Background A person’s rate of aging has important implications for his/her risk of death and disease; thus, quantifying aging using observable characteristics has important applications for clinical, basic, and observational research. Based on routine clinical chemistry biomarkers, we previously developed a novel aging measure, Phenotypic Age, representing the expected age within the population that corresponds to a person’s estimated mortality risk. The aim of this study was to assess its applicability for differentiating risk for a variety of health outcomes within diverse subpopulations that include healthy and unhealthy groups, distinct age groups, and persons with various race/ethnic, socioeconomic, and health behavior characteristics. Methods and findings Phenotypic Age was calculated based on a linear combination of chronological age and 9 multi-system clinical chemistry biomarkers in accordance with our previously established method. We also estimated Phenotypic Age Acceleration (PhenoAgeAccel), which represents Phenotypic Age after accounting for chronological age (i.e., whether a person appears older [positive value] or younger [negative value] than expected, physiologically). All analyses were conducted using NHANES IV (1999–2010, an independent sample from that originally used to develop the measure). Our analytic sample consisted of 11,432 adults aged 20–84 years and 185 oldest-old adults top-coded at age 85 years. We observed a total of 1,012 deaths, ascertained over 12.6 years of follow-up (based on National Death Index data through December 31, 2011). Proportional hazard models and receiver operating characteristic curves were used to evaluate all-cause and cause-specific mortality predictions. Overall, participants with more diseases had older Phenotypic Age. For instance, among young adults, those with 1 disease were 0.2 years older phenotypically than disease-free persons, and those with 2 or 3 diseases were about 0.6 years older phenotypically. After adjusting for chronological age and sex, Phenotypic Age was significantly associated with all-cause mortality and cause-specific mortality (with the exception of cerebrovascular disease mortality). Results for all-cause mortality were robust to stratifications by age, race/ethnicity, education, disease count, and health behaviors. Further, Phenotypic Age was associated with mortality among seemingly healthy participants—defined as those who reported being disease-free and who had normal BMI—as well as among oldest-old adults, even after adjustment for disease prevalence. The main limitation of this study was the lack of longitudinal data on Phenotypic Age and disease incidence. Conclusions In a nationally representative US adult population, Phenotypic Age was associated with mortality even after adjusting for chronological age. Overall, this association was robust across different stratifications, particularly by age, disease count, health behaviors, and cause of death. We also observed a strong association between Phenotypic Age and the disease count an individual had. These findings suggest that this new aging measure may serve as a useful tool to facilitate identification of at-risk individuals and evaluation of the efficacy of interventions, and may also facilitate investigation into potential biological mechanisms of aging. Nevertheless, further evaluation in other cohorts is needed.

As the number of older people globally increases, health systems need to be reformed to meet the growing need for medical resources. A few previous studies reported varying health impacts of population ageing, but they focused only on limited countries and diseases. We comprehensively quantify the impact of population ageing on mortality for 195 countries/territories and 169 causes of death.Using data from the Global Burden of Disease Study 2017 (GBD 2017), this study derived the total number of deaths and population size for each year from 1990 to 2017. A decomposition method was used to attribute changes in total deaths to population growth, population ageing, and mortality change between 1990 and each subsequent year from 1991 through 2017, for 195 countries/territories and for countries grouped by World Bank economic development level. For countries with increases in deaths related to population ageing, we calculated the ratio of deaths attributed to mortality change to those attributed to population ageing. The proportion of people aged 65 years and older increased globally from 6.1% to 8.8%, and the number of global deaths increased by 9 million, between 1990 and 2017. Compared to 1990, 12 million additional global deaths in 2017 were associated with population ageing, corresponding to 27.9% of total global deaths. Population ageing was associated with increases in deaths in high-, upper-middle-, and lower-middle-income countries but not in low-income countries. The proportions of deaths attributed to population ageing in 195 countries/territories ranged from -43.9% to 117.4% for males and -30.1% to 153.5% for females. The 2 largest contributions of population ageing to disease-specific deaths globally between 1990 and 2017 were for ischemic heart disease (3.2 million) and stroke (2.2 million). Population ageing was related to increases in deaths in 152 countries for males and 159 countries for females, and decreases in deaths in 43 countries for males and 36 countries for females, between 1990 and 2017. The decreases in deaths attributed to mortality change from 1990 to 2017 were more than the increases in deaths related to population ageing for the whole world, as well as in 55.3% (84/152) of countries for males and 47.8% (76/159) of countries for females where population ageing was associated with increased death burden. As the GBD 2017 does not provide variances in the estimated death numbers, we were not able to quantify uncertainty in our attribution estimates.In this study, we found that population ageing was associated with substantial changes in numbers of deaths between 1990 and 2017, but the attributed proportion of deaths varied widely across country income levels, countries, and causes of death. Specific preventive and therapeutic techniques should be implemented in different countries and territories to address the growing health needs related to population ageing, especially targeting the diseases associated with the largest increase in number of deaths in the elderly.

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 To date, a number of epigenetic clocks have been developed using DNA methylation data, aimed at approximating biological aging in multiple tissues/cells. However, despite the assumption that these clocks are meant to capture the same phenomenon-aging, their correlations with each other are weak, and there is a lack of consistency in their associations with outcomes of aging. Therefore, the goal of this study was to compare and contrast the molecular characteristics and functional associations of 11 existing epigenetic clocks, using data from diverse human tissue and cell types. Results suggest that the CpGs comprised in the various clocks differ in regards to the consistency of their age correlations across tissues/cells. Using microarray expression data from purified CD14+ monocytes, we found that six clocks—Yang, Hannum, Lin, Levine, Horvath1, and Horvath2—has relatively similar transcriptional profiles. Network analysis revealed nine co-expression modules, most of which display robust correlations across various clocks. One significant module—turquoise is involved in mitochondrial translation, gene expression, respiratory chain complex assembly, and oxidative phosphorylation. Finally, using data from 143B cells with chronically depleted mtDNA (rho0) and 143B controls, we found that rho0 cells have more than a three-standard deviation increase in epigenetic age for Levine (p=0.006), Lin (p=0.012), and Yang (p=0.013). In summary, these results demonstrate the shared and contrasting features of existing epigenetic clocks, in regards to the CpG characteristic, tissue specificity, and co-regulatory gene network signatures, and suggesting a link between two hallmarks of aging—epigenetic alterations and mitochondrial dysfunction.

Abstract Complicated associations between multiplexed environmental factors and aging are poorly understood. We manipulated aging using multidimensional metrics such as phenotypic age, brain age, and brain volumes in the UK Biobank. Weighted quantile sum regression was used to examine the relative individual contributions of multiplexed environmental factors to aging, and self-organizing maps (SOMs) were used to examine joint effects. Air pollution presented a relatively large contribution in most cases. We also found fair heterogeneities in which the same environmental factor contributed inconsistently to different aging metrics. Particulate matter contributed the most to variance in aging, while noise and green space showed considerable contribution to brain volumes. SOM identified five subpopulations with distinct environmental exposure patterns and the air pollution subpopulation had the worst aging status. This study reveals the heterogeneous associations of multiplexed environmental factors with multidimensional aging metrics and serves as a proof of concept when analyzing multifactors and multiple outcomes.

Objectives: To evaluate the extent to which childhood and adulthood circumstances and genetics contribute to phenotypic aging, using a multi-system-based signature of aging that has been shown to capture mortality and morbidity risk. Design: Prospective population-based cohort study. Setting: United States (U.S.). Participants: 2,339 adults (aged 51+ years) from U.S. Health and Retirement Study, who participated in the Core Survey, the 2016 Venous Blood Study, the 2015 Life History Mail Survey, the Enhanced Face-To-Face interview (2006-2016), and were part of the genetic sample. Main outcomes measure: Phenotypic Age, a validated aging measure based on a linear combination of chronological age and nine multi-system biomarkers. For most analyses, we examined 'PhenoAgeAccel', which represents phenotypic aging after accounting for chronological age (i.e. whether a person appears older [positive value] or younger [negative value] than expected, physiologically). Results: The Shapley Value Decomposition approach revealed that together all 11 domains (four childhood and adulthood circumstances domains, five polygenic scores [PGSs] domains, demographics, and behaviors domains) accounted for about 30% of variance in PhenoAgeAccel. Among the four circumstances domains, adulthood adversity was the largest contributor (9%), while adulthood socioeconomic status (SES), childhood adversity, and childhood SES accounted for 2.8%, 2.1%, 0.7%, respectively. Collectively, all PGSs contributed 3.8% of variance in PhenoAgeAccel. Further, six subpopulations/clusters-identified using a hierarchical cluster analysis based on childhood and adulthood SES and adversity-showed differences in average levels of phenotypic aging. Finally, there was a significant gene-by-environment interaction between a previously validated PGS for coronary artery disease and the most apparently disadvantaged subpopulation/cluster-suggesting a multiplicative effect of adverse environment coupled with genetic risk on phenotypic aging. Conclusions: Socioenvironmental circumstances during both childhood and adulthood account for a sizable proportion of the difference in phenotypic aging among U.S. older adults. The detrimental effects may further be exacerbated among persons with a genetic predisposition to coronary artery disease.

To analyze the associations between factors in life course and physiological disorders in the middle-aged and elderly population of Zhoushan city of Zhejiang province, and the mediating roles of lifestyle and mental health.

Background: A person's rate of aging has important implications for his/her risk of death and disease, thus, quantifying aging using observable characteristics has important applications for clinical, basic, and observational research. We aimed to validate a novel aging measure, 'Phenotypic Age', constructed based on routine clinical chemistry measures, by assessing its applicability for differentiating risk for morbidity and mortality in both healthy and unhealthy populations of various ages. Methods: A nationally representative US sample, NHANES III, was used to derive 'Phenotypic Age' based on a linear combination of chronological age and nine multi-system clinical chemistry measures, selected via cox proportional elastic net. Mortality predictions were validated using an independent sample (NHANES IV), consisting of 11,432 participants, for whom we observed a total of 871 deaths, ascertained over 12.6 year of follow-up. Proportional hazard models and ROC curves were used to evaluate predictions. Results: Phenotypic Age was significantly associated with all-cause mortality and cause-specific mortality. These results were robust to age and sex stratification, and remained even when excluding short-term mortality. Similarly, Phenotypic Age was associated with mortality among seemingly 'healthy' participants, defined as those who were disease-free and had normal BMI at baseline, as well as the oldest-old (aged 85+), a group with high disease burden. Conclusions: Phenotypic Age is a reliable predictor of all-cause and cause-specific mortality in multiple subgroups of the population. Risk stratification by this composite measure is far superior to that of the individual measures that go into it, as well as traditional measures of health. It is able to differentiate individuals who appear healthy, who may have otherwise been missed using traditional health assessments. Further, it can differentiate risk among persons with shared disease burden. Overall, this easily measured metric may be useful in the clinical setting and facilitate secondary and tertiary prevention strategies.