Blutest wykorzystuje zegarek białkowy do przewidywania ryzyka Alzheimera i innych chorób.

Veröffentlicht:

Von:

Innowacyjne badanie pokazuje, że idealny wiek na poziomie białka we krwi może przewidzieć, kto ma większe ryzyko 18 chorób przewlekłych, w tym chorób serca i choroby Alzheimera. Odkryj, w jaki sposób ten zegar białka może zrewolucjonizować nasz wgląd w zdrowie.
(Symbolbild/natur.wiki)
<źródło type = "image/webp" srcset = "https://media.nature.com/lw767/magazine-assets/d41586-02576-2/d41586-02576-2_2744098.jpg?as=WEBP 767W, https://media.nature.com/lw319/magazine-assets/d41586-02576-2/d41586-02576-2_2744098.jpg?as=WEBP 319W „Size =” (Max-Width) 319px, (MIN-WIDTH: 1023PX) 100VW, 767Px. „zegar” oparty na około 200 białkach we krwi może przewidzieć ryzyko 18 przewlekłych chorób, w tym choroby serca , Krebs, Diabetes i choroba Alzheimera .

Dokładność zegarka sugeruje możliwość opracowania pojedynczego testu, który mógłby opisać ryzyko osoby w wielu przewlekłych chorobach, mówi starszy naukowiec projektu Austin Argentieri, badacza zdrowia populacji w Massachusetts General Hospital w Bostonie. „Ostatecznie chęć życia dłużej, prowadzi do zapobiegania chorobom przewlekłym” - mówi. Badanie zostało opublikowane 8 sierpnia w Nature Medicine 1 .

dobrze starzejący się

chronolological wiek personal. W przypadku ich ryzyka dla wielu chorób związanych z wiekiem

Argentieri i jego koledzy próbowali zbudować „zegar”, który dokładnie odzwierciedlałby status choroby osoby. Aby to zrobić, wykorzystali dane z 45 441 losowo wybranych osób w

Bleiben Sie informiert: Jeden Abend senden wir Ihnen die Artikel des Tages aus der Kategorie Allgemein – übersichtlich als Liste.

Zegar powiedział także wiek chronologiczny w dwóch innych grupach ludzi: prawie 4000 uczestników bioank w Chinach i prawie 2000 uczestników bioank w Finlandii.

  1. Argentieri, M. A. i in. Nature Med . https://doi.org/10.1038/S41591-024-03164-7 (2024).

    artykuł PubMed data-track = "kliknij || kliknięcie_referencje„ data-Track-Action = "Google Scholar Reference„ Data-Track-wartość = „Google Scholar Reference” Data-Track-Label = "Link" Data-Track-Item_Id = "Nofollow noopener" Aria-label = "Google Scholar Reference 1" Href = href = "link" link " „http://scholar.google.com/scholar_lookup?&title=nature%20med&doi=10.1038%2FS41591-03164-7&publication_year=2024&author=argentieri%20a.”

  2. OH, H. S. i in. Nature 624 , 164–172 (2023).

    Artykuł PubMed data-track = "kliknij || kliknięcie_referencje„ data-track-działanie = „Google Scholar Reference” Data-Track-wartość = "Google Scholar Reference„ Data-Track-Label = "Link" Data-Track-Item_Id = "Nofollow noopener" Aria-label = "Google Scholar 2" HREF = "HREF =" link "Data-Track-item_id =" nofollow noopener "aria-label =" Google Scholar Scholar „http://scholar.google.com/scholar_lookup?&title=&journal=nature&doi=10.1038%2FS 41586-023-06802-1 & Volume = 624 & Strony = 164-172 & Publication_Year = 2023 & Authal = OH%2CH.”