表观遗传时钟检测方案
Epigenetic clock
甲基化年龄时钟不仅是一种评估个体衰老速度的工具，更是预测健康风险、为个性化医疗提供数据支持的生物标志物。
检测方案
1. 技术平台选择与优化
全基因组甲基化分析平台：选择能够覆盖全基因组70% CG位点的平台（如XRBS），以确保模型训练的全面性。
数据兼容性：确保所选平台能够与现有的芯片数据和测序数据兼容，以便于模型的广泛应用。
2. 定制化模型开发
定制化表观遗传时钟：根据特定需求（如疾病研究、健康监测等），构建定制化的表观遗传时钟模型。
机器学习算法：利用机器学习算法（如随机森林、深度学习等）对全基因组甲基化数据进行分析，提高预测准确性。
3. 数据收集与预处理
样本收集：收集不同年龄、性别、健康状况的个体样本，以确保模型的泛化能力。
数据预处理：对收集到的甲基化数据进行质量控制和标准化处理，以减少技术偏差。
4. 模型训练与验证
训练集构建：使用高质量的甲基化数据构建训练集，以训练甲基化时钟模型。
交叉验证：采用交叉验证方法评估模型的预测性能，确保模型的稳定性和准确性。
5. 成果输出与应用
预测健康风险：利用甲基化时钟预测个体的健康风险，为个性化医疗提供数据支持。
健康应用：将甲基化时钟应用于疾病研究、衰老机制探索等领域。
现有甲基化芯片年龄时钟检测局限
位点受限：在有限的CG位点上进行模型训练，限制分析广度。
芯片受限：随着芯片更新换代，模型内位点丢失导致模型失效。
准确性受限：基于有限位点预测可能存在偏差，影响结果准确性。
平台受限：芯片数据与测序数据不兼容，限制模型应用范围。
成本受限：模型位点无法单独进行panel检测，增加应用成本。
易基因全基因组范围甲基化年龄预测技术突破
定制模型：构建定制化表观遗传时钟，满足特定需求。
全面覆盖：全基因组70% CG位点参与模型训练，确保分析全面性。
预测准确：训练模型使甲基化预测年龄更加准确。
应用灵活：模型位点panel测序的应用更加灵活。
研究案例
（1）基于亚硫酸盐测序的交集时钟揭示人类胚胎发生过程中年轻化事件
本研究使用182个人类血液样本的可用简化基因组亚硫酸盐测序（RRBS）数据进行训练，开发针对亚硫酸盐测序数据优化的交集时钟，最大限度利用未丢失的时钟CpG位点进行年龄预测。
图：交集时钟工作流程示意图。
（2）表观遗传时钟捕获的小鼠培养和组织衰老
本研究通过RRBS评估小鼠胚胎成纤维细胞（MEFs）的DNA甲基化水平变化，并开发体外追踪细胞衰老方法。
图：在MEF中检测DNA甲基化CultureAGE值
参考文献：
1) Kerepesi C, Gladyshev VN. Intersection clock reveals a rejuvenation event during human embryogenesis. Aging Cell. 2023 Oct;22(10):e13922. doi: 10.1111/acel.13922. PubMed PMID: 37786333.
2) Minteer C, et al. Tick tock, tick tock: Mouse culture and tissue aging captured by an epigenetic clock. Aging Cell. 2022 Feb;21(2):e13553. doi: 10.1111/acel.13553. PubMed PMID: 35104377.
