Epigenetic age acceleration is related to cognitive decline in the elderly: Results of the Austrian Stroke Prevention Study
Notice bibliographique
Résumé
Aim Epigenetic clocks, quantifying biological age through DNA methylation (DNAmAge), have emerged as potential indicators of brain aging. As the variety of DNAmAge algorithms grows, consensus on their efficacy in predicting age‐related changes is lacking. This study aimed to explore the intricate relationship between diverse DNAmAge algorithms and structural and cognitive markers of brain aging. Methods Within a cohort of 796 elderly patients (mean age, 65.8 ± 7.9 years), we scrutinized 11 DNAmAge algorithms, including Horvath, Hannum, Zhang's clocks, PhenoAge, GrimAge, DunedinPACE, and principal component (PC)–based PCHorvath, PCHannum, PCPhenoAge, and PCGrimAge. We evaluated their association with baseline cognition and cognitive decline, assessed through follow‐up evaluations at three (T1) and six (T2) years postbaseline. Additionally, we examined their relationship with structural magnetic resonance imaging markers of brain aging, including white matter. Results Zhang's clock was the best predictor of decline in memory ( β = −0.04) and global cognition ( β = −0.03), whereas PCGrimAge was the best predictor of speed decline ( β = −0.17). The DNAmAge algorithms were the second‐best predictors in explaining cognitive variability after education in memory and global cognition ( R 2 partial = 1.66% to 2.82%) and the best predictors for speed decline ( R 2 partial = 2.13%). PC‐trained DNAmAge algorithms outperformed their respective original version. Conclusion DNAmAge algorithms are strong and independent predictors of cognitive decline in the normal elderly population and explain additional variability in cognitive decline beyond that accounted for by conventional risk factors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».