利用下一代CheekAge时钟，科学家们现在可以通过分析脸颊细胞来准确预测死亡率，为衰老和健康风险评估提供新的见解。这一突破可能会重塑人类的未来化的运行状况监控。
在最近发表在《老龄化前沿》(Frontiers In Aging)杂志上的一项研究中，研究人员利用下一代表观遗传时钟CheekAge来预测死亡风险。
表观遗传衰老时钟是一种机器学习模型，可以根据DNA甲基化预测实际年龄。DNA甲基化主要发生在由胞嘧啶和鸟嘌呤残基(CpG)形成的二核苷酸上。
表观遗传时钟可以通过训练来确定实际年龄或预测人群水平上的健康结果。第一代时钟经常用于法医调查，因为它们经过训练可以预测实际年龄。
相比之下，下一代时钟利用甲基化数据提供对健康和生活方式结果的重要见解。然而，这些模型需要血液样本，这限制了它们在家庭使用或老年人中的效用。
CheekAge是在Infinium MethylationEPIC口腔数据集上进行训练的，该数据集包括来自8000多个成人口腔细胞样本的超过20万个DNA甲基化位点。开发CheekAge是为了估计表观遗传年龄，并确定生活方式与健康/疾病因素(如每周锻炼、睡眠质量、压力和饮食)之间可能存在的任何关联。
此前，本研究的研究人员报告说，患有脑膜瘤或早衰症、呼吸道感染以及需要放射治疗的儿童癌症史的患者的CheekAge较高。本研究旨在检验CheekAge在预测死亡风险方面的准确性，因为这是一个高质量的衰老生物标志物所必需的。
研究人员使用CheekAge来预测1921年和1936年洛锡安出生队列的死亡率。这些队列最初是为了监测认知和大脑老化，记录生活方式和社会心理因素，以及所有研究参与者的生物医学、遗传、表观遗传和神经影像学数据。
目前的研究包括1513名有甲基化数据的参与者。实足年龄67.8 ~ 90.6岁。
死亡率数据从中央健康登记处获得，并转换为死亡时的年龄(以天为单位)，这构成了结果测量。最后的甲基化数据被用来预测CheekAge。
最初，研究人员将基于血液甲基化的Infinium HumanMethylation450 CpGs应用于原始的Infinium MethylationEPIC阵列口腔数据，CheekAge就是在这些数据上进行训练的。然而，由于数据集之间的差异，大约50%的CpG输入缺失。尽管如此，研究人员获得的结果与具有所有可用CpGs的完整CheekAge模型所获得的结果相似。
此后，Infinium HumanMethylation450 CpGs应用于洛锡安数据。标准三角洲年龄是通过三角洲年龄除以所有三角洲年龄的标准差来确定的，三角洲年龄是通过从表观遗传年龄减去实足年龄来计算的。这显示了与死亡率的显著相关性。
研究结果表明，每一个标准差单位变化，死亡率就会增加21%。生存曲线预测，脸颊年龄delta值最高的人中，有50%会比脸颊年龄delta值最低的人早7.8年死亡。
这是首次通过血液甲基化数据预测口腔组织衰老的生物标志物。
CheekAge始终优于同时用于队列数据的所有第一代时钟。事实上，CheekAge的输出结果与下一代DNArn表型时钟相当，后者表明每单位标准差变化死亡率增加23%。重要的是，DNArn PhenoAge是在血液样本而不是用于CheekAge的口腔样本上进行训练的。
δ年龄也被重新检查与每个CpGs的关系。每次迭代去除一个CpG，计算死亡率关联的显著性。这导致了“死亡率和抗死亡率cpg”的识别，定义为cpg增加和减少预测死亡风险的重要性。
最大的影响观察到死亡CpG cg14386193的去除，该基因注释到ALPK2基因上。这导致错误发现率(FDR)值上升了近三倍。其他CpGs，如cg00991744和cg20210051，都注释到PDZRN4(一种可能的肿瘤抑制基因)，cg00664454注释到CPNE2，也可以预测死亡风险。
这些死亡率CpGs与衰老或与年龄相关的疾病有关，如生存、癌症、骨质疏松症或代谢综合征。然而，还需要进一步的研究来证实死亡CpGs的转录作用。
对与死亡率相关的注释CpGs进行了富集分析，以阐明它们的生物学作用。为此，一些与抗死亡CpGs相关的基因也与发育过程、形态发生和蛋白质平衡有关。
尽管从不同组织获得的CpG输入的可用性有限，但CheekAge确定了与死亡率的显着关联。数据集的纵向方面确保该模型优于在血液来源数据集上训练的第一代时钟。
大多数与衰老相关的甲基化是组织特异性的;因此，需要一项纵向随访研究来澄清哪些CpGs与死亡率有最强的关联。
