《Aging Cell》：When to Trust Epigenetic Clocks: Avoiding False Positives in Aging Interventions
编辑推荐：
中文摘要翻译
表观遗传时钟（epigenetic clocks）因其与发病率和死亡率的关联而成为潜在的衰老生物标志物。近年来，它们作为抗衰老干预措施的结局指标受到越来越多的关注。然而，随着新型表观遗传时钟数量持续增加，不同时钟可能对某一干预措施的效应得出不一
中文摘要翻译
表观遗传时钟（epigenetic clocks）因其与发病率和死亡率的关联而成为潜在的衰老生物标志物。近年来，它们作为抗衰老干预措施的结局指标受到越来越多的关注。然而，随着新型表观遗传时钟数量持续增加，不同时钟可能对某一干预措施的效应得出不一致的结论。这引发了一个问题：研究人员何时能够信任表观遗传时钟的结果？在本研究中，研究人员发现，当将先前发表的单时钟干预研究扩展到包含更多时钟模型时，没有额外的时钟达到统计学显著性。随后，研究人员分析了时钟在阳性对照数据集（加速衰老事件）中的行为，并提出三项提高结果可信度的标准：（1）可靠的基于主成分分析的时钟（PC-based clocks）有响应，（2）基于死亡风险训练的或衰老速度型时钟（mortality-trained or pace-of-aging clocks）有响应，（3）多个时钟在同一方向上均有响应。为解释为何真实效应会同时出现在多个时钟中，研究人员开展了模拟研究，证明可靠时钟对真实效应更为敏感，并利用纵向对照数据集证明可靠时钟的变化彼此相关。随后，研究人员展示了确实满足这些标准的干预实例。这些发现为解读抗衰老干预研究中的表观遗传时钟结果提供了一个框架，并提示某些既往发表的单时钟研究结果可能值得重新审视。
论文解读
**一、研究背景与问题提出**
在延长人类健康寿命（healthspan）的探索中，多种干预措施正被开发以靶向与衰老相关的生物学机制，包括饮食方案、补充剂和药物等。这些干预的主要目标是降低与年龄相关的发病率或死亡率并维持机体功能。理想的干预应在病理导致显著衰退之前及早介入。然而，要在人类中观察干预对衰老进程的影响，需要持续数年至数十年的临床试验，这在实施成本和可行性上面临巨大挑战。因此，衰老生物标志物被提议作为在可行时间窗口内评估特定干预效果的替代指标。其中，表观遗传时钟（epigenetic clocks）基于胞嘧啶-鸟嘌呤二核苷酸（CpG）位点的DNA甲基化模式来量化生物学年龄或衰老速度，因其预后价值以及仅需简单血样即可完成测量的便捷性，在过去十年中获得广泛关注。
第一代表观遗传时钟，如Hannum、Horvath多组织时钟（Horvath MT）和Horvath皮肤与血液时钟（Horvath SB），采用惩罚回归模型（如弹性网络）从DNA甲基化模式预测时序年龄。新一代时钟（如PhenoAge和GrimAge）则被训练用于预测死亡风险和发病率风险。此外，DunedinPoAm38模型基于纵向生物标志物训练，用以预测个体的衰老速度。这些模型在训练组织来源上也有所不同：Hannum、PhenoAge、GrimAge和Dunedin系列均在全血中训练，而Horvath MT跨50余种组织和细胞类型训练，Horvath SB则在皮肤、血液和培养细胞中训练。
尽管表观遗传时钟具备预测能力，但在纵向试验中作为评估指标存在若干潜在问题。首先是纵向可靠性问题：既往研究已证明，对同一受试者进行重复检测可导致0.9至2.4岁的波动，这源于技术噪声和其他混杂因素。为此，研究人员开发了PC时钟，即利用主成分分析（principal component analysis, PCA）降低单CpG位点噪声影响的经典时钟再训练版本，可将技术重复的中位偏差降至0.3至0.8岁。DunedinPACE同样是DunedinPoAm38的改良版本，通过仅使用可靠CpG作为输入来提高可靠性和纵向性能。然而，即便可靠性提升可减少假阳性，仍无法完全回答应选择哪个时钟或如何解读不同时钟模型之间的不一致。其次是时钟选择问题：面对众多时钟模型，研究人员应如何为特定研究选择最合适的时钟？当计算多个时钟时，如何解释不同时钟给出的相互矛盾的结果？当前文献中存在一种风险——多项使用表观遗传时钟评估衰老干预的研究仅报告单一时钟模型的结果，而所选时钟是否最为恰当并不明确。这种情况下，该领域面临发表偏倚（publication bias）的风险，即倾向于选择返回显著性结果的时钟而忽略不显著的结果。
一个表观遗传时钟测量包含三个组成部分：反映系统性生物学衰老的共享信号、反映各模型训练组织和结局的时钟特异组分，以及技术噪声。研究人员假设，零散的单时钟发现更可能反映噪声或时钟特异效应，而非应在多个时钟模型中均可检测到的系统性生物学衰老变化。
**二、研究方法概述**
研究人员分析了12个表观遗传时钟（6个经典时钟及其高可靠性PC对应版本），涵盖多个纵向DNA甲基化数据集。共纳入9个纵向人类数据集，包括3个先前发表过的单时钟显著干预数据集（GSE149747、E-MTAB-8956、GSE74548）、3个阳性对照数据集（GSE142536、GSE140038、GSE219037）和3个纵向对照数据集（GSE123914、GSE61151、GSE73115），另含2个候选抗衰老干预数据集（E-MTAB-12527、GSE98876）。数据来源于基因表达综合数据库（GEO）和欧洲生物信息学研究所（EMBL-EBI）。原始荧光强度文件（idat文件）使用R语言minfi包（版本1.48.0）经NOOB和分位数归一化处理。时钟评分通过MethylCIPHER R包、PC clocks包、DunedinPACE R包及biolearn Python包改编的自定义R函数计算。统计方法包括配对t检验、Spearman相关分析、模拟研究、EpiDISH细胞组分反卷积分析及多重检验校正（Bonferroni和Benjamini-Hochberg）。
**三、研究结果**
**3.1 扩展多时钟干预分析揭示矛盾结果**
研究人员对三个先前报告单时钟显著性的干预数据集（GSE149747为期8周的饮食、运动及补充剂干预，GSE74548为期2年的叶酸和维生素B12补充干预，以及E-MTAB-8956低糖饮食联合运动干预）扩展计算了11个额外的表观遗传时钟模型。结果显示，在11个新增时钟测量中，没有一个时钟在与原始报告相同的方向上达到统计学显著变化。即便将更可靠的PC版本与原始时钟进行比较（即PCHorvath MT与Horvath MT），也未发现显著响应。这种跨时钟缺乏一致性的现象，对单时钟发现的可信度提出了质疑。
**3.2 阳性对照：加速衰老事件可被多个可靠时钟捕获**
研究人员对三个已知与死亡率相关的纵向事件数据集进行了12时钟分析：强化手术（GSE142536）、放疗联合化疗（GSE140038）和SARS-CoV-2感染（GSE219037）。在全部三个数据集中，12个时钟中至少有4个检测到显著的生物学年龄增加。值得注意的是，PCPhenoAge、PCGrimAge和DunedinPACE这三个与死亡率高度相关的时钟在所有三个事件数据集中均显著增加。12时钟平均值（per-subject average）在每个数据集中均显著为正，表明存在一定程度的跨时钟一致性年龄加速。按时钟类别分析，可靠时钟比非可靠对应版本更可能检测到加速衰老事件（18次测试中12次显著 vs. 7次）；第二代死亡风险训练时钟和衰老速度时钟优于第一代时序年龄时钟（18次中16次显著 vs. 3次）。非可靠版本的第一代时序年龄时钟（Hannum、Horvath MT、Horvath SB）在三个数据集中均未能报告显著的生物学年龄增加，其中最差的Horvath SB在放疗化疗后甚至指示了显著的生物学年龄下降。基于这些结果，研究人员提出三项提高表观遗传时钟结果可信度的标准。
**3.3 模拟研究：噪声降低使可靠时钟对效应量具有更高敏感性**
研究人员通过模拟临床试验验证了可靠性对统计效力的影响。生成了200名个体在两个时间点的真实生物学年龄轨迹，每名个体推导出6个表观遗传时钟评分（3个低ICC=0.5，3个高ICC=0.75）。图3D表明，随着效应量绝对值增大，高可靠性时钟检测真实变化的速度快于低可靠性时钟。使用已发表的时钟ICC值（来自Higgins-Chen等和Borrus等的可靠性数据集研究）重复分析得到一致结果。由于ICC更高，可靠时钟能够在更适度的效应量下检测真实变化。
**3.4 相关时钟轨迹导致多时钟协调响应**
研究人员在三个纵向对照数据集（GSE61151、GSE73115、GSE123914）中计算了12个时钟评分之间的交叉相关。在基线时间点，时钟残差之间存在强相关性。在纵向变化方面，大多数时钟轨迹彼此相关。按可靠性分类比较，高可靠性时钟之间的成对相关显著高于低可靠性时钟之间（高-高平均r=0.61 vs. 低-低平均r=0.20, p<0.001），表明低可靠性时钟的内在噪声使其在其余时钟趋向一致时朝虚假方向变化。排除共享CpG驱动可能性后，DunedinPACE与PC时钟的相关性高于与原始非可靠时钟的相关性。按时钟代际分类则无显著差异。原始Horvath SB时钟与其PC对应版本之间的相关性较弱（平均r=0.12）。这些结果表明，时钟变化的平均值是衡量生物学年龄变化共识的有效方法。
**3.5 真阳性：经验证的生活方式干预可改变可靠和第二代时钟**
研究人员确定了三个满足全部三项标准的干预数据集：E-MTAB-12527为期2年的饮食试验（含标准地中海饮食和绿色地中海饮食两个队列）以及GSE98876为期3周的酒瘾治疗项目（慢性酒精使用者戒酒）。每项研究中至少有5个时钟响应显著下降，其中酒精治疗项目和绿色地中海饮食各有7个时钟响应。合并三个数据集，18个非可靠时钟中仅5个显著下降，而18个可靠时钟中有14个显著下降。从第一代到第二代/衰老速度时钟的转变中也观察到类似趋势（18个中7个 vs. 18个中12个）。在酒精治疗干预中，经过多重假设校正后仅第二代时钟（PCPhenoAge、GrimAge、PCGrimAge）仍保持显著。三个数据集中每个受试者12时钟平均变化均显著降低。
**四、讨论与结论**
本研究提出了提高干预结果可信度的三项标准：（1）可靠的PC基础时钟响应，（2）死亡风险训练或衰老速度时钟响应，（3）多个时钟在同一方向响应。跨时钟平均值可作为检测表观遗传年龄变化的简单、可解释的指标。满足这些标准的数据集更可能反映真实的生物学衰老变化。
第一代时序年龄时钟最晚与其他时钟就生物学年龄变化达成一致，这与其训练方式有关——通过优化时序年龄预测，这些模型优先选择随时间一致追踪的甲基化位点，可能对生活方式、饮食或药理学干预响应的变化天然脱敏。第二代时钟因训练于具有生物学意义的结果（死亡风险和衰老速度），更适合检测抗衰老干预旨在产生的变化类型。PC时钟因降低纵向噪声而表现出更高的真实效应敏感性，且并非更容易产生假阳性，而是其固有噪声掩盖了真实信号。
研究人员重新分析了先前发表报告显著单时钟发现的干预数据集（GSE149747和GSE74548），当扩展至额外时钟模型时，没有额外时钟佐证原始发现。在GSE74548中，11个额外时钟中有10个趋势方向相反；在GSE149747中，原始报告效应在重新分析中本身未达显著性。这些结果提示某些已发表的表观遗传年龄降低主张可能值得重新审视。发表偏倚风险并非纯理论问题，随着表观遗传时钟在干预研究中作为结局指标日益普及，标准化报告和解读的需求变得至关重要。
研究还考察了多重假设校正作为额外过滤器的效用，结果参差不齐。鉴于时钟变化之间存在相关性（图4），严格的多重检验校正可能过于保守——时钟并非独立测量，Bonferroni校正尤其可能过度校正。实际应用中，三项标准和时钟平均值可能比正式的多重假设校正提供更一致和可解释的指导。
细胞组分变化是解读时钟变化的另一维度。经EpiDISH细胞组分调整后，不同数据集效应量的衰减存在异质性：手术和放化疗数据集显示最大幅度衰减（中位衰减77%和73%），SARS-CoV-2数据集基本不变（0%中位衰减），地中海饮食研究两个队列保留大部分效应（31%和34%）。这种异质性表明某些干预效应由细胞组分变化主导，而另一些则反映了细胞非依赖性CpG水平变化。探针缺失分析显示，时钟效应大小与缺失探针百分比之间无明确趋势（数据集内ρ=-0.05），表明插补并非驱动所报告时钟差异的原因。
研究局限包括：分析的干预数据集总数有限；数据集间样本量差异较大（14至92名受试者）；干预持续时间和甲基化随访时间差异明显；数据集经七种不同预处理流程处理；缺乏抗衰老效果的真实金标准阳性对照——尚无任何抗衰老干预被明确证明可延长人类寿命，表观遗传时钟评分的稳健变化不一定转化为寿命或健康寿命的改变。未来应扩展至更大规模、更系统的公开数据集评估，开发用于临床试验的标准化时钟组合将有助于减少发表偏倚并提高领域内对表观遗传时钟结果的信任。
**研究结论**
研究结果提供了一个解读抗衰老干预研究中期表观遗传时钟变化结果的框架，并提出三项提高结果可信度的标准：可靠的PC基础时钟响应、基于死亡风险或衰老速度训练的时钟响应、以及多个时钟在同一方向上响应。满足这些标准的数据集更可能反映真实的生物学衰老变化。研究同时提示，某些既往发表的基于单一时钟发现的结果可能值得重新审视。时钟平均值可作为简单、可解释的检测表观遗传年龄系统性变化的过滤指标。最终，生物标志物检测真实生物学年龄变化能力的最终验证，将需要以经确证可延长健康的干预为金标准，并配合纵向甲基化采样和死亡数据加以确认。
