivnitelný, ale právě biologický věk představuje proměnnou, kterou ovlivňovat lze (tab. 1).

Marker biologického věku by přitom měl mít některé charakteristiky, které ho činí co nejlépe použitelným v klinické praxi. Měl by u zdravého člověka („průměrně průměrného“) ukazovat jeho kalendářní věk nebo – v případě jednoduchých markerů – hodnotu odpovídající stejné věkové skupině. Takové pravidlo totiž umožňuje nejsnáze posoudit, zda je na tom pacient lépe nebo hůře než jeho vrstevníci, a významně zjednodušuje komunikaci s pacientem a zvyšuje compliance pacienta při změně životního stylu. Marker by měl být také univerzální, tedy uplatnitelný na širokou populaci, včetně různých věkových kategorií. Biomarkery by měly být dobře replikovatelné a „relativně stabilní“, neboť ve většině případů není žádoucí, aby se biologický věk měnil ze dne na den o několik let. Stanovení biomarkerů by také mělo být levné a co nejméně invazivní (8, 9).

Přehled a rozdělení biomarkerů shrnuje tab. 2.

 

Tab. 1  Rizikové faktory nemocí

Neovlivnitelné

Ovlivnitelné

pohlaví

faktory životního stylu

etnicita

faktory prostředí

genetika

faktory organismu

věk

biologický věk

 

Tab. 2  Rozdělení biomarkerů

Jednoduché

molekulární

  • genomová nestabilita
  • zkracování telomer
  • epigenetické změny
  • porucha homeostázy proteinů
  • narušené vnímání dostupnosti živin
  • mitochondriální dysfunkce
  • buněčná senescence
  • vyčerpání kmenových buněk
  • změněná mezibuněčná komunikace

funkční (fyziologické)

antropometrické (anatomické)

Složené

clocks

-omics

 

JEDNODUCHÉ BIOMARKERY

Jednoduché biomarkery měří jen jeden parametr nebo úzkou skupinu parametrů spolu souvisejících, které mají známou asociaci s věkem, tedy změna v průběhu stárnutí člověka nebo laboratorního modelu.

1. Molekulární

Molekulární biomarkery vycházejí z objektivně měřitelných laboratorních parametrů z krve, slin, či jiných tělních tekutin nebo tkání. Můžeme je rozdělit do skupin podle znaku stárnutí, který popisují. Znaky stárnutí tvoří vzájemně propojenou skupinu, nedá se tak vždy přesně říci, ke kterému ze znaků konkrétní marker zařadit.

Genomová nestabilita

Poškození DNA zvyšuje pravděpodobnost časného úmrtí (10). Působením fyzikálních, chemických a biologických činitelů dochází k hromadění defektů DNA. Se zvyšujícím se počtem defektů buňka stárne a roste riziko její smrti či maligní transformace (1, 12, 13). Stanovení přítomnosti mutací či jiných změn v genetickém kódu je možné pomocí rozličných technik na úrovni chromozomů i jednotlivých nukleotidů. Techniky porovnávající počty mutací mezi jednotlivými buňkami (random mutation capture, transgenic mutation report assay aj.) se pro oblast stárnutí teprve vyvíjejí. Celogenomové sekvenování nelze pro jeho časovou a finanční nákladnost zatím široce využít (13).

Pro stanovení množství dvojitých zlomů DNA, tedy míst s poškozením genetického materiálu (nestabilní DNA), se používá imunofluorescenční měření fosforylovaného histonu H2AX. Studie, kterou provedli Whittemore et al., prokázala mimo souvislosti mezi délkou života a rychlostí akumulace chyb i závislost na chronologickém věku (10). Dalším z mechanismů genomové nestability je oxidace DNA. Mezi její nejvýznamnější produkty patří 8-oxo-2'-deoxyguanosin (8-oxo-dG). Jeho hladiny stoupají s věkem, představuje tedy další způsob nepřímého měření poškození DNA (14).

Vyšetření genetické informace může pomoci odhalit i přítomnost genetických syndromů ovlivňujících rychlost stárnutí, jakým je například progerie. Odhalit rychlost stárnutí u konkrétního jedince však nemůže, pouze vytvoří předpoklad o rychlosti stárnutí během jeho života (15).

Negativní vliv na stabilitu genomu mají i tzv. retrotranspozony. Jejich souhrn v celém genomu se nazývá retrobiom. Retrotranspozony, lidově označované jako „skákající geny“, jsou fragmenty DNA, které mají schopnost kopírovat své sekvence z jednoho místa v genomu na jiné. Indukují tak přestavbu chromozomu, zlomy, alterace normální funkce genů, mutace. Retrotranspozony jsou zodpovědné za vznik somatického mozaicismu. Není tedy pravda, že všechny buňky jedince nesou stejné genetické instrukce a že buněčné rozmanitosti se dosahuje pouze změnou čtení těchto instrukcí (ovlivněno např. prostřednictvím epigenetických modifikací). Pokrok v sekvenování DNA a genetické analýze spolu s bioinformatikou umožnily identifikovat změny genetické informace v jednotlivých buňkách způsobené retrotranspozony. S věkem se kopií retrotranspozonů v somatických buňkách přibývá v důsledku ztráty represe během stárnutí a změn v konstitutivních regionech heterochromatinu (změna prostorového rozložení chromozomu). K nestabilitě může přispívat také s věkem pokračující zhoršování integrace retrotranspozonů (16).

Nejznámější skupinu transpozonů představuje LINE-1 (L1). Je aktivní během embryogeneze díky globální demethylaci, v dospělosti je transkripčně omezena. Její úroveň transkripce však stoupá s věkem, díky čemuž bývá někdy označována jako endogenous clock, „vnitřní hodiny“ organismu. Častěji je detekována u chorob, např. revmatoidní artritidy, karcinomů. Exprese L1 také roste stresem při expozici toxickým látkám, oxidačním stresu, typicky po ischemicko-reperfuzním poškození. Měření aktivity L1 je možné pouze na úrovní transkripce, neboť k translaci nedochází (17, 18).

Zkracování telomer

Při každém mitotickém dělení se telomery zkrátí a po dosažení kritické délky se buňka již dále dělit nemůže. Buňka neschopná dělení se stává senescentní nebo prochází apoptózou (buněčnou smrtí). Délka telomer souvisí nejen s buněčným dělením, ovlivňuje také celkovou strukturu a prostorové rozložení dvoušroubovice DNA. Dlouhé telomery strukturu stabilizují, krátké naopak (19, 20).

Zatímco v minulosti se měřila průměrná délka telomer (například u periferních leukocytů), nyní nabývá na významu zejména měření tzv. nejkratších telomer. Ukazuje se totiž, že právě buňky s nejkratšími telomerami jsou imunologicky nejaktivnější a významně přispívají k prozánětlivému procesu (inflammaging; bližší informace níže). Krátké telomery se pojí s rizikem povšechné mortality (21, 22).

Existuje řada způsobů měření nejkratších telomer (qPCR – quantitative polymerase chain reaction, TRF – terminal restriction fragment, TeSLA – telomere shortest length assay) (23).

S délkou telomer nevyhnutelně souvisí i aktivita enzymu telomerázy, reverzní transkriptázy, která je zodpovědná za prodlužování telomer de novo ve většině tkání dospělých. Některé typy buněk, například kmenové, mají aktivitu telomerázy vysokou po celý život. Exprese telomerázy v kmenových buňkách nicméně není dostatečná pro zabránění postupnému zkracování telomer ve vyšším věku (24).

Iwama et al. popsali na vzorcích periferní krve od dárců ve věku 4–95 let, že aktivita telomerázy u normálních jedinců mladších 40 let s rostoucím věkem postupně klesá a u osob 40letých a starších je velmi nízká, nebo dokonce není detekovatelná (25).

Epigenetické změny

Mezi nejdůležitější epigenetické změny související se stárnutím patří methylace DNA a změny v produkci mikroRNA (miRNA). Methylace bude popsána v části o složených biomarkerech.

MiRNA jsou krátké (~ 22 nukleotidů) nekódující molekuly RNA, které regulují genovou expresi. Hrají důležitou roli nejen při vývoji jedince, ale také v patologických procesech a stárnutí (1). Studie zaměřené na analýzu miRNA z plné krve ukazují, že exprese některých miRNA se s věkem mění. Mezi miRNA reflektující stárnutí patří např. miR-99b-5p, miR-130b-5p, miR-505-5p, miR-425-3p, miR-1275, miR-30-5p, miR-30d-5p nebo miR-206. Kvantifikace mnoha desítek miRNA by mohla sloužit ke stanovení epigenetického věku – „miRNA věk“ (miRNA age), nicméně žádný algoritmus pro výpočet dosud nebyl publikován (26, 27).

Největším úskalím při výběru vhodných miRNA jako markerů stárnutí je učení takových, jejichž koncentrace se mění se stárnutím, ale neovlivňuje je akutní nebo dlouhodobé onemocnění.

Porucha homeostázy proteinů

K narušení homeostázy proteinů může dojít od přepisu DNA do mRNA až po vlastní degradaci proteinů. Během stárnutí dochází k mnoha změnám, které mohou narušit homeostázu proteinů. Mezi zásadní patří narušení translace. To je spojeno se snížením počtu ribozomů a jejich funkcí, exprese translačních a elongačních faktorů. Navíc je snížená kontrola kvality translace (28–32). Narušená je i posttranslační úprava vzniklého polypeptidového řetězce, jeho oprava, popř. degradace poškozené bílkoviny. Opravené a degradační procesy závisejí na chaperonech, endoplazmatickém retikulu (ER), autofagosomálně-lyzosomálním a ubikvitin-proteasomovém systému. Jejich aktivita a efektivita s věkem klesá a zvyšuje se množství a agregace nežádoucích proteinů, tj. známka stárnutí proteomu (33–37). Jako markery stárnutí tak mohou sloužit jednak akumulované proteiny a jednak složky zapojené do regulace proteostázy, např. chaperon Hsp70, LAMP2A (lysosome-associated membrane protein type 2A), jejichž hodnoty negativně korelují s věkem. Autofagii je možné hodnotit pomocí Beclinu-1, proteinů Atg či p62 (multifunkční protein; p62/SQSTM1), které s věkem ubývají (38–40). Redukce exprese p62 je navíc spojená i s nárůstem exprese senescenčních znaků (41).

Proteostáza závisí také na posttranslační modifikaci proteinů, při níž dochází k navázání cukerných složek na protein: glykace, karbamylace, glykosylace. Modifikace mění funkce proteinů a s narůstajícím věkem výrazně přibývá některých posttranslačních modifikací a jejich produkty jsou detekovatelné a kvantifikovatelné v tkáních i krvi.

Glykace je neenzymatický proces, během nějž dochází k vazbě sacharidů na proteiny, nukleosidy, lipidy, změněny jsou tedy i velmi důležité substráty jako DNA, hemoglobin či protilátky (42). Sloučeniny změněné glykací se označují jako produkty pokročilé glykace (AGE – advanced glycation endproducts). S přibývajícím věkem narůstají koncentrace AGE, kumulují se jak intracelulárně (poškozují mitochondrie), tak extracelulárně (glykace bílkovin s dlouhým poločasem, např. kolagen, elastin) (43, 44). Konečná koncentrace AGE v organismu závisí nejen na příjmu (obsahují je mnohé potraviny) a tvorbě, ale také na odbourávání. To je zajišťováno např. glyoxalázovým systémem (glyoxaláza 1, glyoxaláza 2, kofaktor glutathion), ale jeho aktivita s věkem klesá (45, 46). Vyšší koncentrace AGE je ukazatelem stárnutí, nárůstu oxidačního stresu a inflammagingu. Dalšími nežádoucími posttranslačními modifikacemi jsou karbamylace, která je typická tvorbou homocitrulinu, jehož koncentrace koreluje s chronologickým věkem, a glykosylace (47, 48).

Glykosylace je proces závislý na glykotransferázách, které katalyzují kovalentní vazbu monosacharidu a proteinu nebo lipidu. Významná je glykosylace protilátek IgG. Její změny mají typické vzorce odpovídající chronologickému a biologickému věku. Na jejich základě byl vytvořen GlycanAge index, např. v mládí je vyšší koncentrace digalaktosylovaných protizánětlivých IgG a nižší koncentrace prozánětlivých agalaktosylovaných a jejich poměr se s věkem obrací (49, 50).

Narušené vnímání dostupnosti živin

Vnímání dostupnosti živin je zajištěno intracelulárními senzory, které jsou schopné spustit odpovídající reakci. Ta má zajistit přežití buňky i v období nedostatku.

Do vnímání nutrientů je zapojeno několik cest. Mezi nejdůležitější patří:

  • IGF-1/inzulin
  • AMPK/sirtuiny

Systém inzulinového růstového faktoru (IGF) je napojen na řadu intracelulárních signálních kaskád, včetně signalizace spojené s mTOR (mammalian target of rapamycin), a hraje tak důležitou roli v mnoha buněčných procesech (růst, přežití, metabolismus). Právě cesta mTOR, která významně zasahuje do buněčného metabolismu (např. redukuje autofagie), je dávána do přímé souvislosti se stárnutím (51).

Výsledky preklinických a klinických studií se shodují. Mutace, zablokování či snížení koncentrace složek IGF/inzulinové cesty jsou spojené s delší dobou dožití. Např. století a starší mají nižší hodnoty IGF-1 než mladší osoby, stejně tak jejich potomci. Devadesátníci s nižší koncentrací IGF-1 se ve studiích dožili vyššího věku než osoby s vyšší hladinou (52–55).

Aktivitu AMPK (AMP-activated protein kinase) regulují hormonální a metabolické signály, tvoří přirozený senzor energie v buňce. Je aktivována hlavně poklesem ATP. Aktivovaná AMPK má obrovský funkční dosah, je přímo či nepřímo zapojená do autofagie, katabolismu mastných kyselin a glykolýzy, blokuje mTOR a inhibuje transkripční faktor NF-κB atd. Výzkumy ukazují, že s věkem aktivita AMPK výrazně klesá a udržení její vyšší aktivity je spojené s prodloužením života (56–58).

Za zmínku stojí interakce mezi AMPK a sirtuiny, což jsou NAD+ deacetylázy. Aktivita sirtuinů, hlavně SIRT1, je řízena množstvím živin a koncentrací NAD+, která s věkem klesá a s ní i exprese SIRT1. Aktivita sirtuinů oddaluje zkracování telomer, podporuje udržení integrity genomu a posiluje reparaci DNA (59).

Krátce zmíníme také možnosti detekce zmíněných faktorů. IGF-1 a další členy této signální cesty a sirtuiny je možné detekovat pomocí ELISA. Sirtuiny, AMPK a mTOR lze detekovat použitím specifických protilátek namířených proti těmto faktorům, a to myších, králičích či lidských. Speciálními ověřovacími metodami je také možné hodnotit aktivitu enzymů.

Mezibuněčná signalizace

Narušení mezibuněčné komunikace lze popsat jako změny v neuronových, endokrinních, neuroendokrinních a imunitních cestách. Je důležitá k udržení homeostázy v organismu, regeneraci, obraně organismu atd. Buňky produkují mnohé působky, které mají potenciál ovlivnit lokálně i systémově fungování buněk a organismu.

Důležitou součást systémové mezibuněčné komunikace tvoří extracelulární vezikuly (EV), které jsou secernovány všemi buňkami a nacházejí se v každé tělní tekutině, včetně krve, jíž mohou být rozneseny po celém organismu. EV obsahují velké množství sloučenin, které modulují aktivitu buňky, jež EV pohltí či s nimi interaguje. Jedná se např. o DNA, mRNA, tRNA, cytokiny, růstové faktory, membránové receptory, mitochondrie, patologické proteiny (např. amyloid alfa) či lipidy. Složení EV závisí na typu buňky, z níž jsou uvolňovány, a funkčním stavu buňky (60–62). Stárnutí mění funkce buněk, a tedy i produkci a složení EV. EV je možné izolovat diferenciační centrifugací, analyzovat jejich „náklad“ a využít specifické změny jako markery stárnutí. S věkem klesá koncentrace EV v krvi, snižují se množství galektinu 3 a mitochondrií a rostou hladiny prozánětlivých působků, např. HMBG1 či IL-1β (63, 64). EV lze z krve separovat ultracentrifugací, jsou však vyvíjeny nové, rychlejší možnosti. Přítomnost EV je možné potvrdit také značením a použitím průtokové cytometrie (např. anti-CD63/CD9). Extrahované EV jsou podrobovány další analýze, která umožní odhalit jejich složení. K tomu lze použít značení hledaných molekul, ELISA, western blot, PCR, chromatografii, hmotností spektrometrii atd.

Lokální mezibuněčná komunikace je z velké části zajišťována imunitním systémem, v němž během stárnutí dochází k mnoha změnám vedoucím k prozánětlivému stavu, tj. inflammagingu. Zvyšují se tedy hodnoty markerů zánětu. Jako nespecifické markery zánětu mohou být využity např. aktivita inflamasomů a NF-κB a exprese cytokinů na nich závislých, např. interleukinů (IL) 1β, 18 a 6 a tumor nekrotizujícího faktoru alfa (TNF-α). Aktivita i koncentrace zmíněných markerů se s věkem zvyšují (65, 66). Obzvlášť zajímavý je IL-6. Jeho koncentrace s věkem roste. Ve studii PolSenior autoři potvrdili korelaci IL-6 s věkem, navíc doložili, že hodnoty IL-6 jsou výrazně nižší u vrstevníků procházejících „zdravým“ stárnutím, tj. těch, kteří netrpí vážnějšími kardiovaskulárními nemocemi, diabetem či nádorovým onemocněním (67, 68).

Senescence

Buněčná senescence je charakterizována zástavou dělení buňky, rezistencí k apoptóze, změnami metabolismu, produkce působků i morfologie. V průběhu stárnutí dochází k zvýšení počtu senescentních buněk, jejichž produkty dále indukují senescenci v okolních buňkách. Přechod do senescence je indukován různými stimuly. Nejčastěji se jedná o oxidační stres, nereparabilní poškození DNA či zkracování telomer (69).

V senescentních buňkách je aktivována odpověď DDR (DNA damage response) (70). Významnou roli v tomto procesu hraje transkripční faktor p53, který reaguje na poškození DNA. Navozená zástava buněčného cyklu má vést k reparaci DNA. Pokud k ní nedojde, může být buňka uvedena do senescence či podléhá apoptóze. Dalším důležitým markerem zástavy dělení a senescence je p16INK4a (p16). Při aktivaci p16 dochází k zástavě progrese buněčného cyklu z fáze G1 do fáze S (71).

Exprese obou zmíněných markerů se mění nejen s věkem, ale je rozdílná také v jednotlivých tkáních. Klinické studie prokázaly, že exprese p16 a p21 v mnoha typech tkání jsou vyšší u osob 66letých a starších v porovnání s osobami mladšími 38 let. Rozdíly exprese byly nejvyšší v epidermis a ledvinách. Změny exprese jsou tedy orgánově specifické. S věkem asociované zvýšení exprese p16 bylo zdokumentováno také v lidských T lymfocytech a slinných žlázách dolního rtu, kde byla navíc zjištěna také korelace s poklesem kognitivních funkcí (71–73).

Výše jsme zmínili aktivaci DDR. V případě, že je dlouhodobě aktivovaná, vede to k nárůstu produkce mnoha působků, které mohou být považovány za biomarkery stárnutí. Jedná se o tzv. SASP (senescence-associated secretory phenotype). Zvýšeně jsou secernovány prozánětlivé cytokiny, některé růstové faktory, proteázy, extracelulární vezikuly, solubilní a z membrány odloučené receptory a ligandy atd. (74, 75).

Za jeden z nejdůležitějších a snadno detekovatelných markerů senescence je považována lysozomální β-galaktosidáza, která katalyzuje hydrolýzu galaktózových reziduí na glykoproteinech, glykolipidech a proteoglykanech. Přestože její exprese ve stáří stoupá, aktivita β-galaktosidázy klesá, což vede ke kumulaci jejich substrátů v lysozomech (76, 77).

Senescenci může signalizovat také přítomnost lipofuscinu. Lipofuscin je nedegradovatelný lipopigment kumulující se s narůstajícím věkem v lysozomech, které poškozuje. Některými autory je považován za senzitivnější marker než beta-galaktosidáza. Jeho koncentrace ve studii zahrnující 67 osob (20–97 let) korelovala s chronologickým věkem (78). Výhoda lipofuscinu coby markeru stárnutí spočívá v možnosti jeho detekování nejen v živých buňkách a tekutinách, ale i zamrazených tkáních (77).

Mitochondrie

Mitochondrie jsou maternálně děděné organely s autonomním genomem a jsou citlivé na změny, ke kterým dochází v průběhu stárnutí (např. zvýšení oxidačního stresu, aktivace zánětu). Během stárnutí se mění morfologicky i funkčně. Nabývají cirkulárního tvaru, probíhají fragmentace, zkracují se a celkově zmenšují. Časté je fúzování mitochondrií a poruchy dělení, tj. biogeneze (79, 80). Ke kumulaci změněných mitochondrií přispívá rovněž redukce jejich odstraňování procesem mitofagie (autofagický proces odstraňující mitochondrie), díky níž je udržována homeostáza těchto organel v buňce (81).

Morfologické změny provází vyšší výskyt mutací v mtDNA. S přibývajícími roky dochází k heteroplazmii mtDNA, při níž se v buňce vyskytují jak normální, tak mutovaná mtDNA, přičemž podíl mutované se postupně zvyšuje, což je dáno poklesem aktivity mitochondriální DNA polymerázy (82, 83).

Mezi funkční změny mitochondrií patří snížení efektivity respiračního řetězce, zvýšení produkce kyslíkových radikálů a snížení produkce ATP (84–86).

Hovoříme-li o mitochondriích, není možné vynechat nikotinamidadenindinukleotid, redoxní koenzym hrající zásadní roli v energetickém metabolismu (glykolýza, Krebsův cyklus, oxidace mastných kyselin). Vyskytuje se ve dvou formách, redukované (NADH) a oxidované (NAD+). NAD+ a NADH jsou však zapojeny také do dalších biologických procesů (buněčné signalizace, smrt, autofagie, exprese genů, opravy DNA atd.). Výzkumy dokládají, že s věkem jejich hladiny klesají, a to jak v plazmě, tak orgánech, např. pokožce, mozku (87–90).

Důležitým markerem mitochondriální dysfunkce spojené se stárnutím je GDF-15 (growth differentiation factor 15). Jedná se o člena rodiny TGF-β. V dospělosti je jeho exprese nízká, ale stresové události (zánět, oxidační stres, nádorová a jiná chronická onemocnění) ji zvyšují. Zvýšení hodnot GDF-15 se pojí s imunosenescencí, snížením aktivity mitochondrií i mortalitou. Zajímavá je např. švédská studie, jíž se účastnilo 876 osob ve věku 35–80 let a samostatná kohorta stejnopohlavních dvojčat. Sledování probíhalo 14 let. Vyšší hodnoty GDF-15 se vyskytovaly u lidí s kardiovaskulárními a nádorovými nemocemi a korelovaly s celkovou úmrtností. Za mezní prediktivní hodnotu mortality byla určena hladina 1800 pg/ml (91, 92). Měření koncentrace GDF-15 je přitom již možné i pomocí komerčních kitů ELISA.

Vyčerpání kmenových buněk

Kmenové buňky jsou nediferencované, se schopností dělení a diferenciace do zralých buněk podle své diferenciační kapacity (multi-, monopotentní) a stimulace prostředím (93). Mají regenerační, ale také např. imunomodulační potenciál. Jejich počet i funkční kapacita s přibývajícím věkem klesají. I v kmenových buňkách dochází k poškození DNA, zkracování telomer, senescenci, epigenetické alteraci, narušení mitochondriálních funkcí, proteostázy a metabolismu, což se projeví jako omezení dělení, diferenciace, změny v sekretomu atd. Tyto procesy jsou spojeny se zhoršením regenerace organismu, tkáňovými dysfunkcemi a zkrácením délky života. Nejsnadněji se monitorují stav a vyčerpání hematopoetických kmenových buněk, které se projevuje jako snížení krvetvorby. To je také důvod, proč se k odběru kostní dřeně mohou hlásit pouze osoby ne starší než 40leté. U hematopoetických kmenových buněk starších lidí je patrný shift od tvorby lymfoidních buněk k produkci buněk myeloidní linie. Ve stáří se zvyšuje incidence myeloidních leukémií, zatímco děti a mladí dospělí jsou zatíženy lymfocytárními formami leukémií (94, 95).

    

2. Funkční (fyziologické)

S jednoduchými funkčními biomarkery stárnutí se setkáváme v každodenním životě i klinické praxi, aniž bychom si uvědomovali, že se jedná o ukazatele rychlosti stárnutí. Jedná se o markery, které popisují funkční kapacity lidského těla, resp. jednotlivých orgánů.

Nejjednodušším příkladem může být maximální tepová frekvence (TF), která u jedince v průběhu života klesá. Sofistikovanější metodu představuje zátěžová ergometrie, která hodnotí schopnost kardiovaskulárního systému (KVS) adaptovat se na zátěž. Rychlejší nárůst TF při zátěži znamená nižší odolnost vůči zátěži. Maximální kondice dosahujeme ve druhé až třetí dekádě života, poté se postupně snižuje (96, 97).

Dalším příkladem testu, jehož výsledky významně ovlivňuje věk zkoumané osoby, je spirometrie (funkční vyšetření plic). Testy svalové síly, rychlosti chůze, kognitivních funkcí (MMSE – mini-mental-state examination) a další vlastně rovněž představují způsoby zkoumání biologického věku člověka, protože popisují funkční kapacitu našich systémů (98, 99).

Celá oblast sportovní medicíny vlastně úzce souvisí s oblastí prevence stárnutí. Měření funkčních kapacit, které v průběhu života klesají, je velice blízké měření funkčních kapacit u sportovců, kteří se snaží jejich hodnoty co nejvíce zvýšit a poté dlouhodobě udržet (100). Z rozsahových důvodů není možné zabývat se všemi funkčními testy biologického věku.

3. Antropometrické (anatomické)

Antropometrické biomarkery stárnutí nepopisují funkční stav, ale pouze aktuální podobu organismu. Typickým představitelem je množství a rozložení tělesného tuku. V průběhu života tukové tkáně obvykle přibývá až do jeho závěru, kdy může docházet naopak ke kachektizaci. Tělesná hmotnost, BMI (body mass index) a měření obvodu pasu tak mohou poskytnout další informaci o stavu organismu a orientačním biologickém věku pacienta. K přesnějšímu měření množství tělesného tuku se používá také metoda kaliperace kožních řas. Nejen tuková tkáň, ale i svalová se v průběhu života mění. Jejich množství lze stanovit zobrazovacími metodami, hojně se využívá rovněž bioelektrická impedance. Nejzákladnější forma stanovení stavu svalové hmoty je měření obvodu typických svalových skupin (např. lýtko). Zajímavostí je i výška postavy, která se skutečně v průběhu života snižuje (101, 102). Z rozsahových důvodů není možné věnovat se v rámci této práce všem antropometrickým ukazatelům stárnutí.

Anatomické biomarkery se mohou skládat do větších celků, a tak v kombinaci se zobrazovacím vyšetřením vytvářet složené biomarkery stárnutí.

SLOŽENÉ BIOMARKERY STÁRNUTÍ

Jedná se o nejkomplexnější způsob hodnocení biologického věku. Složené biomarkery stárnutí zahrnují kombinace velkého množství dat, které se vyhodnocují pomocí algoritmů často postavených na umělé inteligenci. Jsou v principu dvojího druhu – hodiny (clocks) a tzv. -omics, jež vycházejí z měření komplexního metabolomu, proteomu, transkriptomu či jiných -omů. Jedná se o soubor všech dějů/látek, které probíhají/existují v čase sledování. jakožto souborů všech dějů/látek v daném čase probíhajících/existujících (103, 104).

1. Hodiny

Nejznámějším a v současné době nejuznávanějším složeným biomarkerem stárnutí je metoda zvaná epigenetické hodiny (epigenetic clock). Jejím základem je měření methylace DNA na tzv. ostrůvcích CpG. Jedná se o oblasti DNA, kde za cytosinovým nukleotidem opakovaně následuje guaninový nukleotid v lineární sekvenci bází. Cytosin v takovém místě může být methylován, čímž vznikne 5-methylcytosin. Methylace mění míru exprese genu v blízkosti ostrůvku (105). O tom, že některé ostrůvky CpG mění množství methylovaných cytosinů s rostoucím věkem, se vědělo již od šedesátých let minulého století. V roce 2013 vydal prof. Horvath publikaci, která popisovala algoritmus počítající biologický věk z celkem 353 ostrůvků CpG. Jeho epigenetické hodiny dokážou odhadnout u zdravých osob kalendářní věk s vysokou přesností, u osob nemocných nebo s rizikovými faktory (životního stylu, prostředí, organismu) poté naměří zpravidla číslo vyšší – udávající biologický věk. Příkladem může být kohorta pacientů s Downovým syndromem nebo obezitou (106, 107).

Odhadovaný biologický věk předpovídá délku života po úpravě na chronologický věk a další rizikové faktory. Kromě toho jsou epigenetické hodiny spojeny s velkým množstvím stavů souvisejících s věkem. Vyšší epigenetický věk značí zvýšené riziko vzniku zhoubných nádorů, Alzheimerovy choroby nebo i snižující se kognitivní schopnosti. Metoda epigenetic clock se stále vyvíjí a zdokonaluje, aby sloužila i jako marker předpokládané naděje dožití (doba do úmrtí z jakýchkoliv příčin) (108–110). Například Zhang et al. jejím zdokonalováním vytvořili skóre celkového rizika úmrtí. Levineová et al. vyvinuli prediktor délky života DNAm PhenoAge, jenž hodnotí nejen úseky DNA, které jsou typicky methylovány ve vyšším věku, ale i změny methylací DNA při rizikovém chování (např. kouření) (111, 112).

Dalším příkladem clocks mohou být biologické hodiny hodnotící hematologické a biochemické parametry. Zatímco epigenetic clock je dlouhodobě velmi stabilní a ovlivňují ho zejména zásadní změny životního stylu, vážné nemoci nebo faktory působící po dlouhou dobu, stanovení biologického „krevního“ věku je citlivé na aktuální změny životního stylu či stresovou zátěž. Mamoshina et al. ve studii využili pro výpočet 19 krevních parametrů, z nichž 14 je biochemických (koncentrace albuminu, glukózy, hemoglobinu, cholesterolu, sodíku, močoviny, LDL a HDL cholesterolu, triglyceridů, celkových proteinů, vápníku, kreatininu, draslíku a celkového bilirubinu) a 5 hematologických (hematokrit, počet erytrocytů a destiček, střední koncentrace hemoglobinu v erytrocytech /MCHC/ a střední objem erytrocytů /MVC/) (113). Tato studie prokázala schopnost predikovat celkové riziko úmrtí ze všech příčin pomocí změřeného „krevního“ věku.

Měření biologického „krevního“ věku ukázalo, že aktivní kuřáci mají signifikantně vyšší biologický věk než chronologický. Kromě hodnocení biologického věku autoři ukázali, že mohou také předpovídat kuřáctví, což by mohlo nahradit často chybné sebehodnocení počtu vykouřených cigaret (114).

Umělá inteligence, respektive strojové učení získává v posledních letech čím dál větší uplatnění ve zpracování záznamů výsledků zobrazovacích metod. Oblast medicíny a stárnutí není výjimkou. Prediktory lidského věku založené na zobrazovacích metodách byly vyvinuty snad pro všechny typy přístrojových technik i období života, včetně odhadu gestačního nebo chronologického věku (např. podle hustoty minerálů stehenní kosti pro forenzní účely) (115–117).

Data z magnetické rezonance (MRI) se používají k trénování neuronových sítí pro predikci věku pacienta (118). Tuto techniku lze využít pro včasnou diagnostiku a stanovení stadia různých neurologických poruch (např. u roztroušené sklerózy). Nejen číselná, ale i vizuální data budou čím dál častěji zasahovat do měření biologického věku pomocí složených biomarkerů stárnutí pokrokem výpočetních kapacit a schopností modelů strojového učení (119).

2. -omics (big data)

S rozvíjející se počítačovou technologií nabývají na významu i markery postavené na velkém množství dat. Tato oblast je často označována jako -omics pro koncovku termínu v anglickém jazyce. Popis všech -omics není vzhledem k rozsahu této publikace možný, přiblížíme proto pouze nejdůležitější z nich.

Genomika

Genomika se zabývá studiem genomu jedince. Dědičnost lidské dlouhověkosti byla odhadována na 15–40 %, ačkoli výsledky nedávné robustní studie hodnotící 5,3 milionu rodokmenů v online genealogické databázi poukázaly na odhadovaný podíl dědičnosti na dlouhověkosti pouze 16 %. Po 70. roce věku nabývá genetická složka stále většího významu a v různé míře ovlivňuje většinu běžných polygenních stavů, které narůstají od středního věku. Ve velmi vysokém věku (> 90 let) vystupují ze stínu specifické geny dlouhověkosti a při určování délky života dominují nad vlivy prostředí (120–122).

Byť genomika tvoří důležitou součást poznávání procesu stárnutí a dokáže zpřesnit odhad naděje dožití jedince, pročež je zmíněna v tomto článku, nelze ji využívat jako jeden z biomarkerů stárnutí, neboť ze své podstaty je neměnná. Výjimkou může být zkoumání retrobiomu, tedy nekódujících retrotranspozonů, kterým jsme se věnovali výše.

Transkriptomika

Transkriptom označuje veškerý materiál RNA, tedy mRNA, tRNA, rRNA a nekódujících RNA, v jedné nebo více buňkách. Transkriptomika tak zahrnuje vše, co se týká RNA, včetně jejich transkripce a úrovně exprese, funkce, lokalizace a degradace. Transkriptomické studie se provádějí na RNA-Seq (umožňuje analyzovat celkovou buněčnou RNA, včetně mRNA, rRNA a tRNA v daný okamžik, a tím také neustálé změny buněčného transkriptomu). Výzkum lidského transkriptomu ukázal, že stárnutí je obecně specifické pro pohlaví a konkrétní tkáně. Existují společné změny exprese vzorců energetického a oxidačního metabolismu, regulace extracelulární matrix a zánětlivých drah. Stárnutí je spojeno s narušením procesu sestřihu (splicing). Na druhé straně existuje dosud nespojovaný přímý vztah několika molekul RNA s nemocemi souvisejícími s věkem, což naznačuje její možné využití jako biomarkeru (123–125).

Jedna z prvních studií navrhujících panel významných diferenciálně exprimovaných genů upozornila na osm genů, které zachycují 71 % transkripční variability související se zdravým stárnutím. Tyto geny regulují buněčnou proliferaci, adhezi, diferenciaci a zánět a korelují s klinickými proměnnými, jako je lidská šedá hmota (126). Jiná celoplošná studie, provedená na 14 983 vzorcích periferní krve různých kohort dárců identifikovala 1497 genů souvisejících s věkem. Využití analýz transkriptomu je tedy slibnou rozvíjející se cestou k tvorbě komplexních biomarkerů stárnutí, vyžaduje však velkou míru specificity vzhledem k odlišné transkripci jednotlivých tkání (127).

Proteomika

Proteomika zahrnuje použití technologií pro identifikaci a kvantifikaci celkového obsahu proteinů v buňce, tkáni nebo organismu. Využívá například hmotnostní spektrometrii, molekulovou vylučovací chromatografii nebo techniky jako ELISA a western blot pro selektivní analýzu proteinů. Proteomika by mohla pomoci vyvinout biomarkery, jež zahrnují komplexní proces stárnutí ve zdraví i nemoci, a také profily proteomu přesně korelující s chronologickým věkem. Například studie provedená v roce 2020 analyzující proteom plazmatických bílkovin 100letých lidí s významnou stařeckou křehkostí upozornila na 10 nejvýznamnějších proteinů spojených s úspěšným i neúspěšným stárnutím. To naznačuje, že tyto proteiny jsou cílovými kandidátskými biomarkery pro hodnocení klinických intervencí, které by mohly pomoci dosáhnout zdravého stárnutí (128).

Studie využívající plazmu novorozenců, dětí a dospělých ukazují, že s rostoucím věkem se významně zvyšuje také obsah proteinů zapojených do transportu železa, homeostázy, imunitní odpovědi nebo apoptózy. Proteomika je tedy slibnou oblastí pro hledání nových biomarkerů stárnutí. Pro svou komplexnost je stále ještě málo probádaná (103, 129).

Metabolomika

V porovnání s ostatními je metabolomika nový a mohutně rozvíjející se obor, definovaný jako komplexní měření všech metabolitů v biologickém vzorku. Umožňuje dosáhnout sofistikované úrovně informací o biologických systémech a otevírá nové perspektivy v mnoha oblastech medicíny (130).

Přední techniky v této oblasti jsou založeny především na hmotnostní a nukleární magnetické rezonanční spektrometrii. Jedním z nejoblíbenějších cílů metabolomických studií je objevování biomarkerů. Celkově se metabolické biomarkery zdají slibné, protože metabolomika představuje výsledek komplexní sítě molekulárních procesů zahrnující genomické, epigenetické, transkriptomické a proteomické události, což znamená, že metabolom může odrážet komplexní fenotyp celosystémového stárnutí. Největším problémem tohoto přístupu je však zpracování dat, protože mezi metabolity patří řada malých molekul obsažených v různých biologických matricích, mezibuněčném prostoru, tkáních nebo buňkách, které jsou běžně podhodnoceny kvůli málo účinným izolačním protokolům včetně nejednotných protokolů pro zpracování a analýzu dat nebo aktuální nastavení organismu (lačnění, spánek, jiné) (130–133).

    

ZÁVĚR

Oblast biomarkerů stárnutí je slibně rozvíjející se vědní disciplínou, která nám umožňuje blíže popsat rychlost stárnutí jednotlivce. S tím se pojí i schopnost zhodnotit riziko úmrtí, riziko rozvoje závažného zdravotního onemocnění nebo riziko těžkého průběhu (infekčního) onemocnění. Jednoduché biomarkery stárnutí popisují část procesu stárnutí, zatímco složené se snaží o komplexnější charakterizaci. V příštích letech můžeme očekávat rychlý rozvoj zejména v oblasti složených biomarkerů stárnutí, neboť motivací této vědní disciplíny je vytvořit dostupný komplexní biomarker stárnutí, který by umožnil co nejpřesnější stanovení biologického věku, a tím i charakterizaci zmíněného rizika jednotlivce.

Adresa pro korespondenci:

MUDr. Pavel Borský, Ph.D.
Ústav preventivního lékařství LF UK
Šimkova 870, 500 38  Hradec Králové
Tel.: 495 816 386
e-mail: borskyp@lfhk.cuni.cz


Zdroje
  1. Borský P, Holmannová D, Fiala Z a kol. Fyziologie stárnutí. Časopis lékařů českých 2022; 161: 11–16.
  2. Rando TA, Chang HY. Aging, rejuvenation, and epigenetic reprogramming: resetting the aging clock. Cell 2012; 148: 46–57.
  3. Navarro Negredo P, Yeo RW, Brunet A. Aging and rejuvenation of neural stem cells and their niches. Cell Stem Cell 2020; 27: 202–223.
  4. Jylhävä J, Pedersen NL, Hägg S. Biological age predictors. EBioMedicine 2017; 21: 29–36.
  5. Hamczyk MR, Nevado RM, Barettino A et al. Biological versus chronological aging: JACC Focus seminar. J Am Coll Cardiol 2020; 75: 919–930.
  6. Sagers L, Melas-Kyriazi L, Patel CJ, Manrai AK. Prediction of chronological and biological age from laboratory data. Aging (Albany NY) 2020; 12: 7626–7638.
  7. Chen Y, Klein SL, Garibaldi BT et al. Aging in COVID-19: Vulnerability, immunity and intervention. Ageing Res Rev 2021; 65: 101205.
  8. Galkin F, Mamoshina P, Aliper A et al. Biohorology and biomarkers of aging: current state-of-the-art, challenges and opportunities. Ageing Res Rev 2020; 60: 101050.
  9. Bai X. Biomarkers of aging. Adv Exp Med Biol 2018; 1086: 217–234.
  10. Whittemore K, Martínez-Nevado E, Blasco MA. Slower rates of accumulation of DNA damage in leukocytes correlate with longer lifespans across several species of birds and mammals. Aging 2019; 11: 9829–9845.
  11. Borská L, Kremláček J, Andrýs C et al. Systemic inflammation, oxidative damage to nucleic acids, and metabolic syndrome in the pathogenesis of psoriasis. Int J Mol Sci 2017; 18: 2238.
  12. Qiu GH, Zheng X, Fu M et al. The protective function of non-coding DNA in DNA damage accumulation with age and its roles in age-related diseases. Biogerontology 2019; 20: 741–761.
  13. Li W, Vijg J. Measuring genome instability in aging – a mini-review. Gerontology 2012; 58: 129–138.
  14. Hamilton ML, Van Remmen H, Drake JA et al. Does oxidative damage to DNA increase with age? Proc Natl Acad Sci U S A 2001; 98: 10469–10474.
  15. Kubben N, Misteli T. Shared molecular and cellular mechanisms of premature ageing and ageing-associated diseases. Nat Rev Mol Cell Biol 2017; 18: 595–609.
  16. Bodea GO, McKelvey EGZ, Faulkner GJ. Retrotransposon-induced mosaicism in the neural genome. R Soc Open Sci 2018; 8: 180074.
  17. De Cecco M, Ito T, Petrashen AP et al. L1 drives IFN in senescent cells and promotes age-associated inflammation. Nature 2019; 566: 73–78.
  18. Kreiling JA, Jones BC, Wood JG et al. Contribution of retrotransposable elements to aging. In: Human Retrotransposons in Health and Disease. Springer, Cham, 2017: 297–321.
  19. Shay JW. Telomeres and aging. Curr Opin Cell Biol 2018; 52: 1–7.
  20. Lu W, Zhang Y, Liu D et al. Telomeres – structure, function, and regulation. Exp Cell Res 2013; 319: 133–141.
  21. Wang Q, Zhan Y, Pedersen NL et al. Telomere length and all-cause mortality: a meta-analysis. Ageing Res Rev 2018; 48: 11–20.
  22. Lai TP, Zhang N, Noh J et al. A method for measuring the distribution of the shortest telomeres in cells and tissues. Nat Commun 2017; 8: 1356.
  23. Lai TP, Wright WE, Shay JW. Comparison of telomere length measurement methods. Philos Trans R Soc Lond B Biol Sci 2018; 373: 20160451.
  24. Bernardes de Jesus B, Blasco MA. Telomerase at the intersection of cancer and aging. Trends Genet 2013; 29: 513–520.
  25. Iwama H, Ohyashiki K, Ohyashiki JH et al. Telomeric length and telomerase activity vary with age in peripheral blood cells obtained from normal individuals. Hum Genet 1998; 102: 397–402.
  26. Kinser HE, Pincus Z. MicroRNAs as modulators of longevity and the aging process. Hum Genet 2019; 139: 291–308.
  27. Eshkoor SA, Ghodsian N, Akhtari-Zavare M. MicroRNAs influence and longevity. Egypt J Med Hum Genet 2022; 23: 1–16.
  28. Papadopoli D et al. mTOR as a central regulator of lifespan and aging. F1000Res 2019; 8: F1000 Faculty Rev-998.
  29. Xie J, de Souza Alves V, von der Haar T et al. Regulation of the elongation phase of protein synthesis enhances translation accuracy and modulates lifespan. Curr Biol 2019; 29: 737–749. e5.
  30. Zhang W, Hawse J, Huang Q et al. Decreased expression of ribosomal proteins in human age-related cataract. Invest Ophthalmol Vis Sci 2002; 43: 198–204.
  31. Gonskikh Y, Polacek N. Alterations of the translation apparatus during aging and stress response. Mech Ageing Dev 2017; 168: 30–36.
  32. Steffen KK, Dillin A. A ribosomal perspective on proteostasis and aging. Cell Metab 2016; 23: 1004–1012.
  33. Chadwick SR, Lajoie P. Endoplasmic reticulum stress coping mechanisms and lifespan regulation in health and diseases. Front Cell Dev Biol 2019; 7: 263–277.
  34. Brown MK, Naidoo N. The endoplasmic reticulum stress response in aging and age-related diseases. Front Physiol 2012; 3: 263.
  35. Kaganovich D, Kopito R, Frydman J. Misfolded proteins partition between two distinct quality control compartments. Nature 2008; 454: 1088–1095.
  36. Barbosa MC, Grosso RA, Fader CM. Hallmarks of aging: an autophagic perspective. Front Endocrinol 2019; 10: 790.
  37. Sun Y, Li M, Zhao D et al. Lysosome activity is modulated by multiple longevity pathways and is important for lifespan extension in C. elegans. Elife 2020; 9: 1–28.
  38. Njemini R, Bautmans I, Onyema OO et al. Circulating heat shock protein 70 in health, aging and disease. BMC Immunol 2011; 12: 24.
  39. Huang J, Xu J, Pang S et al. Age-related decrease of the LAMP-2 gene expression in human leukocytes. Clin Biochem 2012; 45: 1229–1232.
  40. Loeffler DA. Influence of normal aging on brain autophagy: a complex scenario. Front Aging Neurosci 2019; 11: 49.
  41. Lerner C, Bitto A, Pulliam D et al. Reduced mammalian target of rapamycin activity facilitates mitochondrial retrograde signaling and increases life span in normal human fibroblasts. Aging Cell 2013; 12: 966–977.
  42. Gudelj I, Lauc G, Pezer M. Immunoglobulin G glycosylation in aging and diseases. Cell Immunol 2018; 333: 65–79.
  43. Chan CM, Huang DY, Huang YP et al. Methylglyoxal induces cell death through endoplasmic reticulum stress-associated ROS production and mitochondrial dysfunction. J Cell Mol Med 2016; 20 (9): 1749–1760.
  44. Rojas A, Añazco C, González I, Carcinogenesis PA. Extracellular matrix glycation and receptor for advanced glycation end-products activation: a missing piece in the puzzle of the association between diabetes and. Carcinogenesis 2018; 39: 515–521.
  45. Yumnam S, Subedi L, Kim SY. Glyoxalase system in the progression of skin aging and skin malignancies. Int J Mol Sci 2021; 22: 310.
  46. Chaudhuri J, Bains Y, Guha S et al. The role of advanced glycation end products in aging and metabolic diseases: Bridging association and causality. Cell Metab 2018; 28: 337–352.
  47. Gorisse L, Pietrement C, Vuiblet V et al. Protein carbamylation is a hallmark of aging. Proc Natl Acad Sci U S A 2016; 113: 1191–1196.
  48. Carracedo J, Ramírez-Carracedo R, Martínez de Toda I et al. Protein carbamylation: a marker reflecting increased age-related cell oxidation. Int J Mol Sci 2018; 19: 1495.
  49. Yu X, Wang Y, Kristic J et al. Profiling IgG N-glycans as potential biomarker of chronological and biological ages: a community-based study in a Han Chinese population. Medicine (United States) 2016; 95: e4112.
  50. Krištić J, Vučković F, Menni C et al. Glycans are a novel biomarker of chronological and biological ages. J Gerontol A Biol Sci Med Sci 2014; 69: 779–789.
  51. Wang S, Gu K. Insulin-like growth factor 1 inhibits autophagy of human colorectal carcinoma drug-resistant cells via the protein kinase B/mammalian target of rapamycin signaling pathway. Mol Med Rep 2018; 17: 2952–2956.
  52. Milman S, Atzmon G, Huffman DM et al. Low insulin-like growth factor-1 level predicts survival in humans with exceptional longevity. Aging Cell 2014; 13: 769–771.
  53. Yuan R, Tsaih SW, Petkova SB et al. Aging in inbred strains of mice: study design and interim report on median lifespans and circulating IGF1 levels. Aging Cell 2009; 8: 277–287.
  54. Vitale G, Pellegrino G, Vollery M, Hofland LJ. Role of IGF-1 system in the modulation of longevity: Controversies and new insights from a centenarians’ perspective. Front Endocrinol (Lausanne) 2019; 10: 27.
  55. Vitale G, Barbieri M, Kamenetskaya M, Paolisso G. GH/IGF-I/insulin system in centenarians. Mech Ageing Dev 2017; 165: 107–114.
  56. Salminen A, Kaarniranta K. AMP-activated protein kinase (AMPK) controls the aging process via an integrated signaling network. Ageing Res Rev 2013; 11: 230–241.
  57. Fulco M, Cen Y, Zhao P et al. Glucose restriction inhibits skeletal myoblast differentiation by activating SIRT1 through AMPK-mediated regulation of Nampt. Dev Cell 2008; 14: 661–673.
  58. Yuan J, Dong X, Yap J, Hu J. The MAPK and AMPK signalings: Interplay and implication in targeted cancer therapy. J Hematol Oncol 2020; 13: 113.
  59. Amano H, Sahin E. Telomeres and sirtuins: at the end we meet again. Mol Cell Oncol 2019; 6: e1632613.
  60. Anand S, Samuel M, Kumar S, Mathivanan S. Ticket to a bubble ride: Cargo sorting into exosomes and extracellular vesicles. Biochim Biophys Acta Proteins Proteom 2019; 1867: 140203.
  61. Kalluri R, LeBleu VS. The biology, function, and biomedical applications of exosomes. Science 2020; 367: eaau6977.
  62. Mitsuhashi M, Taub DD, Kapogiannis D et al. Aging enhances release of exosomal cytokine mRNAs by A1-42-stimulated macrophages. FASEB Journal 2013; 27: 5141–5150.
  63. Weilner S, Keider V, Winter M et al. Vesicular galectin-3 levels decrease with donor age and contribute to the reduced osteo-inductive potential of human plasma derived extracellular vesicles. Aging 2016; 8: 16–33.
  64. Zhang X, Hubal MJ, Kraus VB. Immune cell extracellular vesicles and their mitochondrial content decline with ageing. Immun Ageing 2020; 17: 1.
  65. Sebastian-Valverde M, Pasinetti GM. The NLRP3 inflammasome as a critical actor in the inflammaging process. Cells 2020; 9: 1552.
  66. Alberro A, Iribarren-Lopez A, Sáenz-Cuesta M et al. Inflammaging markers characteristic of advanced age show similar levels with frailty and dependency. Sci Rep 2021; 11: 4358.
  67. Yiallouris A, Tsioutis C, Agapidaki E et al. Adrenal aging and its implications on stress responsiveness in humans. Front Endocrinol 2019; 10: 54.
  68. Puzianowska-Kuźnicka M, Owczarz M, Wieczorowska-Tobis K et al. Interleukin-6 and C-reactive protein, successful aging, and mortality: the PolSenior study. Immun Ageing 2016; 13: 21.
  69. Calcinotto A, Kohli J, Zagato E et al. Cellular senescence: aging, cancer, and injury. Physiol Rev 2019; 99: 1047–1078.
  70. Olivieri F, Albertini MC, Orciani M et al. DNA damage response (DDR) and senescence: Shuttled inflamma-miRNAs on the stage of inflamm-aging. Oncotarget 2015; 6: 35509–35521.
  71. Idda ML, Mcclusky WG, Lodde V et al. Survey of senescent cell markers with age in human tissues. Aging 2020; 12: 4052–4066.
  72. Liu Y, Sanoff HK, Cho H et al. Expression of p16INK4a in peripheral blood T-cells is a biomarker of human aging. Aging Cell 2009; 8: 439–448.
  73. Sørensen CE, Tritsaris K, Reibel J et al. Elevated p16ink4a expression in human labial salivary glands as a potential correlate of cognitive aging in late midlife. PLoS One 2016; 11: e0152612.
  74. Coppé JP, Desprez PY, Krtolica A, Campisi J. The senescence-associated secretory phenotype: the dark side of tumor suppression. Annu Rev Pathol 2010; 5: 99–118.
  75. Lopes-Paciencia S, Saint-Germain E, Rowell MC et al. The senescence-associated secretory phenotype and its regulation. Cytokine 2019; 117: 15–22.
  76. Spazzafumo L, Mensà E, Matacchione G et al. Age-related modulation of plasmatic beta-galactosidase activity in healthy subjects and in patients affected by T2DM. Oncotarget 2017; 8: 93338–93348.
  77. Piechota M, Sunderland P, Wysocka A et al. Is senescence-associated β-galactosidase a marker of neuronal senescence? Oncotarget 2016; 7: 81099–81109.
  78. Kakimoto Y, Okada C, Kawabe N et al. Myocardial lipofuscin accumulation in ageing and sudden cardiac death. Sci Rep 2019; 9: 3304.
  79. Regmi SG, Rolland SG, Conradt B. Age-dependent changes in mitochondrial morphology and volume are not predictors of lifespan. Aging 2014; 6: 118–130.
  80. Liu YJ, McIntyre RL, Janssens GE, Houtkooper RH. Mitochondrial fission and fusion: a dynamic role in aging and potential target for age-related disease. Mech Ageing Dev 2020; 186: 111212.
  81. Chen G, Kroemer G, Kepp O. Mitophagy: an emerging role in aging and age-associated diseases. Front Cell Dev Biol 2020; 8: 200.
  82. Zapico SC, Ubelaker DH. MtDNA mutations and their role in aging, diseases and forensic sciences. Aging Dis 2013; 4: 364–380.
  83. Trifunovic A, Wredenberg A, Falkenberg M et al. Premature ageing in mice expressing defective mitochondrial DNA polymerase. Nature 2004; 429: 417–423.
  84. Bowman A, Birch-Machin MA. Age-dependent decrease of mitochondrial complex II activity in human skin fibroblasts. J Invest Dermatol 2016; 136 (5): 912–919.
  85. Greaves LC, Barron MJ, Plusa S et al. Defects in multiple complexes of the respiratory chain are present in ageing human colonic crypts. Exp Gerontol 2010; 45 (7–8): 573–579.
  86. Conley KE, Jubrias SA, Esselman PC. Oxidative capacity and ageing in human muscle. Journal of Physiology 2000; 526 (1): 203–210.
  87. Yaku K, Okabe K, Nakagawa T. NAD metabolism: implications in aging and longevity. Ageing Res Rev 2018; 47: 1–17.
  88. Massudi H, Grant R, Braidy N et al. Age-associated changes in oxidative stress and NAD+ metabolism in human tissue. PLoS One 2012; 7 (7): e42357.
  89. Zhu XH, Lu M, Lee BY et al. In vivo NAD assay reveals the intracellular NAD contents and redox state in healthy human brain and their age dependences. Proc Natl Acad Sci U S A 2015; 112 (9): 2876–2881.
  90. Fang EF, Lautrup S, Hou Y et al. NAD+ in aging: Molecular mechanisms and translational implications. Trends Mol Med 2017; 23: 899–916.
  91. Pence B, Yarbro J. Growth differentiation factor 15 is correlated to markers of immunosenescence in monocytes. Innov Aging 2019; 3 (Supplement_1): S103–S103.
  92. Doerstling S, Hedberg P, Öhrvik J et al. Growth differentiation factor 15 in a community-based sample: age-dependent reference limits and prognostic impact. Ups J Med Sci 2018; 123 (2): 86–93.
  93. Łos MJ, Skubis A, Ghavami S. Stem cells – definition and types of stem cells, stemness and differentiation. In: Los MJ, Hudecki A, Wiechec E. Stem cells and biomaterials for regenerative medicine. Elsevier, 2018.
  94. Schultz MB, Sinclair DA. When stem cells grow old: Phenotypes and mechanisms of stem cell aging. Development (Cambridge) 2016; 143: 3–14.
  95. Ahmed ASI, Sheng MH, Wasnik S et al. Effect of aging on stem cells. World J Exp Med 2017; 7(1): 1.
  96. Trombetti A, Reid KF, Hars M et al. Age-associated declines in muscle mass, strength, power, and physical performance: Impact on fear of falling and quality of life. Osteoporos Int 2016; 27 (2): 463.
  97. Tanaka H, Monahan KD, Seals DR. Age-predicted maximal heart rate revisited. J Am Coll Cardiol 2001; 37 (1): 153–156.
  98. Harada C, Natelson Love M, Triebel K. Normal cognitive aging. Clin Geriatr Med 2013; 29 (4): 737–752.
  99. Vaz Fragoso CA, McAvay G, Van Ness PH et al. Phenotype of normal spirometry in an aging population. Am J Respir Crit Care Med 2015; 192 (7): 817–825.
  100. Löllgen H, Leyk D. Exercise testing in sports medicine. Dtsch Arztebl Int 2018; 115 (24): 409.
  101. Tosato M, Marzetti E, Cesari M et al. Measurement of muscle mass in sarcopenia: From imaging to biochemical markers. Aging Clin Exp Res 2017; 29 (1): 19–27.
  102. Jafari Nasabian P, Inglis JE, Reilly W et al. Aging human body: Changes in bone, muscle and body fat with consequent changes in nutrient intake. J Endocrin 2017; 234 (1): R37–R51.
  103. Rivero-Segura NA, Bello-Chavolla OY, Barrera-Vázquez OS et al. Promising biomarkers of human aging: In search of a multi-omics panel to understand the aging process from a multidimensional perspective. Ageing Res Rev 2020; 64: 101164.
  104. Zhavoronkov A, Li R, Ma C, Mamoshina P. Deep biomarkers of aging and longevity: From research to applications. Aging (Albany NY) 2019; 11 (22): 10771.
  105. Jiang S, Guo Y. Epigenetic clock: DNA methylation in aging. Stem Cells Int 2020; 2020: 1047896.
  106. Horvath S, Garagnani P, Bacalini MG et al. Accelerated epigenetic aging in Down syndrome. Aging Cell 2015; 14 (3): 491.
  107. Horvath S, Erhart W, Brosch M et al. Obesity accelerates epigenetic aging of human liver. Proc Natl Acad Sci U S A 2014; 111 (43): 15538–15543.
  108. Levine ME, Lu AT, Bennett DA, Horvath S. Epigenetic age of the pre-frontal cortex is associated with neuritic plaques, amyloid load, and Alzheimer’s disease related cognitive functioning. Aging (Albany NY) 2015; 7 (12): 1198.
  109. Marioni R, Shah S, McRae A et al. The epigenetic clock is correlated with physical and cognitive fitness in the Lothian Birth Cohort 1936. Int J Epidemiol 2015; 44: 1388–1396.
  110. Lu AT, Quach A, Wilson JG et al. DNA methylation GrimAge strongly predicts lifespan and healthspan. Aging (Albany NY) 2019; 11: 303.
  111. Levine ME, Lu AT, Quach A et al. An epigenetic biomarker of aging for lifespan and healthspan. Aging 2018; 10: 573–591.
  112. Zhang Y, Wilson R, Heiss J et al. DNA methylation signatures in peripheral blood strongly predict all-cause mortality. Nat Commun 2017; 8: 14617.
  113. Mamoshina P, Kochetov K, Putin E et al. Population specific biomarkers of human aging: a big data study using South Korean, Canadian, and Eastern European patient populations. J Gerontol A Biol Sci Med Sci 2018; 73: 1482–1490.
  114. Mamoshina P, Kochetov K, Cortese F et al. Blood biochemistry analysis to detect smoking status and quantify accelerated aging in smokers. Sci Rep 2019; 9: 142.
  115. Zhavoronkov A, Li R, Ma C, Mamoshina P. Deep biomarkers of aging and longevity: From research to applications. Aging 2019; 11: 10771–10780.
  116. Yeung A, Desai AD, Peng C et al. Open-source, machine and deep learning-based automated algorithm for gestational age estimation through smartphone lens imaging. Biomed Opt Express 2018; 9: 6038–6052.
  117. Navega D, Coelho J d’Oliveira et al. DXAGE: a new method for age at death estimation based on femoral bone mineral density and artificial neural networks. J Forensic Sci 2018; 63: 497–503.
  118. Sajedi H, Pardakhti N. Age prediction based on brain MRI image: a survey. J Med Syst 2019; 43: 279.
  119. Høgestøl EA, Kaufmann T, Nygaard GO et al. Cross-sectional and longitudinal MRI brain scans reveal accelerated brain aging in multiple sclerosis. Front Neurol 2019; 10: 450.
  120. McGue M, Vaupel J, Holm N, Harvald B. Longevity is moderately heritable in a sample of Danish twins born 1870-1880. J Gerontol 1993; 48: B237–B244.
  121. Sebastiani P, Perls TT. The genetics of extreme longevity: Lessons from the New England centenarian study. Front Genet 2012; 3: 277.
  122. Mayer P. Inheritance of longevity evinces no secular trend among members of six New England families born 1650-1874. Am J Hum Biol 1991; 3: 49–58.
  123. Gomez-Verjan JC, Vazquez-Martinez ER, Rivero-Segura NA, Medina-Campos RH. The RNA world of human ageing. Hum Genet 2018; 137: 865–879.
  124. Kukurba KR, Montgomery SB. RNA sequencing and analysis. Cold Spring Harb Protoc 2015; 2015: 951–969.
  125. Marttila S, Jylhävä J, Nevalainen T et al. Transcriptional analysis reveals gender-specific changes in the aging of the human immune system. PLoS One 2013; 8: 66229.
  126. Kochunov P, Charlesworth J, Winkler A et al. Transcriptomics of cortical gray matter thickness decline during normal aging. Neuroimage 2013; 82: 273–283.
  127. Peters MJ, Joehanes R, Pilling LC et al. The transcriptional landscape of age in human peripheral blood. Nat Commun 2015; 6: 8570.
  128. Santos-Lozano A, Valenzuela PL, Llavero F et al. Successful aging: Insights from proteome analyses of healthy centenarians. Aging 2020; 12: 3502–3515.
  129. Ignjatovic V, Lai C, Summerhayes R et al. Age-related differences in plasma proteins: How plasma proteins change from neonates to adults. PLoS One 2011; 6: e17213.
  130. Clish CB. Metabolomics: an emerging but powerful tool for precision medicine. Cold Spring Harb Mol Case Stud 2015; 1: a000588.
  131. Kohler IA, Verhoeven A, Derks R, Giera M. Analytical pitfalls and challenges in clinical metabolomics. Bioanalysis 2016; 8: 1509–1532.
  132. Novotny MV, Soini HA, Mechref Y. Biochemical individuality reflected in chromatographic, electrophoretic and mass-spectrometric profiles. J Chromatogr B Analyt Technol Biomed Life Sci 2008; 866: 26–47.
  133. Chong J, Wishart DS, Xia J. Using MetaboAnalyst 4.0 for comprehensive and integrative metabolomics data analysis. Curr Protoc Bioinformatics 2019; 68: e86.
Štítky
Addictology Allergology and clinical immunology Angiology Audiology Clinical biochemistry Dermatology & STDs Paediatric gastroenterology Paediatric surgery Paediatric cardiology Paediatric neurology Paediatric ENT Paediatric psychiatry Paediatric rheumatology Diabetology Pharmacy Vascular surgery Pain management Dental Hygienist

Článok vyšiel v časopise

Journal of Czech Physicians

Najčítanejšie tento týždeň
Najčítanejšie v tomto čísle
Prihlásenie
Zabudnuté heslo

Zadajte e-mailovú adresu, s ktorou ste vytvárali účet. Budú Vám na ňu zasielané informácie k nastaveniu nového hesla.

Prihlásenie

Nemáte účet?  Registrujte sa

#ADS_BOTTOM_SCRIPTS#