Regular, detailed reporting on population health by underlying cause of death is fundamental for public health decision making. Cause-specific estimates of mortality and the subsequent effects on life expectancy worldwide are valuable metrics to gauge progress in reducing mortality rates. These estimates are particularly important following large-scale mortality spikes, such as the COVID-19 pandemic. When systematically analysed, mortality rates and life expectancy allow comparisons of the consequences of causes of death globally and over time, providing a nuanced understanding of the effect of these causes on global populations.The Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) 2021 cause-of-death analysis estimated mortality and years of life lost (YLLs) from 288 causes of death by age-sex-location-year in 204 countries and territories and 811 subnational locations for each year from 1990 until 2021. The analysis used 56 604 data sources, including data from vital registration and verbal autopsy as well as surveys, censuses, surveillance systems, and cancer registries, among others. As with previous GBD rounds, cause-specific death rates for most causes were estimated using the Cause of Death Ensemble model-a modelling tool developed for GBD to assess the out-of-sample predictive validity of different statistical models and covariate permutations and combine those results to produce cause-specific mortality estimates-with alternative strategies adapted to model causes with insufficient data, substantial changes in reporting over the study period, or unusual epidemiology. YLLs were computed as the product of the number of deaths for each cause-age-sex-location-year and the standard life expectancy at each age. As part of the modelling process, uncertainty intervals (UIs) were generated using the 2·5th and 97·5th percentiles from a 1000-draw distribution for each metric. We decomposed life expectancy by cause of death, location, and year to show cause-specific effects on life expectancy from 1990 to 2021. We also used the coefficient of variation and the fraction of population affected by 90% of deaths to highlight concentrations of mortality. Findings are reported in counts and age-standardised rates. Methodological improvements for cause-of-death estimates in GBD 2021 include the expansion of under-5-years age group to include four new age groups, enhanced methods to account for stochastic variation of sparse data, and the inclusion of COVID-19 and other pandemic-related mortality-which includes excess mortality associated with the pandemic, excluding COVID-19, lower respiratory infections, measles, malaria, and pertussis. For this analysis, 199 new country-years of vital registration cause-of-death data, 5 country-years of surveillance data, 21 country-years of verbal autopsy data, and 94 country-years of other data types were added to those used in previous GBD rounds.The leading causes of age-standardised deaths globally were the same in 2019 as they were in 1990; in descending order, these were, ischaemic heart disease, stroke, chronic obstructive pulmonary disease, and lower respiratory infections. In 2021, however, COVID-19 replaced stroke as the second-leading age-standardised cause of death, with 94·0 deaths (95% UI 89·2-100·0) per 100 000 population. The COVID-19 pandemic shifted the rankings of the leading five causes, lowering stroke to the third-leading and chronic obstructive pulmonary disease to the fourth-leading position. In 2021, the highest age-standardised death rates from COVID-19 occurred in sub-Saharan Africa (271·0 deaths [250·1-290·7] per 100 000 population) and Latin America and the Caribbean (195·4 deaths [182·1-211·4] per 100 000 population). The lowest age-standardised death rates from COVID-19 were in the high-income super-region (48·1 deaths [47·4-48·8] per 100 000 population) and southeast Asia, east Asia, and Oceania (23·2 deaths [16·3-37·2] per 100 000 population). Globally, life expectancy steadily improved between 1990 and 2019 for 18 of the 22 investigated causes. Decomposition of global and regional life expectancy showed the positive effect that reductions in deaths from enteric infections, lower respiratory infections, stroke, and neonatal deaths, among others have contributed to improved survival over the study period. However, a net reduction of 1·6 years occurred in global life expectancy between 2019 and 2021, primarily due to increased death rates from COVID-19 and other pandemic-related mortality. Life expectancy was highly variable between super-regions over the study period, with southeast Asia, east Asia, and Oceania gaining 8·3 years (6·7-9·9) overall, while having the smallest reduction in life expectancy due to COVID-19 (0·4 years). The largest reduction in life expectancy due to COVID-19 occurred in Latin America and the Caribbean (3·6 years). Additionally, 53 of the 288 causes of death were highly concentrated in locations with less than 50% of the global population as of 2021, and these causes of death became progressively more concentrated since 1990, when only 44 causes showed this pattern. The concentration phenomenon is discussed heuristically with respect to enteric and lower respiratory infections, malaria, HIV/AIDS, neonatal disorders, tuberculosis, and measles.Long-standing gains in life expectancy and reductions in many of the leading causes of death have been disrupted by the COVID-19 pandemic, the adverse effects of which were spread unevenly among populations. Despite the pandemic, there has been continued progress in combatting several notable causes of death, leading to improved global life expectancy over the study period. Each of the seven GBD super-regions showed an overall improvement from 1990 and 2021, obscuring the negative effect in the years of the pandemic. Additionally, our findings regarding regional variation in causes of death driving increases in life expectancy hold clear policy utility. Analyses of shifting mortality trends reveal that several causes, once widespread globally, are now increasingly concentrated geographically. These changes in mortality concentration, alongside further investigation of changing risks, interventions, and relevant policy, present an important opportunity to deepen our understanding of mortality-reduction strategies. Examining patterns in mortality concentration might reveal areas where successful public health interventions have been implemented. Translating these successes to locations where certain causes of death remain entrenched can inform policies that work to improve life expectancy for people everywhere.Bill & Melinda Gates Foundation.

Abstract The objective of this study was to investigate whether the myelin content of white matter tracts is predictive of cogni–tive processing speed and whether such associations are modulated by age. Associations between myelin content and processing speed was assessed in 570 community-living individuals (277 middle-age, 293 older-age). Myelin content was measured using the mean T1w/T2w magnetic resonance ratio, in six white matter tracts (anterior corona radiata, superior corona radiata, pontine crossing tract, anterior limb of the internal capsule, genu of the corpus callosum, and splenium of the corpus callosum). Processing speed was estimated by extracting a principal component from 5 sep–arate tests of processing speed. It was found that myelin content of the bilateral anterior limb of the internal capsule and left splenium of the corpus callosum were significant predictors of processing speed, even after controlling for socio-demographic, health and genetic variables and correcting for multiple comparisons. A 1 SD increase in the myelin content of the anterior limb of the internal capsule was associated with 2.53% increase in processing speed and within the left splenium of the corpus callosum with a 2.20% increase in processing speed. In addition, significant differences in myelin content between middle-age and older participants were found in all six white matter tracts. The present results indicate that myelin content, estimated in vivo using a neuroimaging approach in healthy older adults is sufficiently precise to predict variability in processing speed in behavioural measures.

Abstract Alzheimer’s disease typically progresses in stages, which have been defined by the presence of disease-specific biomarkers: amyloid (A), tau (T) and neurodegeneration (N). This progression of biomarkers has been condensed into the ATN framework, in which each of the biomarkers can be either positive (+) or negative (−). Over the past decades, genome-wide association studies have implicated ∼90 different loci involved with the development of late-onset Alzheimer’s disease. Here, we investigate whether genetic risk for Alzheimer’s disease contributes equally to the progression in different disease stages or whether it exhibits a stage-dependent effect. Amyloid (A) and tau (T) status was defined using a combination of available PET and CSF biomarkers in the Alzheimer’s Disease Neuroimaging Initiative cohort. In 312 participants with biomarker-confirmed A−T− status, we used Cox proportional hazards models to estimate the contribution of APOE and polygenic risk scores (beyond APOE) to convert to A+T− status (65 conversions). Furthermore, we repeated the analysis in 290 participants with A+T− status and investigated the genetic contribution to conversion to A+T+ (45 conversions). Both survival analyses were adjusted for age, sex and years of education. For progression from A−T− to A+T−, APOE-e4 burden showed a significant effect [hazard ratio (HR) = 2.88; 95% confidence interval (CI): 1.70–4.89; P < 0.001], whereas polygenic risk did not (HR = 1.09; 95% CI: 0.84–1.42; P = 0.53). Conversely, for the transition from A+T− to A+T+, the contribution of APOE-e4 burden was reduced (HR = 1.62; 95% CI: 1.05–2.51; P = 0.031), whereas the polygenic risk showed an increased contribution (HR = 1.73; 95% CI: 1.27–2.36; P < 0.001). The marginal APOE effect was driven by e4 homozygotes (HR = 2.58; 95% CI: 1.05–6.35; P = 0.039) as opposed to e4 heterozygotes (HR = 1.74; 95% CI: 0.87–3.49; P = 0.12). The genetic risk for late-onset Alzheimer’s disease unfolds in a disease stage-dependent fashion. A better understanding of the interplay between disease stage and genetic risk can lead to a more mechanistic understanding of the transition between ATN stages and a better understanding of the molecular processes leading to Alzheimer’s disease, in addition to opening therapeutic windows for targeted interventions.

Abstract Ageing is the primary risk factor for AD; however, there is a poor understanding of the biological mechanisms by which the ageing process contributes to the development of AD in some individuals, while others progress to advanced age with relatively little AD neuropathology. To halt the progression of AD, the preclinical stage of neurodegeneration (before the onset of clinical symptoms) is anticipated to be the more effective time point for applying potentially disease-modifying interventions in AD. The main objective of this study was to understand the age and disease related proteomic changes are detectable in plasma, based on retrospective analysis of longitudinal data and cross-sectional analyses of clinically diagnosed cases. We conducted an in-depth plasma proteomics analysis using intensive depletion of high-abundant plasma proteins using the Agilent multiple affinity removal liquid chromatography (LC) column-Human 14 (Hu14) followed by sodium dodecyl sulfate-polyacrylamide gel electrophoresis (SDS PAGE) technique. In this study, we have begun to address the following questions; (1) differences in plasma proteomic profiles between normal ageing, vs ageing with progress to cognitive decline (MCI) or disease (dementia, probable AD), (2) cross-sectional analysis of baseline data, when all subjects are clinically identified as cognitively normal, provides insight into the preclinical changes which precede subsequent progression to AD and potentially provide early biomarkers, and (3) comparison of plasma at the point of progression to clinically diagnosed onset of cognitive decline or AD, can provide potential plasma biomarkers to facilitate clinical diagnosis. Furthermore, our findings also identified some proteins previously discovered in AD CSF and brain proteomics signatures that could provide clinically meaningful information. We identified differentially expressed proteins which were associated with several biological and molecular processes that may serve as therapeutic targets and fluid biomarkers for the disease.

Abstract Structural neuroimaging data have been used to compute an estimate of the biological age of the brain (brain‐age) which has been associated with other biologically and behaviorally meaningful measures of brain development and aging. The ongoing research interest in brain‐age has highlighted the need for robust and publicly available brain‐age models pre‐trained on data from large samples of healthy individuals. To address this need we have previously released a developmental brain‐age model. Here we expand this work to develop, empirically validate, and disseminate a pre‐trained brain‐age model to cover most of the human lifespan. To achieve this, we selected the best‐performing model after systematically examining the impact of seven site harmonization strategies, age range, and sample size on brain‐age prediction in a discovery sample of brain morphometric measures from 35,683 healthy individuals (age range: 5–90 years; 53.59% female). The pre‐trained models were tested for cross‐dataset generalizability in an independent sample comprising 2101 healthy individuals (age range: 8–80 years; 55.35% female) and for longitudinal consistency in a further sample comprising 377 healthy individuals (age range: 9–25 years; 49.87% female). This empirical examination yielded the following findings: (1) the accuracy of age prediction from morphometry data was higher when no site harmonization was applied; (2) dividing the discovery sample into two age‐bins (5–40 and 40–90 years) provided a better balance between model accuracy and explained age variance than other alternatives; (3) model accuracy for brain‐age prediction plateaued at a sample size exceeding 1600 participants. These findings have been incorporated into CentileBrain ( https://centilebrain.org/#/brainAGE2 ), an open‐science, web‐based platform for individualized neuroimaging metrics.

Abstract Increases in harmful drinking among older adults indicate the need for a more thorough understanding of the relationship between later‐life alcohol use and brain health. The current study investigated the relationships between alcohol use and progressive grey and white matter changes in older adults using longitudinal data. A total of 530 participants (aged 70 to 90 years; 46.0% male) were included. Brain outcomes assessed over 6 years included total grey and white matter volume, as well as volume of the hippocampus, thalamus, amygdala, corpus callosum, orbitofrontal cortex and insula. White matter integrity was also investigated. Average alcohol use across the study period was the main exposure of interest. Past‐year binge drinking and reduction in drinking from pre‐baseline were additional exposures of interest. Within the context of low‐level average drinking (averaging 11.7 g per day), higher average amount of alcohol consumed was associated with less atrophy in the left ( B = 7.50, pFDR = 0.010) and right ( B = 5.98, pFDR = 0.004) thalamus. Past‐year binge‐drinking was associated with poorer white matter integrity ( B = −0.013, pFDR = 0.024). Consuming alcohol more heavily in the past was associated with greater atrophy in anterior ( B = −12.73, pFDR = 0.048) and posterior ( B = −17.88, pFDR = 0.004) callosal volumes over time. Across alcohol exposures and neuroimaging markers, no other relationships were statistically significant. Within the context of low‐level drinking, very few relationships between alcohol use and brain macrostructure were identified. Meanwhile, heavier drinking was negatively associated with white matter integrity.

Abstract The epigenome has been shown to be influenced by biological factors, such as disease status, and environmental factors, such as smoking, alcohol consumption, and body mass index. Although there is a widespread perception that environmental influences on the epigenome are pervasive and profound, there has been little evidence to date in humans with respect to environmental factors that are biologically distal. Here, we provide evidence on the associations between epigenetic modifications—in our case, CpG methylation—and educational attainment (EA), a biologically distal environmental factor that is arguably among of the most important life-shaping experiences for individuals. Specifically, we report the results of an epigenome-wide association study meta-analysis of EA based on data from 27 cohort studies with a total of 10,767 individuals. While we find that 9 CpG probes are significantly associated with EA, only two remain associated when we restrict the sample to never-smokers. These two are known to be strongly associated with maternal smoking during pregnancy, and thus their association with EA could be due to correlation between EA and maternal smoking. Moreover, their effect sizes on EA are far smaller than the known associations between CpG probes and biologically proximal environmental factors. Two analyses that combine the effects of many probes—polygenic methylation score and epigenetic-clock analyses—both suggest small associations with EA. If our findings regarding EA can be generalized to other biologically distal environmental factors, then they cast doubt on the hypothesis that such factors have large effects on the epigenome.

Abstract Mechanisms underpinning age-related variations in cortical thickness in the human brain remain poorly understood. We investigated whether inter-regional age-related variations in cortical thinning (in a multicohort neuroimaging dataset from the ENIGMA Lifespan Working Group totalling 14,248 individuals, aged 4-89 years) depended on cell-specific marker gene expression levels. We found differences amidst early-life (<20 years), mid-life (20-60 years), and late-life (>60 years) in the patterns of association between inter-regional profiles of cortical thickness and expression profiles of marker genes for CA1 and S1 pyramidal cells, astrocytes, and microglia. Gene ontology and enrichment analyses indicated that each of the three life-stages was associated with different biological processes and cellular components: synaptic modeling in early life, neurotransmission in mid-life, and neurodegeneration in late-life. These findings provide mechanistic insights into age-related cortical thinning during typical development and aging.

Abstract Brain structural covariances or pairwise correlations describe how morphologic properties of brain regions are related to one another across individuals. Although it is reported that brain structural covariance changes during brain development, it is not clear how structural covariance relates to the ageing process. Here we investigated the human brain structural covariances of cortical thickness and subcortical volumes in the ageing brain and their associations with age, cognition, and longevity polygenic risk score (longevity-PRS) by using cross-sectional data from the UK Biobank (N = 42075, aged 45-83 years, M/F=19752 /22323). The sample of participants was divided into 84 non-overlapping groups based on their age. The older the age group, the greater the variability in the whole brain structural covariance. However, there was a differential rate of age-related increase of variance between males and females. The variance of females started lower than those of males and then increased with age with a greater gradient than that of males. There was a consistent and significant enrichment of pairwise correlations within the occipital lobe in ageing process. The cortical thickness and subcortical covariances in older groups were significantly different from those in the youngest group. Sixty-two of the total 528 pairs of cortical thickness correlations and 10 of the total 21 pairs of subcortical volume correlations were significantly associated with age after Bonferroni correction. Specifically, with an increasing age, most decreased cortical thickness correlations were found between the regions within the frontal lobe as well as between the frontal lobe regions and regions in other lobes, while pairwise correlations within occipital lobe regions were all strengthening. Most of these correlations were also associated with global cognition and weakly associated with longevity-PRS. These findings revealed that the structural covariance was not stable during ageing. Given the thinning of the cortex and the volumetric reduction of subcortical structures seen in the ageing process, an increased pairwise correlation between the brain regions in the older brain suggested a strengthened coordinated decline between the brain regions involved. However, some of the brain regions demonstrated a differentiated rate of decline which was shown as the inversed or reduced pairwise correlations between these regions.

Healthy ageing is accompanied by a constellation of changes in cognitive processes and alterations in functional brain networks. The relationships between brain networks and cognition during ageing in later life are moderated by demographic and environmental factors, such as prior education, in a poorly understood manner. Using multivariate analyses, we identify three latent patterns (or modes) linking resting-state functional connectivity to demographic and cognitive measures in 101 cognitively-normal elders. The first mode (p=0.00043) captures an opposing association between age and core cognitive processes such as attention and processing speed on functional connectivity patterns. The functional subnetwork expressed by this mode links bilateral sensorimotor and visual regions through key areas such as the parietal operculum. A strong, independent association between years of education and functional connectivity loads onto a second mode (p=0.012), characterised by the involvement of key hub-regions. A third mode (p=0.041) captures weak, residual brain-behaviour relations. Our findings suggest that circuits supporting lower-level cognitive processes are most sensitive to the influence of age in healthy older adults. Education, and to a lesser extent, executive functions, load independently onto functional networks - suggesting that the moderating effect of education acts upon networks distinct from those vulnerable with ageing. This has important implications in understanding the contribution of education to cognitive reserve during healthy ageing.