基于非侵入性皮肤表观遗传时钟MitraCluster与MitraSolo的开发与应用：精准评估皮肤生物学年龄的新工具

《npj Aging》：Epigenetic age predictors for non-invasive assessment of human skin

本研究针对皮肤生物学年龄评估缺乏非侵入性、高精度工具的难题，开发了首个基于酶甲基测序（EM-seq）的皮肤特异性表观遗传时钟MitraSolo（单CpG模型）和MitraCluster（区域模型）。研究利用462例非侵入性采集的表皮样本建立模型，在独立验证集中预测误差仅约4年，显著优于现有时钟，且在低测序深度（10x）下仍保持稳定，并能有效捕捉Yamanaka因子处理的 rejuvenation 效应。该研究为皮肤衰老机制研究、抗衰老干预评估及护肤品创新提供了强有力的工具。

　　

皮肤，作为人体最大且最直接暴露于环境的器官，其衰老过程不仅影响外观，更与全身性衰老密切相关。然而，长期以来，精准评估皮肤生物学年龄缺乏一种理想的工具。现有的表观遗传时钟大多基于血液或侵入性活检样本开发，依赖于微阵列技术，其覆盖的CpG位点有限（不足基因组3%），且难以应用于DNA量少的非侵入性样本。因此，开发一种基于高分辨率测序、专为皮肤设计、并能用于非侵入性采样（如胶带剥离）的表观遗传年龄预测器，对于皮肤衰老研究、抗衰老疗法和护肤品功效评估至关重要。

为了回答这一挑战，由Angel Menendez Vazquez、Dimitris Katsanos、Cristiana Banila等作者在《npj Aging》上发表的研究，报道了两种新型皮肤特异性表观遗传年龄预测器——MitraSolo和MitraCluster。这是首个基于非侵入性采集的人表皮样本（n=462）构建的酶甲基测序（EM-seq）时钟。研究人员利用胶带剥离法收集志愿者面部皮肤样本，通过EM-seq技术进行全基因组DNA甲基化分析，并采用PCA-ElasticNet机器学习模型进行训练。MitraSolo模型基于3831个单CpG位点，而MitraCluster模型则利用931个共相关CpG区域（包含14,089个CpG），通过计算区域平均甲基化水平来减少噪声，提高稳健性。

研究结果显示，两种模型均表现出色。在独立验证集上，MitraSolo的预测平均绝对误差（MAE）为4.09年，MitraCluster的MAE为4.00年，决定系数（R2）分别为0.88和0.89，其准确性显著优于Horvath泛组织时钟（MAE=8.95年）和Skin&Blood时钟（MAE=6.58年）等现有模型。值得注意的是，MitraCluster在低测序深度下展现出卓越的稳健性，即使在平均覆盖度低至10x时，其预测误差仍能保持在5年以内。此外，模型具有极高的纵向可重复性，对同一个体在9个月内多次采样，预测年龄的平均偏差小于2年（MitraCluster为1.67年），远低于模型整体误差，表明其能有效捕捉真实的生物学变异而非技术噪声。

模型的通用性也得到了充分验证。MitraCluster在匹配的个体面部和上背部样本中预测年龄高度一致（平均偏差5.53年），表明其能捕捉跨身体部位的稳定皮肤衰老信号。虽然模型在血液和肺组织等外胚层来源差异较大的组织中预测不佳，但在大脑组织（同为外胚层来源）中却表现出中等预测能力（MAE=15.00年，R2=0.16），接近专门针对大脑训练的BS-Clock（MAE=10.86年），提示MitraCluster可能捕获了跨外胚层组织保守的表观遗传衰老程序。更令人鼓舞的是，当应用于体外培养的角质形成细胞系时，MitraCluster能较好区分不同供体年龄的细胞系。最重要的是，在分析经Yamanaka因子处理、重编程为诱导多能干细胞（iPSCs）的角质形成细胞数据时，MitraCluster清晰且一致地检测到了显著的表观遗传年龄逆转现象，预测年龄从对照组的48.8岁降至iPSCs的约6-7岁。

研究的结论部分强调，MitraSolo和MitraCluster代表了一类新型的表观遗传时钟：它们是非侵入性的、皮肤特异性的、基于测序的且具有区域共甲基化意识。其高精度、低成本兼容性（低测序深度要求）以及跨平台、跨样本类型（体内外）、甚至跨部分组织的通用性，使其成为学术研究和商业护肤产品开发中评估皮肤生物学年龄、监测干预措施效果的强大工具。该研究成功地将表观遗传年龄评估的应用场景扩展至便捷、可大规模使用的皮肤领域，为在临床研究、个性化护肤和长寿医学中量化、监测和调节皮肤生物学年龄提供了可扩展的解决方案。