ABSTRACT Epigenetic clocks have come to be regarded as powerful tools for estimating aging. However, a major drawback in their application is our lack of mechanistic understanding. We hypothesize that uncovering the underlying biology is difficult due to the fact that epigenetic clocks are multifactorial composites: They are comprised of disparate parts, each with their own causal mechanism and functional consequences. Thus, only by deconstructing epigenetic clock signals will it be possible to glean biological insight. Here we clustered 5,717 clock CpGs into twelve distinct modules using multi-tissue and in-vitro datasets. We show that epigenetic clocks are comprised of different proportions of modules, which may explain their discordance when simultaneously applied in a given study. We also observe that epigenetic reprogramming does not ‘reset’ the entire clock and instead the observed rejuvenation is driven by a subset of modules. Overall, two modules stand-out in terms of their unique features. The first is one of the most responsive to epigenetic reprogramming; is the strongest predictor of all-cause mortality; and shows increases with in vitro passaging up until senescence burden begins to emerge. The light-second module is moderately responsive to reprogramming; is very accelerated in tumor vs. normal tissues; and tracks with passaging in vitro even as population doublings decelerate. Overall, we show that clock deconstruction can identify unique DNAm alterations and facilitate our mechanistic understanding of epigenetic clocks.

Abstract Epigenetic clocks are widely used aging biomarkers calculated from DNA methylation data. Unfortunately, measurements for individual CpGs can be surprisingly unreliable due to technical noise, and this may limit the utility of epigenetic clocks. We report that noise produces deviations up to 3 to 9 years between technical replicates for six major epigenetic clocks. The elimination of low-reliability CpGs does not ameliorate this issue. Here, we present a novel computational multi-step solution to address this noise, involving performing principal component analysis on the CpG-level data followed by biological age prediction using principal components as input. This method extracts shared systematic variation in DNAm while minimizing random noise from individual CpGs. Our novel principal-component versions of six clocks show agreement between most technical replicates within 0 to 1.5 years, equivalent or improved prediction of outcomes, and more stable trajectories in longitudinal studies and cell culture. This method entails only one additional step compared to traditional clocks, does not require prior knowledge of CpG reliabilities, and can improve the reliability of any existing or future epigenetic biomarker. The high reliability of principal component-based epigenetic clocks will make them particularly useful for applications in personalized medicine and clinical trials evaluating novel aging interventions.

Abstract Stress triggers anticipatory physiological responses that promote survival, a phenomenon termed allostasis. However, the chronic activation of energy-dependent allostatic responses results in allostatic load, a dysregulated state that predicts functional decline, accelerates aging, and increases mortality in humans. The energetic cost and cellular basis for the damaging effects of allostatic load have not been defined. Here, by longitudinally profiling three unrelated primary human fibroblast lines across their lifespan, we find that chronic glucocorticoid exposure increases cellular energy expenditure by ∼60%, along with a metabolic shift from glycolysis to mitochondrial oxidative phosphorylation (OxPhos). This state of stress-induced hypermetabolism is linked to mtDNA instability, non-linearly affects age-related cytokines secretion, and accelerates cellular aging based on DNA methylation clocks, telomere shortening rate, and reduced lifespan. Pharmacologically normalizing OxPhos activity while further increasing energy expenditure exacerbates the accelerated aging phenotype, pointing to total energy expenditure as a potential driver of aging dynamics. Together, our findings define bioenergetic and multi-omic recalibrations of stress adaptation, underscoring increased energy expenditure and accelerated cellular aging as interrelated features of cellular allostatic load.

Abstract Patients with primary mitochondrial diseases present with fatigue and multi-system disease, are often lean, and die prematurely, but the mechanistic basis for this clinical picture remains unclear. Integrating data from 17 cohorts of patients with mitochondrial diseases (n=690), we find that clinical mitochondrial disorders increase resting energy expenditure, a state termed hypermetabolism . In a longitudinal cellular model of primary patient-derived fibroblasts from multiple donors, we show that genetic and pharmacological disruptions of oxidative phosphorylation (OxPhos) similarly trigger increased energy consumption in a cell-autonomous manner, despite near-normal OxPhos coupling efficiency. Hypermetabolism is associated with mtDNA instability, activation of the integrated stress response, increased extracellular secretion of age-related cytokines and metabokines including GDF15, as well as an accelerated rate of telomere erosion and epigenetic aging, and a reduced Hayflick limit. Together with these dynamic measures, we have generated a longitudinal RNASeq and DNA methylation resource dataset, which reveals conserved, energetically demanding, genome-wide recalibrations in response to OxPhos dysfunction. The increased energetic cost of living, or hypermetabolism, in cells and organisms with OxPhos defects has important biological and clinical implications.

ii. Abstract Aging is known to elicit dramatic changes to DNA methylation (DNAm), although the causes and consequences of such alterations are not clear and require further exploration. Our ability to experimentally uncover mechanisms of epigenetic aging will be greatly enhanced by our ability to study and manipulate these changes using in vitro models. However, it remains unclear whether the changes elicited by cells in culture can serve as a model of what is observed in aging tissues in vivo . To test this, we serially passaged mouse embryonic fibroblasts (MEFs) and assessed changes in DNAm at each time-point via RRBS. By developing a measure that tracked cellular aging in vitro , we tested whether it tracked physiological aging in various mouse tissues and whether anti-aging interventions modulate this measure. Our measure, termed DNAmCULTURE, was shown to strongly increase with age when examined in multiple tissues (liver, lung, kidney, blood, and adipose). As a control, we confirmed that the measure was not a marker of cellular senescence, suggesting that it reflects a distinct yet progressive cellular aging phenomena that can be induced in vitro . Furthermore, we demonstrated slower epigenetic aging in animals undergoing caloric restriction and a resetting of our measure in lung and kidney fibroblasts when re-programmed to iPSCs. Enrichment and clustering analysis implicated SUZ12, EED and Polycomb group (PcG) factors as potentially important chromatin regulators in translational culture aging phenotypes. Overall, this study supports the concept that physiologically relevant aging changes can be induced in vitro and moving forward, used to uncover mechanistic insights into epigenetic aging.

Studies of the aging transcriptome focus on genes that change with age. But what can we learn from age-invariant genes-those that remain unchanged throughout the aging process? These genes also have a practical application: they serve as reference genes (often called housekeeping genes) in expression studies. Reference genes have mostly been identified and validated in young organisms, and no systematic investigation has been done across the lifespan. Here, we build upon a common pipeline for identifying reference genes in RNA-seq datasets to identify age-invariant genes across seventeen C57BL/6 mouse tissues (brain, lung, bone marrow, muscle, white blood cells, heart, small intestine, kidney, liver, pancreas, skin, brown, gonadal, marrow, and subcutaneous adipose tissue) spanning 1 to 21+ months of age. We identify 9 pan-tissue age-invariant genes and many tissue-specific age-invariant genes. These genes are stable across the lifespan and are validated in independent bulk RNA-seq datasets and RT-qPCR. We find age-invariant genes have shorter transcripts on average and are enriched for CpG islands. Interestingly, pathway enrichment analysis for age-invariant genes identifies an overrepresentation of molecular functions associated with some, but not all, hallmarks of aging. Thus, though hallmarks of aging typically involve changes in cell maintenance mechanisms, select genes associated with these hallmarks resist fluctuations in expression with age. Finally, our analysis concludes no classical reference gene is appropriate for aging studies in all tissues. Instead, we provide tissue-specific and pan-tissue genes for assays utilizing reference gene normalization (i.e., RT-qPCR) that can be applied to animals across the lifespan.

Abstract Background Epigenetic clocks are promising tools for the study of aging in humans. The clocks quantify biological aging above and beyond chronological age, demonstrate systematic associations with risk factors that accelerate aging, and predict age-related morbidity and mortality. There is interest in using them as surrogate endpoints in intervention studies. However, the large number of clocks, decentralized publication and explosive popularity in the last decade has made for poor accessibility and standardization. This has hampered the abilities of new researchers to conduct truly hypothesis driven research—whether by not knowing about the best available clocks for a given question, or by systematically testing many or all as they become available. Results We report a centralized R package which can be installed and run locally on the user’s machine, and provides a standardized syntax for epigenetic clock calculation. The package includes a set of helper functions to assist with navigating clock literature and selecting clocks for analysis, as well as affording the user with the details of clock calculation. We describe each clock’s resilience to missing CpG information, combined with functionality to assess the need for imputation in the user’s own data. Furthermore, we demonstrate that while CpGs may not be shared among clocks with similar outputs, many clocks have highly correlated outputs. Conclusions Due to the previous decentralization of epigenetic clocks, gathering code and performing systematic analysis, particularly in protected datasets, has required significant information gathering effort. Here, we offer an R package with standardized implementation and potential for future growth and clock incorporation to assist with hypothesis driven investigation of aging as measured by epigenetic clocks. We show the potential of this package to drive the user to think globally about signals captured by epigenetic clocks, as well as to properly identify the potential and limitations of each clock in their current research.

Abstract Alzheimer’s disease (AD) risk increases exponentially with age and is associated with multiple molecular hallmarks of aging, one of which is epigenetic alterations. Epigenetic age predictors based on 5’ cytosine methylation (DNAm) have previously suggested that biological age acceleration may occur in AD brain tissue. To further investigate brain epigenetic aging in AD, we generated a novel age predictor termed PCBrainAge that was trained solely in cortical samples. This predictor utilizes a combination of principal components analysis and regularized regression, which reduces technical noise and greatly improves test-retest reliability. For further testing, we generated DNAm data from multiple brain regions in a sample from the Religious Orders Study and Rush Memory & Aging Project. PCBrainAge captures meaningful heterogeneity of aging, calculated according to an individual’s age acceleration beyond expectation. Its acceleration demonstrates stronger associations with clinical AD dementia, pathologic AD, and APOE ε4 carrier status compared to extant epigenetic age predictors. It does so across multiple cortical and subcortical regions. Overall, PCBrainAge is useful for investigating heterogeneity in brain aging, as well as epigenetic alterations underlying AD risk and resilience.

Stochastic Epigenetic Mutations (SEMs) have been proposed as novel aging biomarkers that have the potential to capture heterogeneity in age-related DNA methylation (DNAme) changes. SEMs are defined as outlier methylation patterns at cytosine-guanine dinucleotide (CpG) sites, categorized as hypermethylated (hyperSEM) or hypomethylated (hypoSEM) relative to a reference. While individual SEMs are rarely consistent across subjects, the SEM load - the total number of SEMs - increases with age. However, given poor technical reliability of measurement for many DNA methylation sites, we posited that many outliers might represent technical noise. Our study of whole blood samples from 36 individuals, each measured twice, found that 23.3% of hypoSEM and 45.6% hyperSEM are not shared between replicates. This diminishes the reliability of SEM loads, where intraclass correlation coefficients are 0.96 for hypoSEM and 0.90 for hyperSEM. We linked SEM reliability to multiple factors, including blood cell type composition, probe beta-value statistics, and presence of SNPs. A machine learning approach, leveraging these factors, filtered unreliable SEMs, enhancing reliability in a separate dataset of technical replicates from 128 individuals. Analysis of the Framingham Heart Study confirmed previously reported SEM association with mortality and revealed novel connections to cardiovascular disease. We discover that associations with aging outcomes are primarily driven by hypoSEMs at baseline methylated probes and hyperSEMs at baseline unmethylated probes, which are the same subsets that demonstrate highest technical reliability. These aging associations are preserved after filtering out unreliable SEMs and are enhanced after adjusting for blood cell composition. Finally, we utilize these insights to formulate best practices for SEM detection and introduce a novel R package, SEMdetectR, which utilizes parallel programming for efficient SEM detection with comprehensive options for detection, filtering, and analysis.

Individuals, organs, tissues, and cells age in diverse ways throughout the lifespan. Epigenetic clocks attempt to quantify differential aging between individuals, but they typically summarize aging as a single measure, ignoring within-person heterogeneity. Our aim was to develop novel systems-based methylation clocks that, when assessed in blood, capture aging in distinct physiological systems. We combined supervised and unsupervised machine learning methods to link DNA methylation, system-specific clinical chemistry and functional measures, and mortality risk. This yielded a panel of 11 system-specific scores- Heart, Lung, Kidney, Liver, Brain, Immune, Inflammatory, Blood, Musculoskeletal, Hormone, and Metabolic. Each system score predicted a wide variety of outcomes, aging phenotypes, and conditions specific to the respective system, and often did so more strongly than existing epigenetic clocks that report single global measures. We also combined the system scores into a composite Systems Age clock that is predictive of aging across physiological systems in an unbiased manner. Finally, we showed that the system scores clustered individuals into unique aging subtypes that had different patterns of age-related disease and decline. Overall, our biological systems based epigenetic framework captures aging in multiple physiological systems using a single blood draw and assay and may inform the development of more personalized clinical approaches for improving age-related quality of life.