La plus bluée utilise une montre protéique pour prédire le risque d'Alzheimer et d'autres maladies.

La plus bluée utilise une montre protéique pour prédire le risque d'Alzheimer et d'autres maladies.
La précision de la montre suggère la possibilité de développer un seul test qui pourrait décrire le risque d'une personne pour de nombreuses maladies chroniques, a déclaré le scientifique principal du projet Austin Argentieri, chercheur pour la santé de la population à l'hôpital général du Massachusetts à Boston. "En fin de compte, le désir de vivre plus longtemps a conduit à prévenir les maladies chroniques", dit-il. L'étude a été publiée le 8 août dans Nature Medicine
bien âgé
Argentieri et ses collègues ont tenté de construire une «horloge» qui refléterait exactement l'état de la maladie d'une personne. Pour ce faire, ils ont utilisé des données de 45 441 personnes sélectionnées au hasard dans UK Biobank, un référentiel pour les échantillons biomédicaux . Cette taille d'échantillon est environ 30 fois plus grande que celle utilisée dans une étude de montre protéique antérieure, ce qui le rend plus statistiquement significatif.
L'équipe a constaté que les niveaux de 204 protéines prédisent l'âge chronologique. Il est à noter que les auteurs ont créé une seconde heure qui n'a utilisé que les 20 protéines les plus significatives, et qu'elle prédisait l'âge presque ainsi que l'horloge protéique 204. Les 20 protéines comprenaient l'élastine et le collagène qui forment la structure de soutien entre les cellules, ainsi que les protéines impliquées dans la réponse immunitaire et la régulation hormonale.
L'horloge a également déclaré l'âge chronologique dans deux autres groupes de personnes: près de 4 000 contributeurs à une bioank en Chine et près de 2 000 contributeurs à une bioancaine en Finlande.
L'âge, qui a été mesuré avec l'horloge protéique, était généralement mesuré similaire à l'âge chronologique. Mais avec certaines personnes, il y a eu un écart entre les deux - ce qui indique que les niveaux de protéines changent lorsqu'une maladie se développe. People whose protein clock age was higher than their chronological age, with a greater probability of 18 chronic diseases, including Diabetes , les maladies neurodégénératives, le cancer, ainsi que les maladies du cœur, le foie, le rein et les poumons.
Les protéines des autres vieillissent plus lentement que la moyenne. On ne sait pas si cela est dû à des facteurs environnementaux, à la génétique ou à une combinaison de celui-ci. Sur les 10% des participants à l'étude, qui étaient "le vieillissement le plus lent", explique Argerieri, "moins de 1% ont développé une démence ou une Alzheimer". Les forces de l'étude incluent leur excellent dossier de données et leur réplication réussie dans diverses populations, explique l'épidémiologiste moléculaire Sara Hägg à l'Institut Karolinska de Stockholm. "C'est une étude très robuste", dit-elle. Argentieri et ses collègues veulent ajouter une diversité plus géographique et génétique à leurs données de formation. Le facteur limitant, dit Argerieri, est le manque de données protéiques dans les biobanques avec diverses populations. Les auteurs examinent également l'utilisation de leur horloge protéique pour tester si les nouveaux traitements médicaux évitent les souffrances liées à l'âge "sans avoir à attendre une décennie ou deux pour voir si quelqu'un développe une maladie chronique", explique Argentier. ils recherchent des facteurs environnementaux et comportementaux qui affectent la rapidité avec laquelle les protéines vieillissent dans le corps. "D'accord, vous pouvez me parler de mon risque futur pour 18 maladies différentes", explique Argenrieri. "Mais puis-je faire quelque chose pour changer ce cours?" retourner l'horloge en arrière?
-
argentieri, M. A. et al. Nature Med . https://doi.org/10.1038/S41591-024-03164-7 (2024).
Article PubMed data-track = "click || clic_reference" dataf-track-action-action schuchre Data-Track-Value = "Google Scholar Reference" Data-Track-Label = "Link" Data-Track-Item_id = "Nofollow Noopener" Aria-Label = "Google Scholar Reference 1" HREF = "http://scholar.google.com/scholar_lookup?&title=nature%20Med&doi=10.1038%2FS41591-03164-7&publication_year=2024&author=AntiERI%20A."
-
Oh, H. S. et al. Nature 624 , 164–172 (2023).
Article PubMed Data-Track = "Cliquez || Click_References" Data-Track-Action = "Google Scholar Reference" Data-Track-Value = "Google Scholar Reference" Data-Track-Label = "Link" Data-Track-Item_id = "Nofollow Noopener" Aria-Label = "Google Scholar Reference 2" Href = "http://scholar.google.com/scholar_lookup?&title=&journal=nature&doi=10.1038%2fs 41586-023-06802-1 & volume = 624 & pages = 164-172 & publication_year = 2023 & auteur = oh% 2ch"