Abstract There is variability in the rate of aging among people of the same chronological age. The concept of biological age is postulated to capture this variability, and hence to better represent an individual’s true global physiological state than chronological age. Biological age predictors are often generated based on cross-sectional data, using biochemical or molecular markers as predictor variables. It is assumed that the difference between chronological and predicted biological age is informative of one’s chronological age-independent rate of aging Δ. We show that the most popular cross-sectional biological age predictors—based on multiple linear regression, the Klemera-Doubal method or principal component analysis—rely on the same strong underlying assumption, namely that a candidate marker of aging’s association with chronological age is directly informative of its association with the aging rate Δ. We call this the identical-association assumption and prove that it is untestable in a cross-sectional setting. Using synthetic data, we illustrate the consequences if the assumption does not hold: in such scenarios, there is no guarantee that the weights that a cross-sectional method assigns to candidate markers are informative of the underlying truth. Using real data we illustrate that the extent to which the identical-association assumption holds is of direct practical relevance for anyone interested in developing or interpreting cross-sectional biological age predictors.

Aging triggers intricate physiological changes, particularly in whole-body fat-free mass (FFM) and handgrip strength, affecting overall health and independence. Despite existing research, the broader significance of how muscle health is affected by the intricate interplay of lifestyle factors simultaneously during aging needs more exploration. This study aims to examine how nutrition, physical activity, and sleep impact on FFM and handgrip strength in middle-aged men and women, facilitating future personalized recommendations for preserving muscle health. The cross-sectional analysis of the UK Biobank involved 45,984 individuals (54 % women) aged 40–70 years with a complete dataset. Multiple linear regression explored determinants of FFM and handgrip strength, considering traditional, socio-demographics, medication use and smoking as covariates, with sex and age (younger and older than 55 years) stratifications. In older men and women, higher physical activity beneficially affect both FFM (respectively Β = 3.36 × 10−3, p-value = 1.66 × 10−3; Β = 2.52 × 10−3, p-value = 3.57 × 10−4) and handgrip strength (Β = 6.05 × 10−3, p-value = 7.99 × 10−5, Β = 8.98 × 10−3, p-value = 2.95 × 10−15). Similar results were found in fiber intake for FFM in older men and women (respectively B = 3.00 × 10−2, p-value = 2.76 × 10−5; B = 2.68 × 10−2, p-value = 1.78 × 10−9) and handgrip strength (Β = 3.27 × 10−2, p-value = 1.40 × 10−3; Β = 3.12 × 10−2, p-value = 1.34 × 10−5). Other lifestyle factors influence FFM and handgrip strength differently. Key determinants influencing handgrip strength included higher protein intake, lower water intake, higher alcohol intake, and extended sleep duration whereas mainly higher water intake is associated with higher FFM. In both men and women, the main factors associated with FFM and handgrip strength are physical activity and fiber intake, which may underlie a connection between gut and muscle health. Given the observed complexity of muscle health in the age and sex strata, further longitudinal research is needed to provide personalized lifestyle recommendations.

Survival to extreme ages clusters within families. However, identifying genetic loci conferring longevity and low morbidity in such longevous families is challenging. There is debate concerning the survival percentile that best isolates the genetic component in longevity. Here, we use three-generational mortality data from two large datasets, UPDB (US) and LINKS (Netherlands). We studied 21,046 unselected families containing index persons, their parents, siblings, spouses, and children, comprising 321,687 individuals. Our analyses provide strong evidence that longevity is transmitted as a quantitative genetic trait among survivors up to the top 10% of their birth cohort. We subsequently showed a survival advantage, mounting to 31%, for individuals with top 10% surviving first and second-degree relatives in both databases and across generations, even in the presence of non-longevous parents. To guide future genetic studies, we suggest to base case selection on top 10% survivors of their birth cohort with equally long-lived family members.

Studies have shown that long-lived individuals seem to pass their survival advantage on to their offspring. Offspring of long-lived parents had a lifelong survival advantage over individuals without long-lived parents, making them more likely to become long-lived themselves. We test whether the survival advantage enjoyed by offspring of long-lived individuals is explained by environmental factors. 101,577 individuals from 16,905 families in the 1812-1886 Zeeland cohort were followed over time. To prevent that certain families were overrepresented in our data, disjoint family trees were selected. Offspring was included if the age at death of both parents was known. Our analyses show that multiple familial resources are associated with survival within the first 5 years of life, with stronger maternal than paternal effects. However, between ages 5 and 100 both parents contribute equally to offspring’s survival chances. After age 5, offspring of long-lived fathers and long-lived mothers had a 16-19% lower chance of dying at any given point in time than individuals without long-lived parents. This survival advantage is most likely genetic in nature, as it could not be explained by other, tested familial resources and is transmitted equally by fathers and mothers.

Abstract Globally, the lifespan of populations increases but the healthspan is lagging behind. Previous research showed that survival into extreme ages (longevity) clusters in families as illustrated by the increasing lifespan of study participants with each additional long-lived family member. Here we investigate whether the healthspan in such families follows a similar quantitative pattern using three-generational data from two databases, LLS (Netherlands), and SEDD (Sweden). We study healthspan in 2,143 families containing index persons and two ancestral generations, comprising 17,539 persons with 25 follow-up years. Our results provide strong evidence that an increasing number of long-lived ancestors associates with up to a decade of healthspan extension. Further evidence indicates that members of long-lived families have a delayed onset of medication use, multimorbidity and, in mid-life, healthier metabolomic profiles than their partners. We conclude that in longevity families, both lifespan and healthspan are quantitatively linked to ancestral longevity, making such families highly suitable to identify protective mechanisms of multimorbidity.

Abstract Motivated by the study of genetic effect modifiers of cancer, we examined weighting approaches to correct for ascertainment bias in survival analysis. Family-based outcome-dependent sampling is common in genetic epidemiology leading to study samples with too many events in comparison to the population and an overrepresentation of young, affected subjects. A usual approach to correct for ascertainment bias in this setting is to use an inverse probability-weighted Cox model, using weights based on external available population-based age-specific incidence rates of the type of cancer under investigation. However, the current approach is not general enough leading to invalid weights in relevant practical settings if oversampling of cases is not observed in all age groups. Based on the same principle of weighting observations by their inverse probability of selection, we propose a new, more general approach. We show the advantage of our new method using simulations and two real datasets. In both applications the goal is to assess the association between common susceptibility loci identified in Genome Wide Association Studies (GWAS) and cancer (colorectal and breast) using data collected through genetic testing in clinical genetics centers.

Aging is a multifaceted and intricate physiological process characterized by a gradual decline in functional capacity, leading to increased susceptibility to diseases and mortality. While chronological age serves as a strong risk factor for age-related health conditions, considerable heterogeneity exists in the aging trajectories of individuals, suggesting that biological age may provide a more nuanced understanding of the aging process. However, the concept of biological age lacks a clear operationalization, leading to the development of various biological age predictors without a solid statistical foundation. This paper addresses these limitations by proposing a comprehensive operationalization of biological age, introducing the "AccelerAge" framework for predicting biological age, and introducing previously underutilized evaluation measures for assessing the performance of biological age predictors. The AccelerAge framework, based on Accelerated Failure Time (AFT) models, directly models the effect of candidate predictors of aging on an individual9s survival time, aligning with the prevalent metaphor of aging as a clock. We compare predictors based on the AccelerAge framework to a predictor based on the GrimAge predictor, which is considered one of the best-performing biological age predictors, using simulated data as well as data from the UK Biobank and the Leiden Longevity Study. Our approach seeks to establish a robust statistical foundation for biological age clocks, enabling a more accurate and interpretable assessment of an individual9s aging status.

Longevity loci represent key mechanisms of a life-long decreased mortality and decreased/compressed morbidity. However, identifying such loci is challenging. One of the most plausible reasons is the uncertainty in defining long-lived cases with the heritable longevity trait amongst long-living phenocopies. To avoid phenocopies, family selection scores have been constructed but these have not yet been adopted as state of the art in longevity research. Here we aim to identify individuals with the heritable longevity trait by using current insights and a novel family score based on these insights. We use a unique dataset connecting living study participants to their deceased ancestors covering 37,825 persons from 1,326 five-generational families, living between 1788 and 2019. Our main finding suggests that longevity is transmitted for at least 2 subsequent generations only when at least 20% of all relatives are long-lived. This proves the importance of family data to avoid phenocopies in genetic studies.