Plasma proteomic signatures of cellular aging predict human disease

Article data

Plasma proteomic signatures of cellular aging predict human disease

• 著者: Daisy Yi Ding, Veronica Augustina Bot, Kenneth L. Chen, James W. Groves, Carlos Cruchaga, Jonathan M. Schott, Tony Wyss-Coray ほか (GNPC Consortium 含む)
• Corresponding author: Tony Wyss-Coray (twc@stanford.edu, Stanford University School of Medicine)
• 雑誌: Nature Medicine, Volume 32, 2060–2072
• 発行年: 2026
• Epub日: 2026-06-15
• Article種別: Original Article (Open Access)
• PMID: 42297981

背景

加齢は全世界の疾病負荷の 50% 超に寄与する最大の危険因子だが、加齢生物学そのものの定量は依然として未確立である。近年、機械学習に基づく「老化時計 (aging clock)」が、epigenetic ・proteomic ・transcriptomic ・multiomic ・MRI など多様なモダリティで臓器ごとに生物学的年齢が非同期に進むことを示してきた。とくに血漿プロテオミクス由来の臓器老化時計は、生物学的に古い臓器が臓器特異的疾患の素因となり、若い臓器が抵抗性と関連することを非侵襲に示した (Sun et al. Nature 2018 が確立した血漿プロテオーム地図がこうした解析の土台である )。一方、transcriptomic ・epigenetic な細胞種特異的時計は加齢パターンが細胞種ごとに異質であることを明らかにしたが、これらは採取組織や動物モデルを要し、スケーラビリティと臨床的翻訳性に限界があった ( マルチモーダル統合の文脈は Li et al. Cell 2026 が整理している )。また APOE 遺伝子型と血漿プロテオームの関連は Lu et al. NatAging 2026 が AD 文脈で報告しているが、これを細胞種別 astrocyte/macrophage 老化として分解した解析はなかった。

すなわち、臓器レベルの非侵襲老化時計と、組織を要する細胞種レベルの侵襲的時計の「間」が空白として残されていた。これまで血漿という単一の非侵襲検体から数十種の細胞種ごとの生物学的年齢を同時に推定し、それを大規模に疾患・死亡へ橋渡しした研究は存在せず、「血漿タンパク質の細胞種起源マッピングを介して細胞解像度で加齢を測る枠組み」が足りていなかった。本研究はこの空白を、Human Protein Atlas の single-cell トランスクリプトームを用いた細胞種マッピングと elastic net 機械学習で埋めようとする。

目的

7,000 を超える血漿タンパク質を細胞種に対応づけ、40 種以上の細胞種ごとの生物学的年齢を推定する計算モデルを構築すること。そのうえで、(1) 個人内・個人間で細胞種ごとの加齢が異質かつ協調的に進むかを記述し、(2) 細胞種別の age gap が神経変性疾患・がん・慢性疾患の現在の罹患状態と関連し、将来の発症と 15 年死亡を予測できるかを 3 独立コホートで検証し、(3) 累積細胞老化負荷と特定細胞の脆弱性が生存をどう規定するかを定量することを目的とした。

結果

血漿タンパク質の細胞種マッピングと加齢時計の構築：Human Protein Atlas の single-cell RNA-seq (60 細胞種超 ・20,000 遺伝子超) を用い、ある細胞種で他の全細胞種比 2 倍以上発現する遺伝子を「cell-type-enriched」と定義した。訓練には KADRC 健常者 (n = 1,398 individuals) を用い、これにより SomaScan アッセイの測定可能血漿タンパク質の 16.5% (7,289 中 1,202) 、Olink アッセイの 24.2% (2,923 中 708) が特定細胞種にマップされた。各加齢モデルは 100 回の bootstrap replicates で aggregation した。elastic net 回帰 (glmnet v4.1.7) を 100 回の bootstrap aggregation で訓練し暦年齢を予測、性別を共変量に加えた。性特異的 15 細胞種を除く 60 細胞種でモデルを作り、性能基準 (訓練 r ≥ 0.25 ・テスト r ≥ 0.15 ・最低 4 タンパク質特徴) を満たす SomaScan 43 モデル ・Olink 48 モデルを下流解析に採用した。各個人 ・各細胞種で予測生物学的年齢と同年齢平均の残差を「age gap」として算出し、モデル間比較のため z スコア化した (z > 2 を extreme aging 、z < −2 を youthful と定義)。

個人間の異質性と協調的老化パターン：健常 GNPC (Global Neurodegeneration Proteomics Consortium) コホート (n = 7,074 individuals) では 35.4% が extreme な細胞老化を示さず、24.4% が単一細胞種で加速老化、1.5% が 10 種以上で広汎な加速を示した。細胞種ごとに 0.9–3.8% が極端に古く、0.7–3.2% が極端に若かった。神経 ・グリア系 (Schwann 細胞 ・抑制性 ・興奮性ニューロン) は 85 歳超で extreme ager が 7.1% ・6.6% ・6.4% と高齢で上昇する一方、腸 goblet 細胞 ・ciliated 細胞は 60 歳未満で 4.9% ・4.2% と早期加速を示した。喫煙 + 肥満群 (n = 1,046) は多細胞種で広汎に加齢が進み、健康的生活群 (n = 1,044) は全体に若い細胞年齢を示した (Fig 2a, 2b) 。NSHD (National Survey of Health and Development、1946 年出生コホート) コホート (n = 364) の 10 年追跡では、baseline の macrophage extreme ager の 55% 、alveolar type 2 細胞 extreme ager の 81% が状態を保持し、極端な細胞老化状態の持続性が示された (Fig 2e) 。

神経変性疾患との横断的関連：43 細胞種の age gap と 5 疾患 (AD: アルツハイマー病 n = 2,761 、ALS: 筋萎縮性側索硬化症 n = 245 、PD: パーキンソン病 n = 476 、FTD: 前頭側頭型認知症 n = 199 、MCI–SCI: 軽度認知障害–主観的認知障害 n = 1,992) を point-biserial 相関 (Benjamini–Hochberg FDR: false discovery rate 補正) で評価した。最強の関連は ALS と skeletal myocyte 老化 (r = 0.43, adjusted P = 1.36 × 10⁻¹⁵) で、cardiomyocyte 老化も ALS と関連した (r = 0.33, adjusted P = 4.08 × 10⁻⁹) 。extreme skeletal myocyte ager は ALS の OR (odds ratio) = 7.85 (adjusted P = 5.50 × 10⁻⁵) を示し、GNPC の ALS コホート (n = 355) で skeletal myocyte extreme ager 57 名中 53 名 (93.0%) が ALS 診断であった。AD は oligodendrocyte precursor 細胞 (r = 0.15, adjusted P = 1.86 × 10⁻⁴⁴) 、膵内分泌細胞 ・抑制性ニューロン ・近位 enterocyte ・astrocyte など広範な細胞種の加齢と関連し、興奮性ニューロンとは関連しなかった (Fig 3a) 。APOE 遺伝子型は拮抗的多面発現を示し、APOE4 担体は astrocyte が古く macrophage が若く、APOE2 担体は逆であった (Fig 2c, two-sided t-test) 。

疾患発症と死亡の予測 (UKB: UK Biobank、15 年追跡)：extreme skeletal myocyte ager は将来の ALS 発症リスクが youthful 比 HR (hazard ratio) = 12.74 (log-rank P < 0.0001) 、cardiomyocyte 老化でも HR = 6.59 であった (Fig 3c) 。AD では astrocyte 老化が最強の予測因子で、extreme ager は HR = 12.59 倍のリスクを示した (Fig 3d) 。astrocyte 老化と APOE 遺伝子型は相乗し、APOE4/4 + extreme astrocyte 老化は 15 年累積発症率 38.3% に達し、APOE4/4 + normal の 12.6% を大きく上回った。一方 APOE4/4 + youthful astrocyte の 23 名は AD を発症せず、youthful astrocyte は AD リスクを 60% 超低減した。astrocyte extreme 老化の HR = 5.16 (95% CI 4.06–6.56) は APOE4 担体 (HR = 5.30) に匹敵し、PRS (polygenic risk score、多遺伝子リスクスコア、HR = 2.14) と暦年齢 (HR = 1.24) を上回った (Fig 3f) 。肺がんでは alveolar type 2 細胞 ・呼吸器上皮系の同時 extreme 老化が最も予測的で (HR = 8.39 ・8.47) 、現喫煙者で両細胞種が extreme の群は HR = 15.33 と、現喫煙単独 (HR = 9.69) より 58% 高いハザードを示した (Fig 4a, 4c) 。

累積細胞老化負荷と統合リスクスコア (PARS)：UKB で死亡と最強の関連を示したのは muscle lineage (HR = 4.38) と skeletal myocyte (HR = 4.18) であった (Fig 5a, Cox 比例ハザード) 。extreme 老化細胞種数の用量反応が顕著で、normal ager は約 90% 生存、20 種超 extreme は約 34% 生存に低下した一方、youthful な immune/neuron lineage は生存を改善した (Fig 5d) 。著者らは extreme aging 二値指標と性別を予測子に 10-fold 交差検証で polycellular aging risk score (PARS) を構築し、UKB 訓練 (n = 21,983) ・テスト (n = 22,475) ・NSHD 検証 (n = 1,803 、別プラットフォーム SomaScan) で死亡を有意に層別化した (log-rank P < 0.0001) 。skeletal myocyte 老化が PARS で最大の係数を持ち、プラットフォーム非依存の死亡 ・健康寿命バイオマーカーとしての可能性が示された (Fig 5e, 5f) 。

考察/結論

本研究は 60,000 名超 ・3 独立コホート ・7,000 タンパク質超を統合し、血漿という単一非侵襲検体から 40 種以上の細胞種ごとの生物学的年齢を推定する枠組みを確立した。臓器レベルの血漿老化時計を提示した先行研究が臓器解像度に留まっていたのと異なり、また組織採取を要する細胞種特異的 transcriptomic/epigenetic 時計とは対照的に、本手法は侵襲性とスケーラビリティのトレードオフを解消し、生きた集団で細胞解像度の加齢測定を可能にした点でこれまでの加齢時計研究の空白を埋める。

第二に、astrocyte 老化が APOE 遺伝子型 ・PRS ・暦年齢から独立かつ相乗的に AD リスクを層別化し、youthful astrocyte が APOE4 の有害効果を強力に減弱させるという所見は、本研究で初めて大規模に定量された新規な知見である。同様に skeletal myocyte 老化が血液採取の 3 年以上前から ALS を予測した点は、末梢組織が運動ニューロン変性に先行して病態に関与するこれまで報告されていない可能性を示唆する。第三に、臨床応用の観点では、PARS がアッセイ技術 (SomaScan/Olink) を跨いで死亡を層別化したことはプラットフォーム非依存バイオマーカーとしての translational な価値を持ち、喫煙者の肺がん ・正常血糖者の 2 型糖尿病など標的的サーベイランスと早期予防介入への橋渡しが期待される。臨床的意義として、astrocyte 維持や myocyte 老化の遅延が抵抗性機構の介入標的になりうる。

第四に、残された課題と限界がある。解析は Human Protein Atlas にカタログ化された細胞種に制約され、特殊細胞集団が過小評価される。転写量は必ずしもタンパク質量を反映せず、cardiomyocyte 割当 FABP3 や microglia 割当 HAVCR1 のように特定状況で広く産生 ・放出されうるタンパク質があり、血漿タンパク質は複数の細胞過程に由来する。さらにコホートは高齢かつ白人優位であり、より若年で多様な集団での検証が今後の検討として不可欠である。総じて、大規模血漿プロテオミクスと機械学習が生きた集団での細胞種特異的加齢評価を可能にし、加齢 ・疾患 ・死亡の強固な連関を明らかにした。

方法

研究デザインは 3 独立コホートでの横断 ・前向き観察解析である。プロテオーム測定は SomaScan (SOMAmer アプタマー、GNPC/KADRC は v4.1 = 7,289 タンパク質、NSHD は v5.0 = 11,742 を v4.1 へスケーリング) と Olink Explore 3072 (PEA、UKB で 2,923 タンパク質、NPX 値) の 2 プラットフォーム。細胞種マッピングは Human Protein Atlas v24.1 single-cell RNA-seq を用い、2 倍以上濃縮を cell-type-enriched と定義。加齢モデルは elastic net 回帰 (glmnet v4.1.7) を 100 bootstrap で aggregation し、L1 正則化 λ を 10-fold 交差検証で調整、性別を共変量に z スコア化 ・log 変換タンパク質量で暦年齢を予測。age gap は残差として算出し z スコア化した。統計手法は、横断関連に two-sided point-biserial correlation + Benjamini–Hochberg FDR 補正、遺伝子型群間比較に two-sided independent t-test、生存に Kaplan–Meier 推定 + log-rank 検定および Cox proportional hazards 回帰 (Wald 検定 + BH 補正) 、軌跡クラスタリングに Ward 法階層クラスタリング + hypergeometric enrichment を用いた。データセット ・識別子は GNPC v1.3 (n = 14,281, SomaScan) 、KADRC (n = 1,398, 訓練) 、NSHD 1946 birth cohort (n = 1,803, Insight-46 substudy n = 483 で pTau-217 を ALZpath Simoa 測定) 、UK Biobank (n = 44,458, Olink, 訓練 21,983/テスト 22,475、欠測は KNNImputer k = 148 で補完、MAE = 0.57) 。倫理は各 IRB 承認済み (KADRC: WashU IRB 201109148、NSHD: 14/LO/1173) 。