A Deep-Learning Based Biomarker of Systemic Cellular Senescence Burden to Predict Mortality and Health Outcomes.

چکیده اصلی

The accumulation of senescent cells is a recognized hallmark of biological aging and is associated with the onset of multiple chronic medical conditions. Senescent cells exhibit a distinct secretory profile, known as the senescence-associated secretory phenotype (SASP), which can propagate cellular senescence to neighboring and distant tissues. Measuring SASP factors in blood serves as a practical proxy for cellular senescence burden and may help track disease states and intervention outcomes. We developed and validated a composite SASP Score by integrating large-scale population proteomics data with a semi-supervised deep learning framework. The analytical workflow included: (1) selection of biologically curated SASP proteins; (2) development of a Guided autoencoder with Transformer (GAET) model using data from the UK Biobank Pharma Proteomics Project (UKB-PPP); (3) internal evaluation and association analyses within the UK Biobank; and (4) external validation and longitudinal assessment in an independent randomized clinical trial cohort. The deep learning-based SASP Score was a strong, independent predictor of mortality risk and incident serious, chronic medical conditions (e.g., dementia, COPD, myocardial infarction, stroke). In an independent cohort, multimodal exercise significantly changed the SASP Score trajectory over 18 months. Our findings support the potential of a deep learning-derived SASP Score as a biomarker for systemic cellular senescence burden. Our statistical approach can offer enhanced interpretability and cross-platform utility, providing a valuable tool for aging research and the evaluation of geroscience-guided interventions.

ترجمه فارسی چکیده

تجمع سلول‌های سنتزی یک ویژگی شاخص پیری زیستی است و با شروع بیماری‌های مزمن متعدد مرتبط است. سلول‌های سنتزی یک پروفایل ترشحی متمایز به نام پدیده ترشحی مرتبط با سنتزی (SASP) دارند که می‌تواند سنتزی بودن سلولی را به بافت‌های مجاور و دور منتقل کند. اندازه‌گیری عوامل SASP در خون به عنوان یک نمای عملی برای بار سنتزی سلولی عمل می‌کند و می‌تواند به ردیابی وضعیت بیماری و نتایج مداخله کمک کند. ما یک امتیاز ترکیبی SASP را با ادغام داده‌های پروتئومیک مقیاس بزرگ با یک چارچوب یادگیری عمیق نیمه نظارتی توسعه و اعتبارسنجی کردیم. این امتیاز به عنوان یک پیش‌بینی‌کننده مستقل و قوی از خطر مرگ‌ومیر و بیماری‌های مزمن جدی (مانند زوال عقل، COPD، سکته قلبی، سکته مغزی) عمل کرد. در یک کوهورت مستقل، تمرین چندوجهی به طور قابل توجهی مسیر امتیاز SASP را در ۱۸ ماه تغییر داد. یافته‌های ما پتانسیل امتیاز SASP مبتنی بر یادگیری عمیق به عنوان یک نشانگر برای بار سنتزی سلولی سیستمیک را پشتیبانی می‌کند.

متن کامل اصلی