Концепция биомаркеров старения человека

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Биомаркеры старения в перспективе могут позволить оценивать скорость старения, прогнозировать возраст-ассоциированные заболевания и контролировать эффективность профилактических вмешательств, таких как диета, физическая активность и геропротекторы. В статье рассмотрены ключевые критерии биомаркеров старения, включая их связь с возрастом, прогностическую ценность в отношении смертности, способность выявлять ранние стадии возрастных патологий и минимальную инвазивность. Представлена исчерпывающая классификация маркеров (клинические, функциональные, молекулярные, омиксные, цифровые) и эволюция часов старения - от эпигенетических моделей до каузальных систем, основанных на менделевской рандомизации. Отдельное внимание уделено технологиям объяснимого искусственного интеллекта, позволяющим интерпретировать работу алгоритмов, а также практическому использованию биомаркеров в клинических исследованиях. Обсуждаются перспективы разработки комплексных панелей биомаркеров и персонализированных подходов к оценке старения.

Об авторах

А. А. Кобеляцкая

Институт долголетия с клиникой реабилитации и превентивной медицины РНЦХ имени академика Б.В. Петровского

Автор, ответственный за переписку.
Email: amoskalev@med.ru
Москва

А. А. Москалев

Институт долголетия с клиникой реабилитации и превентивной медицины РНЦХ имени академика Б.В. Петровского

Email: amoskalev@med.ru
Москва

Список литературы

  1. Butler, R. N., Sprott, R., Warner, H., Bland, J., Feuers, R., Forster, M., Fillit, H., Harman, S. M., Hewitt, M., Hyman, M., Johnson, K., Kligman, E., McClearn, G., Nelson, J., Richardson, A., Sonntag, W., Weindruch, R., and Wolf, N. (2004) Biomarkers of aging: from primitive organisms to humans, J. Gerontol. A Biol. Sci. Med. Sci., 59, B560-B567, https://doi.org/10.1093/gerona/59.6.b560.
  2. Moqri, M., Herzog, C., Poganik, J. R., Biomarkers of Aging Consortium, Justice, J., Belsky, D. W., Higgins-Chen, A., Moskalev, A., Fuellen, G., Cohen, A. A., Bautmans, I., Widschwendter, M., Ding, J., Fleming, A., Mannick, J., Han, J. J., Zhavoronkov, A., Barzilai, N., Kaeberlein, M., Cummings, S., Kennedy, B. K., Ferrucci, L., Horvath, S., Verdin, E., Maier, A. B., Snyder, M. P., Sebastiano, V., and Gladyshev, V. N. (2023) Biomarkers of aging for the identification and evaluation of longevity interventions, Cell, 186, 3758-3775, https://doi.org/10.1016/j.cell.2023.08.003.
  3. Moskalev, A. (2020) The challenges of estimating biological age, Elife, 9, e54969, https://doi.org/10.7554/eLife.54969.
  4. Galkin, F., Mamoshina, P., Aliper, A., de Magalhães, J. P., Gladyshev, V. N., and Zhavoronkov, A. (2020) Biohorology and biomarkers of aging: current state-of-the-art, challenges and opportunities, Ageing Res. Rev., 60, 101050, https://doi.org/10.1016/j.arr.2020.101050.
  5. Putin, E., Mamoshina, P., Aliper, A., Korzinkin, M., Moskalev, A., Kolosov, A., Ostrovskiy, A., Cantor, C., Vijg, J., and Zhavoronkov, A. (2016) Deep biomarkers of human aging: Application of deep neural networks to biomarker development, Aging (Albany NY), 8, 1021-1033, https://doi.org/10.18632/aging.100968.
  6. Zhavoronkov, A., Li, R., Ma, C., and Mamoshina, P. (2019) Deep biomarkers of aging and longevity: from research to applications, Aging (Albany NY), 11, 10771-10780, https://doi.org/10.18632/aging.102475.
  7. Shen, X., Wang, C., Zhou, X., Zhou, W., Hornburg, D., Wu, S., and Snyder, M. P. (2024) Nonlinear dynamics of multi-omics profiles during human aging, Nat. Aging, 4, 1619-1634, https://doi.org/10.1038/s43587-024-00692-2.
  8. Kliuchnikova, A. A., Ilgisonis, E. V., Archakov, A. I., Ponomarenko, E. A., and Moskalev, A. A. (2024) Proteomic markers of aging and longevity: a systematic review, Int. J. Mol. Sci., 25, 12634, https://doi.org/10.3390/ijms252312634.
  9. Pyrkov, T. V., Getmantsev, E., Zhurov, B., Avchaciov, K., Pyatnitskiy, M., Menshikov, L., Khodova, K., Gudkov, A. V., and Fedichev, P. O. (2018) Quantitative characterization of biological age and frailty based on locomotor activity records, Aging (Albany NY), 10, 2973-2990, https://doi.org/10.18632/aging.101603.
  10. Solovev, I. A., Shaposhnikov, M. V., and Moskalev, A. (2019) An Overview of the Molecular and Cellular Biomarkers of Aging, in Bi-omarkers of Human Aging (Moskalev, A. ed), Springer International Publishing, Cham, pp. 67-78, https://doi.org/10.1007/978-3-030-24970-0_6.
  11. Fedintsev, A., Karnaushkina, M., Stambler, I., Mitnitski, A., Melerzanov, A., Litvinova, M., Balbek, K., and Moskalev, A. (2023) New frailty index approach predicts COVID-19 mortality risk, Adv. Gerontol., 13, 26-35, https://doi.org/10.1134/S2079057024600046.
  12. Prattichizzo, F., Frigé, C., Pellegrini, V., Scisciola, L., Santoro, A., Monti, D., Rippo, M. R., Ivanchenko, M., Olivieri, F., and Franceschi, C. (2024) Organ-specific biological clocks: Ageotyping for personalized anti-aging medicine, Ageing Res. Rev., 96, 102253, https://doi.org/10.1016/j.arr.2024.102253.
  13. Oh, H. S. H., Rutledge, J., Nachun, D., Pálovics, R., Abiose, O., Moran-Losada, P., Channappa, D., Urey, D. Y., Kim, K., Sung, Y. J., Wang, L., Timsina, J., Western, D., Liu, M., Kohlfeld, P., Budde, J., Wilson, E. N., Guen, Y., Maurer, T. M., Haney, M., Yang, A. C., He, Z., Greicius, M. D., Andreasson, K. I., Sathyan, S., Weiss, E. F., Milman, S., Barzilai, N., Cruchaga, C., Wagner, A. D., Mormino, E., Le-hallier, B., Henderson, V. W., Longo, F. M., Montgomery, S. B., and Wyss-Coray, T. (2023) Organ aging signatures in the plasma proteome track health and disease, Nature, 624, 164-172, https://doi.org/10.1038/s41586-023-06802-1.
  14. Belsky, D. W., Caspi, A., Houts, R., Cohen, H. J., Corcoran, D. L., Danese, A., Harrington, H., Israel, S., Levine, M. E., Schaefer, J. D., Sugden, K., Williams, B., Yashin, A. I., Poulton, R., and Moffitt, T. E. (2015) Quantification of biological aging in young adults, Proc. Natl. Acad. Sci. USA, 112, E4104-E4110, https://doi.org/10.1073/pnas.1506264112.
  15. Aging Biomarker Consortium, Bao, H., Cao, J., Chen, M., Chen, M., Chen, W., Chen, X., Chen, Y., Chen, Y., Chen, Y., Chen, Z., Chhetri, J. K., Ding, Y., Feng, J., Guo, J., Guo, M., He, C., Jia, Y., Jiang, H., Jing, Y., Li, D., Li, J., Li, J., Liang, Q., Liang, R., Liu, F., Liu, X., Liu, Z., Luo, O. J., Lv, J., Ma, J., Mao, K., Nie, J., Qiao, X., Sun, X., Tang, X., Wang, J., Wang, Q., Wang, S., Wang, X., Wang, Y., Wang, Y., Wu, R., Xia, K., Xiao, F.-H., Xu, L., Xu, Y., Yan, H., Yang, L., Yang, R., Yang, Y., Ying, Y., Zhang, L., Zhang, W., Zhang, W., Zhang, X., Zhang, Z., Zhou, M., Zhou, R., Zhu, Q., Zhu, Z., Cao, F., Cao, Z., Chan, P., Chen, C., Chen, G., Chen, H.-Z., Chen, J., Ci, W., Ding, B.-S., Ding, Q., Gao, F., Han, J.-D. J., Huang, K., Ju, Z., Kong, Q.-P., Li, J., Li, J., Li, X., Liu, B., Liu, F., Liu, L., Liu, Q., Liu, Q., Liu, X., Liu, Y., Luo, X., Ma, S., Ma, X., Mao, Z., Nie, J., Peng, Y., Qu, J., Ren, J., Ren, R., Song, M., Songyang, Z., Sun, Y. E., Sun, Y., Tian, M., Wang, S., Wang, S., Wang, X., Wang, X., Wang, Y.-J., Wang, Y., Wong, C. C. L., Xiang, A. P., Xiao, Y., Xie, Z., Xu, D., Ye, J., Yue, R., Zhang, C., Zhang, H., Zhang, L., Zhang, W., Zhang, Y., Zhang, Y.-W., Zhang, Z., Zhao, T., Zhao, Y., Zhu, D., Zou, W., Pei, G., and Liu, G.-H. (2023) Biomarkers of aging, Sci. China Life Sci., 66, 893-1066, https://doi.org/10.1007/s11427-023-2305-0.
  16. Margiotti, K., Monaco, F., Fabiani, M., Mesoraca, A., and Giorlandino, C. (2023) Epigenetic clocks: in aging-related and complex diseases, Cytogenet. Genome Res., 163, 247-256, https://doi.org/10.1159/000534561.
  17. Warner, B., Ratner, E., Datta, A., and Lendasse, A. (2024) A systematic review of phenotypic and epigenetic clocks used for aging and mortality quantification in humans, Aging (Albany NY), 16, 12414-12427, https://doi.org/10.18632/aging.206098.
  18. Crimmins, E. M., Klopack, E. T., and Kim, J. K. (2024) Generations of epigenetic clocks and their links to socioeconomic status in the health and retirement study, Epigenomics, 16, 1031-1042, https://doi.org/10.1080/17501911.2024.2373682.
  19. Horvath, S. (2013) DNA methylation age of human tissues and cell types, Genome Biol., 14, R115, https://doi.org/10.1186/gb-2013-14-10-r115.
  20. Hannum, G., Guinney, J., Zhao, L., Zhang, L., Hughes, G., Sadda, S., Klotzle, B., Bibikova, M., Fan, J.-B., Gao, Y., Deconde, R., Chen, M., Rajapakse, I., Friend, S., Ideker, T., and Zhang, K. (2013) Genome-wide methylation profiles reveal quantitative views of human aging rates, Mol. Cell, 49, 359-367, https://doi.org/10.1016/j.molcel.2012.10.016.
  21. Raj, K. (2018) Chapter 4 – The Epigenetic Clock and Aging. in Epigenetics of Aging and Longevity (Moskalev, A., and Vaiserman, A. M., eds), Academic Press, Boston, pp. 95-118, https://doi.org/10.1016/B978-0-12-811060-7.00004-8.
  22. Bekaert, B., Kamalandua, A., Zapico, S. C., Van de Voorde, W., and Decorte, R. (2015) Improved age determination of blood and teeth samples using a selected set of DNA methylation markers, Epigenetics, 10, 922-930, https://doi.org/10.1080/15592294.2015.1080413.
  23. Guvatova, Z. G., Kobelyatskaya, A. A., Pudova, E. A., Tarasova, I. V., Kudryavtseva, A. V., Tkacheva, O. N., Strazhesko, I. D., and Moskalev, A. A. (2023) Decelerated epigenetic aging in long livers, Int. J. Mol. Sci., 24, 16867, https://doi.org/10.3390/ijms242316867.
  24. Fedintsev, A., Kashtanova, D., Tkacheva, O., Strazhesko, I., Kudryavtseva, A., Baranova, A., and Moskalev, A. (2017) Markers of arterial health could serve as accurate non-invasive predictors of human biological and chronological age, Aging (Albany NY), 9, 1280-1292, https://doi.org/10.18632/aging.101227.
  25. Kobelyatskaya, A. A., Guvatova, Z. G., Tkacheva, O. N., Isaev, F. I., Kungurtseva, A. L., Vitebskaya, A. V., Kudryavtseva, A. V., Plokhova, E. V., Machekhina, L. V., Strazhesko, I. D., and Moskalev, A. A. (2024) EchoAGE: echocardiography-based neural network model forecasting heart biological age, Aging Dis., 16, 2383-2397, https://doi.org/10.14336/AD.2024.0615.
  26. Kobelyatskaya, A. A., Isaev, F. I., Kudryavtseva, A. V., Guvatova, Z. G., and Moskalev, A. A. (2024) AcidAGE: a biological age deter-mination neural network based on urine organic acids, Biogerontology, 26, 20, https://doi.org/10.1007/s10522-024-10161-3.
  27. Levine, M. E., Lu, A. T., Quach, A., Chen, B. H., Assimes, T. L., Bandinelli, S., Hou, L., Baccarelli, A. A., Stewart, J. D., Li, Y., Whitsel, E. A., Wilson, J. G., Reiner, A. P., Aviv, A., Lohman, K., Liu, Y., Ferrucci, L., and Horvath, S. (2018) An epigenetic biomarker of aging for lifespan and healthspan, Aging (Albany NY), 10, 573-591, https://doi.org/10.18632/aging.101414.
  28. Lu, A. T., Quach, A., Wilson, J. G., Reiner, A. P., Aviv, A., Raj, K., Hou, L., Baccarelli, A. A., Li, Y., Stewart, J. D., Whitsel, E. A., As-simes, T. L., Ferrucci, L., and Horvath, S. (2019) DNA methylation GrimAge strongly predicts lifespan and healthspan, Aging (Albany NY), 11, 303-327, https://doi.org/10.18632/aging.101684.
  29. Belsky, D. W., Caspi, A., Corcoran, D. L., Sugden, K., Poulton, R., Arseneault, L., Baccarelli, A., Chamarti, K., Gao, X., Hannon, E., Harrington, H. L., Houts, R., Kothari, M., Kwon, D., Mill, J., Schwartz, J., Vokonas, P., Wang, C., Williams, B. S., and Moffitt, T. E. (2022) DunedinPACE, a DNA methylation biomarker of the pace of aging, Elife, 11, e73420, https://doi.org/10.7554/eLife.73420.
  30. Harvanek, Z. M., Sehgal, R., Borrus, D., Kasamoto, J., Priyanka, A., Corley, M. J., Vinkers, C. H., Boks, M. P., Smith, R., Dwaraka, V. B., Lasky-Su, J., and Higgins-Chen, A. T. (2024) Multidimensional epigenetic clocks demonstrate accelerated aging across physiological systems in schizophrenia: a meta-analysis, medRxiv, https://doi.org/10.1101/2024.10.28.24316295.
  31. Pan, L.-Y., and Jin, L. (2025) Association between triglyceride glucose index and biological aging in U.S. adults: National Health and Nutrition Examination Survey, Cardiovasc. Diabetol., 24, 100, https://doi.org/10.1186/s12933-025-02631-w.
  32. Biomarkers of Aging Consortium, Herzog, C. M. S., Goeminne, L. J. E., Poganik, J. R., Barzilai, N., Belsky, D. W., Betts-LaCroix, J., Chen, B. H., Chen, M., Cohen, A. A., Cummings, S. R., Fedichev, P. O., Ferrucci, L., Fleming, A., Fortney, K., Furman, D., Gorbunova, V., Higgins-Chen, A., Hood, L., Horvath, S., Justice, J. N., Kiel, D. P., Kuchel, G. A., Lasky-Su, J., LeBrasseur, N. K., Maier, A. B., Schilling, B., Sebastiano, V., Slagboom, P. E., Snyder, M. P., Verdin, E., Widschwendter, M., Zhavoronkov, A., Moqri, M., and Gladyshev, V. N. (2024) Challenges and recommendations for the translation of biomarkers of aging, Nat. Aging, 4, 1372-1383, https://doi.org/10.1038/s43587-024-00683-3.
  33. Hu, I. (2025) House of clocks: on the misuse of ageing composite measures, bioRxiv, https://doi.org/10.1101/2025.05.24.655934.
  34. Libert, S., Chekholko, A., and Kenyon, C. (2025) A mathematical model that predicts human biological age from physiological traits identifies environmental and genetic factors that influence aging, Elife, 13, RP92092, https://doi.org/10.7554/eLife.92092.
  35. Pisarek, A., Pośpiech, E., Heidegger, A., Xavier, C., Papież, A., Piniewska-Róg, D., Kalamara, V., Potabattula, R., Bochenek, M., Si-kora-Polaczek, M., Macur, A., Woźniak, A., Janeczko, J., Phillips, C., Haaf, T., Polańska, J., Parson, W., Kayser, M., and Branicki, W. (2021) Epigenetic age prediction in semen – marker selection and model development, Aging (Albany NY), 13, 19145-19164, https://doi.org/10.18632/aging.203399.
  36. Yoo, J., Hur, J., Yoo, J., Jurivich, D., and Lee, K. J. (2024) A novel approach to quantifying individual’s biological aging using Korea’s national health screening program toward precision public health, Geroscience, 46, 3387-3403, https://doi.org/10.1007/s11357-024-01079-2.
  37. Moskalev, A., Stambler, I., and Zhavoronkov, A. (2023) Artificial Intelligence for Healthy Longevity, Springer International Publishing, Cham, https://doi.org/10.1007/978-3-031-35176-1.
  38. Kalyakulina, A., Yusipov, I., Moskalev, A., Franceschi, C., and Ivanchenko, M. (2024) eXplainable Artificial Intelligence (XAI) in aging clock models, Ageing Res. Rev., 93, 102144, https://doi.org/10.1016/j.arr.2023.102144.
  39. Kennedy, B. K., Berger, S. L., Brunet, A., Campisi, J., Cuervo, A. M., Epel, E. S., Franceschi, C., Lithgow, G. J., Morimoto, R. I., Pessin, J. E., Rando, T. A., Richardson, A., Schadt, E. E., Wyss-Coray, T., and Sierra, F. (2014) Geroscience: linking aging to chronic disease, Cell, 159, 709-713, https://doi.org/10.1016/j.cell.2014.10.039.
  40. Strazhesko, I., Tkacheva, O., Kashtanova, D., Ivanov, M., Kljashtorny, V., Esakova, A., Karnaushkina, M., Guillemette, C., Hewett, A., Legault, V., Maytesian, L., Litvinova, M., Cohen, A., and Moskalev, A. (2022) Physiological health indexes predict deterioration and mortality in patients with COVID-19: a comparative study, Aging (Albany NY), 14, 1611-1626, https://doi.org/10.18632/aging.203915.
  41. Isaev, F. I., Sadykov, A. R., and Moskalev, A. (2023) Blood markers of biological age evaluates clinic complex medical spa programs, Biomedicines, 11, 625, https://doi.org/10.3390/biomedicines11020625.
  42. Maganova, F., Voevoda, M., Popov, V., and Moskalev, A. (2023) A prospective randomized comparative placebo-controlled double-blind study in two groups to assess the effect of the use of biologically active additives with Siberian fir terpenes for the biological age of a per-son, Front. Pharmacol., 14, 1150504, https://doi.org/10.3389/fphar.2023.1150504.
  43. López-Otín, C., Blasco, M. A., Partridge, L., Serrano, M., and Kroemer, G. (2013) The hallmarks of aging, Cell, 153, 1194-1217, https://doi.org/10.1016/j.cell.2013.05.039.
  44. López-Otín, C., Blasco, M. A., Partridge, L., Serrano, M., and Kroemer, G. (2023) Hallmarks of aging: an expanding universe, Cell, 186, 243-278, https://doi.org/10.1016/j.cell.2022.11.001.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».