Les horloges de vieillissement sont des outils innovants qui peuvent être élaborés à l’aide de techniques d’apprentissage automatique, en utilisant des ensembles de données biologiques complexes provenant de personnes de divers âges. Un algorithme spécifique permet de relier les changements liés à l’âge dans ces données à l’âge chronologique moyen. Lorsqu’on applique cet algorithme à un individu n’appartenant pas à l’ensemble de données, l’âge prédit est désigné comme l’âge biologique. Il a été observé qu’un âge biologique plus élevé, établi par ces horloges, est souvent corrélé à un risque accru de maladies et de mortalité. Avec le coût relativement bas de création de ces horloges, de nouvelles versions sont produites à un rythme soutenu. Cependant, il reste à déterminer lesquelles des horloges développées au cours de la dernière décennie s’avéreront suffisamment utiles pour être adoptées largement dans divers contextes. Un aspect essentiel de la recherche sur le vieillissement réside dans l’identification des gènes qui régulent le vieillissement sain de base, c’est-à-dire un vieillissement non influencé par la maladie. Les estimateurs d’âge basés sur l’apprentissage automatique, tels que les horloges épigénétiques, représentent une méthode solide pour capturer des biomarqueurs qui corrèlent fortement avec l’âge. En théorie, ces estimateurs peuvent nous aider à découvrir de nouvelles cibles pour la recherche sur le vieillissement, qui pourront ensuite être utilisées pour développer des médicaments visant à prolonger la durée de vie en bonne santé. Cependant, les horloges basées sur la méthylation ne fournissent pas d’informations mécanistes directes sur le vieillissement, ce qui limite leur utilité dans le domaine de la découverte de médicaments. Dans ce contexte, nous présentons une méthode pour construire des estimateurs d’âge basés sur le séquençage d’ARN spécifique aux tissus, permettant d’identifier l’« âgeprint ». L’âgeprint est un ensemble de gènes qui régulent le vieillissement sain de base de manière spécifique aux tissus et liée au développement. Grâce à notre estimateur d’âge, SkeletAge, nous avons réduit l’âgeprint des muscles squelettiques humains à 128 gènes, dont 26 n’avaient jamais été étudiés en relation avec le vieillissement ou les phénotypes associés. L’âgeprint des muscles squelettiques peut être lié à des phénotypes connus du vieillissement et du développement musculaire, soutenant ainsi notre hypothèse selon laquelle les gènes de l’âgeprint sont responsables du vieillissement (sain) le long de l’axe croissance-développement-vieillissement, qui est distinct du vieillissement biologique causé par des maladies ou des dommages stochastiques. Enfin, nous démontrons qu’en utilisant notre méthode, il est possible de trouver des cibles exploitables pour la recherche sur le vieillissement et d’utiliser l’âgeprint pour évaluer avec précision l’effet des interventions thérapeutiques, ce qui peut accélérer la découverte de médicaments favorisant la longévité. Source : https://www.fightaging.org/archives/2025/08/skeletage-a-skeletal-muscle-transcriptomic-aging-clock/
Horloges de vieillissement : Méthodes et implications pour la recherche sur le vieillissement sain
