By adminvps06 
Dalam studi terkini yang diterbitkan dalam Frontiers in Aging , para peneliti memanfaatkan CheekAge, jam epigenetik generasi berikutnya, untuk memprediksi risiko kematian.
Tentang jam epigenetik
Jam penuaan epigenetik adalah model pembelajaran mesin yang memprediksi usia kronologis berdasarkan metilasi DNA. Metilasi DNA terutama terjadi pada dinukleotida yang dibentuk oleh sitosin diikuti oleh residu guanin (CpG).
Jam epigenetik dapat dilatih untuk menentukan usia kronologis atau memprediksi hasil kesehatan pada tingkat populasi. Jam generasi pertama sering digunakan dalam investigasi forensik, karena telah dilatih untuk memprediksi usia kronologis.
Sebagai perbandingan, jam generasi berikutnya menggunakan data metilasi untuk memberikan wawasan penting tentang hasil kesehatan dan gaya hidup. Akan tetapi, model ini memerlukan sampel darah, yang membatasi kegunaannya untuk penggunaan di rumah atau pada orang dewasa yang lebih tua.
Apa itu CheekAge?
CheekAge dilatih pada kumpulan data bukal Infinium MethylationEPIC, yang terdiri dari lebih dari 200.000 lokasi metilasi DNA dari lebih dari 8.000 sampel sel bukal dewasa. CheekAge dikembangkan untuk memperkirakan usia epigenetik dan mengidentifikasi hubungan apa pun yang mungkin ada antara gaya hidup dan faktor kesehatan/penyakit seperti olahraga mingguan, kualitas tidur, stres, dan pola makan.
Sebelumnya, para peneliti dalam studi terkini melaporkan CheekAge yang lebih tinggi pada pasien dengan kondisi seperti meningioma atau progeria, infeksi pernapasan, dan riwayat kanker anak yang memerlukan terapi radiasi. Studi saat ini berupaya menguji keakuratan CheekAge dalam memprediksi risiko kematian karena hal ini diperlukan untuk biomarker penuaan berkualitas tinggi .
Tentang penelitian ini
Para peneliti menggunakan CheekAge untuk memprediksi mortalitas pada Kelompok Kelahiran Lothian tahun 1921 dan 1936. Kelompok-kelompok ini awalnya dibentuk untuk memantau penuaan kognitif dan otak serta mendokumentasikan gaya hidup dan faktor psikososial, selain data biomedis, genetik, epigenetik, dan neuroimaging pada semua partisipan studi.
Studi terkini melibatkan 1.513 peserta dengan data metilasi. Usia kronologis berkisar antara 67,8 hingga 90,6 tahun.
Data mortalitas diperoleh dari catatan kesehatan pusat dan dikonversi menjadi usia dalam hitungan hari pada saat kematian, yang menjadi ukuran hasil. Data metilasi terakhir digunakan untuk memprediksi CheekAge.
Awalnya, para peneliti menerapkan CpG Infinium HumanMethylation450 berbasis metilasi darah ke data bukal array Infinium MethylationEPIC asli yang digunakan untuk melatih CheekAge. Namun, sekitar 50% masukan CpG hilang karena perbedaan antar kumpulan data. Meskipun demikian, para peneliti memperoleh hasil yang serupa dengan hasil yang diperoleh dengan model CheekAge lengkap dengan semua CpG yang tersedia.
Setelah itu, Infinium HumanMethylation450 CpGs diaplikasikan pada data Lothian. Usia delta standar kemudian ditentukan dengan membagi usia delta, yang dihitung dengan mengurangkan usia kronologis dari usia epigenetik, dengan deviasi standar semua usia delta. Hal ini menunjukkan korelasi signifikan dengan mortalitas.
Temuan studi tersebut mencerminkan peningkatan mortalitas sebesar 21% untuk setiap perubahan satuan deviasi standar. Kurva survival memperkirakan bahwa 50% individu dengan delta CheekAge tertinggi akan meninggal 7,8 tahun lebih awal daripada mereka yang memiliki CheekAge terendah.
Ini adalah pertama kalinya biomarker untuk penuaan yang dikembangkan untuk jaringan bukal memprediksi mortalitas dari data metilasi darah.
Perbandingan dengan jam lainnya
CheekAge secara konsisten mengungguli semua jam generasi pertama yang digunakan secara bersamaan pada data kohort. Bahkan, keluaran CheekAge sebanding dengan jam DNArn PhenoAge generasi berikutnya, yang menunjukkan peningkatan mortalitas sebesar 23% untuk setiap perubahan deviasi standar unit. Yang penting, DNArn PhenoAge dilatih pada sampel darah, bukan sampel bukal yang digunakan untuk CheekAge.
CpG Mortalitas
Usia delta juga diperiksa ulang dalam kaitannya dengan masing-masing CpG. Dengan setiap penghapusan CpG berulang, signifikansi hubungan mortalitas dihitung. Hal ini mengarah pada identifikasi ‘CpG mortalitas dan anti-mortalitas’, yang didefinisikan sebagai CpG yang meningkatkan dan mengurangi signifikansi risiko mortalitas yang diprediksi.
Efek terbesar diamati dengan penghilangan CpG mortalitas cg14386193, yang dianotasi pada gen ALPK2. Hal ini menyebabkan peningkatan hampir tiga kali lipat pada nilai rasio penemuan palsu (FDR). CpG lain, seperti cg00991744 dan cg20210051, yang keduanya dianotasi pada PDZRN4 , kemungkinan gen penekan tumor, dan cg00664454, yang dianotasi pada CPNE2, juga bersifat prediktif terhadap risiko mortalitas.
CpG mortalitas ini telah dikaitkan dengan penuaan atau penyakit yang berkaitan dengan usia, seperti kelangsungan hidup, kanker, osteoporosis, atau sindrom metabolik. Meskipun demikian, penelitian tambahan diperlukan untuk mengonfirmasi efek transkripsional dari CpG mortalitas.
Analisis pengayaan CpG yang dianotasi dengan asosiasi mortalitas juga dilakukan untuk menjelaskan peran biologisnya. Untuk tujuan ini, beberapa gen yang t