A biológiai kor (angolul biological age, BA) az öregedéskutatásban használt integrált mutató, amely azt fejezi ki, hogy egy élő szervezet élettani állapota milyen mértékben tér el a kronológiai kora (naptári életkora) alapján elvárhatótól. Míg a kronológiai kor populációs szinten szorosan együtt jár a morbiditással és a mortalitással, egyéni szinten képtelen megragadni az azonos korú emberek közötti jelentős élettani, sejt- és molekuláris szintű eltéréseket. A biológiai kort mérő matematikai modelleket összefoglalóan öregedési óráknak (aging clocks) nevezik.
A fogalom a gerosztudomány (geroscience) alapfeltevéséhez kapcsolódik, amely szerint maga az öregedés biológiai folyamata a krónikus betegségek – a kardiovaszkuláris kórképek, a neurodegeneratív betegségek, a 2-es típusú cukorbetegség és a daganatos megbetegedések – legfőbb integrált kockázati tényezője. Ebből következik, hogy az öregedés alapmechanizmusainak befolyásolásával egyszerre volna késleltethető több patológiás állapot megjelenése, meghosszabbítva nem csupán az élettartamot (lifespan), hanem az egészségben eltöltött éveket (healthspan) is.
A biológiai kor becslésének módszertana négy jól elkülöníthető nemzedéken ment át: a kronológiai kor előrejelzésére tanított első generációs órákat a mortalitási kockázatra horgonyzott második generáció, majd az öregedés sebességét mérő harmadik, végül a szervspecifikus és oksági szempontból szétválasztott, többdimenziós omikai modellek negyedik generációja követte.
Fogalmi keret A biológiai kor mint fogalom abból a megfigyelésből indul ki, hogy két azonos kronológiai korú ember között a szervek funkcionális kapacitása, a DNS-károsodás mértéke, a krónikus gyulladásos válasz és a sejtszintű szeneszcencia drasztikusan eltérhet, az egyéni genetikai háttér, az életmód és a környezeti expozíciók eredőjeként. A biológiai kor ezt a heterogenitást hivatott számszerűsíteni.
A szakirodalom három, gyakran összekevert mennyiséget különböztet meg: Biológiai kor – években kifejezett állapotmutató: a felhalmozódott élettani károsodás pillanatnyi mértéke. Kor-gyorsulás (age acceleration) – a biológiai és a kronológiai kor különbsége, illetve a kronológiai korra illesztett regresszió reziduálisa. Öregedési tempó (pace of aging) – az öregedés sebessége, azaz derivált jellegű mutató: hány biológiai év telik el egy naptári év alatt.
Az öregedési órák generációi + Az öregedési órák nemzedékei, modellalkotási stratégiájuk és korlátaik Generáció Modellalkotási stratégia (horgony) Fő képviselők Elméleti és klinikai korlátok Első a kronológiai kor előrejelzése Horvath-féle pánszöveti óra, Hannum-óra a pontosság paradoxona: minél pontosabban becsli a kronológiai kort, annál kevesebb információt hordoz a biológiai eltérésről Második fenotípusos állapot és mortalitási kockázat előrejelzése PhenoAge, GrimAge keresztmetszeti adatokra épül; állapotot mér, ezért lassan reagál az életmódváltásra Harmadik öregedési tempó, longitudinális hanyatlás DunedinPACE magas adatigény: évtizedes követéses vizsgálat kell a betanításához Negyedik szervspecifikus és oksággal gazdagított többdimenziós omikai előrejelzés Organ Age, ProtAge, oki epigenetikai órák a károsodás és az adaptáció szétválasztásának nehézsége, magas technológiai költség
A PhenoAge-horgony A biológiai kor számszerűsítésének történetében mérföldkőnek számít Morgan E. Levine és munkatársainak 2018-ban közölt munkája, amely bevezette a fenotípusos kor (Phenotypic Age, PhenoAge) fogalmát. Az első generációs epigenetikai órák megalkotói – például Steve Horvath és Gregory Hannum – a gépi tanulási algoritmusokat arra tanították, hogy a DNS-metilációs mintázatokból a lehető legkisebb hibával becsüljék meg a kronológiai kort. Ez azonban fogalmi ellentmondáshoz vezetett: ha egy algoritmus tökéletesen megjósolja a kronológiai kort, akkor definíció szerint kizárja magából a biológiai öregedés egyéni varianciáját, vagyis éppen azt a képességét veszíti el, hogy azonos korú emberek között különbséget tegyen a betegség- és halálozási kockázat tekintetében.
Levine és kutatócsoportja ezért a modell tanításának horgonyát a kronológiai korról a fenotípusos mortalitási kockázatra helyezte át.
Megalkotása A PhenoAge kétlépcsős eljárással készült. Az első fázisban az amerikai NHANES III felmérés adatain arányos hazárd büntetett regressziós (penalizált Cox) modellel 42 rutinszerűen mért klinikai biomarker közül izolálták azt a kilencet, amelyek a kronológiai korral együtt a legerősebben jelezték előre a megfigyelési időszak alatti, minden okból bekövetkező halálozást.
+ A PhenoAge kilenc biomarkere és élettani jelentőségük Biomarker Élettani jelentőség Albumin (g/l) a máj szintetikus funkciójának mutatója; negatív akut fázis fehérjeként a krónikus gyulladás hatására csökken Kreatinin (μmol/l) a glomeruláris filtrációs ráta, így a vesefunkció indirekt mutatója; összefügg az izomtömeg korral járó csökkenésével (szarkopénia) Éhomi glükóz (mmol/l) a metabolikus szindróma, az inzulinrezisztencia és a mitokondriális működészavar alapvető jelzője C-reaktív protein (ln[CRP], mg/dl) akut fázis fehérje; az „inflammaging”, vagyis az időskori krónikus, alacsony fokú szisztémás gyulladás legfontosabb markere Limfocita-arány (%) az immun-szeneszcencia mutatója; az adaptív immunitás kimerülését és a csecsemőmirigy involúcióját jelzi Fehérvérsejtszám (109/l) az immunrendszer általános aktiváltsági állapota; reagál a rejtett fertőzésekre és a krónikus sejtkárosodásra Átlagos vörösvértest-térfogat (MCV, fl) a vérképzőrendszer öregedésének jelzője; összefügg a klonális hematopoézissel és a B12-vitamin-, illetve folsav-felszívódási zavarokkal Vörösvértest-eloszlási szélesség (RDW, %) az anizocitózis mértéke; az oxidatív stressz és a kardiovaszkuláris mortalitás erős előrejelzője Alkalikus foszfatáz (U/l) a csontanyagcsere és a hepatobiliáris rendszer épségének mutatója
A Gompertz-modell és a kor visszaszámítása A modell matematikai magja a tízéves mortalitási kockázat (Mortality Score, ) kiszámítása a Gompertz-féle túlélési modellel. A Gompertz-függvényt azért alkalmazták, mert hűen írja le a felnőttkori emberi halandóság exponenciális növekedését az idő előrehaladtával:
ahol a kilenc biomarker és a kronológiai kor súlyozott lineáris kombinációja egy konstanssal, a Gompertz-eloszlás empirikusan meghatározott skálaparamétere, a 120 pedig a tízéves előrejelzési időtávot jelöli hónapokban.
A kapott érték 0 és 1 közötti valószínűség, amelyet az algoritmus ezután egy egyenértékű életkorra transzformál vissza. A fenotípusos kor fogalmi tartalma tehát a következő kérdésre adott válasz: „milyen kronológiai korú az a személy egy átlagos referenciapopulációban, akinek a mortalitási kockázata pontosan megegyezik a vizsgált egyén biomarker-profiljából számított kockázattal?”
DNAm PhenoAge A kutatás második lépésében a validált fenotípusos kort horgonyként használták egy új epigenetikai óra betanításához: az InCHIANTI és a Women’s Health Initiative kohorszok teljes vérből származó DNS-metilációs adatait nem a kronológiai korra, hanem a számított fenotípusos korra regresszálták. Az eljárás 513 CpG-hely azonosítását eredményezte, amelyek együttesen alkotják a DNAm PhenoAge biomarkert. Bár az órát vérmintákon fejlesztették ki, csaknem minden vizsgált emberi szövetben szorosan együtt mozgott az öregedéssel.
A transzkripciós elemzés feltárta a mögöttes biológiát is: azoknál az egyéneknél, akiknél a DNAm PhenoAge szignifikánsan meghaladta a kronológiai kort (fenotípusos öregedési gyorsulás, PhenoAgeAccel), fokozott gyulladáskeltő – különösen interferon-útvonalakhoz kötődő – génaktivációt, ugyanakkor a transzkripciós és transzlációs gépezet, a DNS-hibajavító rendszerek és a mitokondriális működés csökkent aktivitását mérték. A DNAm PhenoAge a korábbi epigenetikai mérőszámoknál pontosabban jelezte előre az összhalálozást, a daganatos megbetegedések kockázatát, az Alzheimer-kórt és a fizikai funkciók hanyatlását. A későbbi, mortalitásra horgonyzott órák közül a GrimAge és annak második változata mutatta a legerősebb előrejelző képességet.
A Klemera–Doubal-aggregáció Míg a PhenoAge a modellépítés horgonyát változtatta meg, a klinikai biomarkerek statisztikai összegzésére máig a Petr Klemera és Stanislav Doubal cseh kutatók által 2006-ban közölt Klemera–Doubal-módszer (KDM) számít a legrobusztusabb matematikai keretnek. A módszer éles kritikával illette és felülírta az addig uralkodó eljárásokat, mindenekelőtt a többszörös lineáris regressziót (MLR) és a főkomponens-analízist (PCA).
A korábbi eljárások hiányosságai A hagyományos megközelítésben a kronológiai kor szerepelt függő változóként, a biomarkerek pedig független előrejelzőkként. Ez azonban rendszerszintű „átlaghoz való visszatérést” idéz elő: mivel a modell a legkisebb négyzetek módszerével a kronológiai kor becslési hibáját minimalizálja, a kapott biológiai kor szórása mindig mesterségesen kisebb lesz a populáció valódi biológiai szórásánál.
A főkomponens-analízis alkalmazásakor a kutatók hajlamosak az első főkomponenst – amely az adathalmaz varianciájának legnagyobb részét magyarázza – az „öregedés vektorának” tekinteni. Ez matematikailag téves feltevés: az első főkomponens csupán a legnagyobb szóródás irányát jelöli ki, amely nem feltétlenül esik egybe az öregedési pályával.
A két torzítás következtében mind az MLR-, mind a PCA-alapú becslések kronológiai korra vett regressziós meredeksége szisztematikusan 1 alatt marad – az irodalomban közölt értékek szerint 0,48 (MLR), illetve 0,62 (PCA) körül. Ez azt a látszatot kelti, mintha az élettani hanyatlás az életkor előrehaladtával lassulna, ami ellentmond a gerontológiai megfigyeléseknek.
Az inverz regresszió Klemera és Doubal felismerte, hogy a biológiai kor látens, közvetlenül nem megfigyelhető változó. Ahelyett tehát, hogy a kronológiai kort tennék függő változóvá, inverz regressziót alkalmaztak: a megfigyelhető biomarkereket tekintették az öregedés függvényeinek. Minden -edik biomarkerre kiszámítják a kronológiai korra vett lineáris regressziót,
ahol a meredekség, a tengelymetszet, pedig a szórású reziduális hiba. Az eljárás ezután azt a biológiai kort keresi, amely a biomarkerek terében minimalizálja az egyéni megfigyelések és a regressziós egyenesek közötti, hibavarianciával súlyozott távolságot:
A módszer azonban nem áll meg itt. Az algoritmus elismeri a kronológiai kor önálló információértékét is, különösen zajos biomarkerek esetén, ezért Bayes-i jellegű korrekciót vezet be, amely a becslést a kronológiai korral súlyozza a biológiai kor populációs varianciájának () függvényében. A kronológiai korral korrigált becslés – az irodalomban gyakran KDM2 vagy method 2 néven hivatkozott változat – végső alakja:
E konstrukció legfontosabb tulajdonsága, hogy több zajos biomarker összegzésekor sem erősíti fel a mérési hibát. Kiterjedt kohorszvizsgálatok igazolták, hogy a KDM-mel számított biológiai kor és a kronológiai kor különbsége erősebben és pontosabban jár együtt az összhalálozással és a kardiovaszkuláris mortalitással, mint önmagában a kronológiai kor, felülmúlva az MLR- és PCA-alapú modellek előrejelző erejét. A módszer nyílt forráskódú megvalósítása – a PhenoAge-dzsel és a homeosztatikus diszreguláció mutatójával együtt – a BioAge nevű R-csomagban érhető el.
Az identikus asszociáció feltevése Bár a KDM keresztmetszeti adatokon a legpontosabb aggregációs eljárás, egy 2024-es módszertani elemzés rávilágított egy alapvető elméleti problémára. Minden keresztmetszeti biológiai kor becslő – így a KDM is – az úgynevezett identikus asszociáció feltevésén (identical-association assumption) nyugszik. Eszerint a valódi biológiai kor felírható alakban, ahol az egyéni öregedési divergencia, és a modell alkotói feltételezik, hogy egy biomarker kronológiai korral való összefüggésének ereje és iránya közvetlenül tükrözi a valódi élettani hanyatlással való összefüggését is.