What to expect after a year in space Space is the final frontier for understanding how extreme environments affect human physiology. Following twin astronauts, one of which spent a year-long mission on the International Space Station, Garrett-Bakelman et al. examined molecular and physiological traits that may be affected by time in space (see the Perspective by Löbrich and Jeggo). Sequencing the components of whole blood revealed that the length of telomeres, which is important to maintain in dividing cells and may be related to human aging, changed substantially during space flight and again upon return to Earth. Coupled with changes in DNA methylation in immune cells and cardiovascular and cognitive effects, this study provides a basis to assess the hazards of long-term space habitation. Science , this issue p. eaau8650 ; see also p. 127

Type 2 diabetes mellitus (T2D) is a growing health problem, but little is known about its early disease stages, its effects on biological processes or the transition to clinical T2D. To understand the earliest stages of T2D better, we obtained samples from 106 healthy individuals and individuals with prediabetes over approximately four years and performed deep profiling of transcriptomes, metabolomes, cytokines, and proteomes, as well as changes in the microbiome. This rich longitudinal data set revealed many insights: first, healthy profiles are distinct among individuals while displaying diverse patterns of intra- and/or inter-personal variability. Second, extensive host and microbial changes occur during respiratory viral infections and immunization, and immunization triggers potentially protective responses that are distinct from responses to respiratory viral infections. Moreover, during respiratory viral infections, insulin-resistant participants respond differently than insulin-sensitive participants. Third, global co-association analyses among the thousands of profiled molecules reveal specific host-microbe interactions that differ between insulin-resistant and insulin-sensitive individuals. Last, we identified early personal molecular signatures in one individual that preceded the onset of T2D, including the inflammation markers interleukin-1 receptor agonist (IL-1RA) and high-sensitivity C-reactive protein (CRP) paired with xenobiotic-induced immune signalling. Our study reveals insights into pathways and responses that differ between glucose-dysregulated and healthy individuals during health and disease and provides an open-access data resource to enable further research into healthy, prediabetic and T2D states.

Precision health relies on the ability to assess disease risk at an individual level, detect early preclinical conditions and initiate preventive strategies. Recent technological advances in omics and wearable monitoring enable deep molecular and physiological profiling and may provide important tools for precision health. We explored the ability of deep longitudinal profiling to make health-related discoveries, identify clinically relevant molecular pathways and affect behavior in a prospective longitudinal cohort (n = 109) enriched for risk of type 2 diabetes mellitus. The cohort underwent integrative personalized omics profiling from samples collected quarterly for up to 8 years (median, 2.8 years) using clinical measures and emerging technologies including genome, immunome, transcriptome, proteome, metabolome, microbiome and wearable monitoring. We discovered more than 67 clinically actionable health discoveries and identified multiple molecular pathways associated with metabolic, cardiovascular and oncologic pathophysiology. We developed prediction models for insulin resistance by using omics measurements, illustrating their potential to replace burdensome tests. Finally, study participation led the majority of participants to implement diet and exercise changes. Altogether, we conclude that deep longitudinal profiling can lead to actionable health discoveries and provide relevant information for precision health. Personalized omics profiling can lead to actionable health discoveries and stimulate lifestyle changes.

Acute physical activity leads to several changes in metabolic, cardiovascular, and immune pathways. Although studies have examined selected changes in these pathways, the system-wide molecular response to an acute bout of exercise has not been fully characterized. We performed longitudinal multi-omic profiling of plasma and peripheral blood mononuclear cells including metabolome, lipidome, immunome, proteome, and transcriptome from 36 well-characterized volunteers, before and after a controlled bout of symptom-limited exercise. Time-series analysis revealed thousands of molecular changes and an orchestrated choreography of biological processes involving energy metabolism, oxidative stress, inflammation, tissue repair, and growth factor response, as well as regulatory pathways. Most of these processes were dampened and some were reversed in insulin-resistant participants. Finally, we discovered biological pathways involved in cardiopulmonary exercise response and developed prediction models revealing potential resting blood-based biomarkers of peak oxygen consumption.

Abstract Transformative technologies are enabling the construction of three-dimensional maps of tissues with unprecedented spatial and molecular resolution. Over the next seven years, the NIH Common Fund Human Biomolecular Atlas Program (HuBMAP) intends to develop a widely accessible framework for comprehensively mapping the human body at single-cell resolution by supporting technology development, data acquisition, and detailed spatial mapping. HuBMAP will integrate its efforts with other funding agencies, programs, consortia, and the biomedical research community at large towards the shared vision of a comprehensive, accessible three-dimensional molecular and cellular atlas of the human body, in health and under various disease conditions.

Drug discovery for diseases such as Parkinson’s disease are impeded by the lack of screenable cellular phenotypes. We present an unbiased phenotypic profiling platform that combines automated cell culture, high-content imaging, Cell Painting, and deep learning. We applied this platform to primary fibroblasts from 91 Parkinson’s disease patients and matched healthy controls, creating the largest publicly available Cell Painting image dataset to date at 48 terabytes. We use fixed weights from a convolutional deep neural network trained on ImageNet to generate deep embeddings from each image and train machine learning models to detect morphological disease phenotypes. Our platform’s robustness and sensitivity allow the detection of individual-specific variation with high fidelity across batches and plate layouts. Lastly, our models confidently separate LRRK2 and sporadic Parkinson’s disease lines from healthy controls (receiver operating characteristic area under curve 0.79 (0.08 standard deviation)), supporting the capacity of this platform for complex disease modeling and drug screening applications.

Abstract Biological age, distinct from an individual’s chronological age, has been studied extensively through predictive aging clocks. However, these clocks have limited accuracy in short time-scales. Deep learning approaches on imaging datasets of the eye have proven powerful for a variety of quantitative phenotype inference tasks and provide an opportunity to explore organismal aging and tissue health. Here we trained deep learning models on fundus images from the EyePACS dataset to predict individuals’ chronological age. These predictions led to the concept of a retinal aging clock, “eyeAge”, which we employed for a series of downstream longitudinal analyses. eyeAge was used to predict chronological age on timescales under a year using longitudinal fundus imaging data from a subset of patients. To further validate the model, it was applied to a separate cohort from the UK Biobank. The difference between individuals’ eyeAge and their chronological age, hereafter “eyeAgeAccel”, was computed and used for genome-wide association analysis (GWAS). EyeAge predicted chronological age more accurately than other aging clocks (mean absolute error of 2.86 and 3.30 years on quality-filtered data from EyePACS and UKBiobank, respectively). Additionally, eyeAgeAccel was highly independent of blood marker-based measures of biological age (e.g. “phenotypic age”), maintaining an all-cause mortality hazard ratio of 1.026 even in the presence of phenotypic age. Longitudinal studies showed that the resulting models were able to predict individuals’ aging, in time-scales less than a year, with 71% accuracy. The individual-specific component to this prediction was confirmed with the identification of multiple GWAS hits in the independent UK Biobank cohort. The knockdown of the fly homolog to the top hit, ALKAL2 , which was previously shown to extend lifespan in flies, also slowed age-related decline in vision in flies. In conclusion, predicted age from retinal images can be used as a biomarker of biological aging that is independent from assessment based on blood markers. This study demonstrates the potential utility of a retinal aging clock for studying aging and age-related diseases and quantitatively measuring aging on very short time-scales, opening avenues for quick and actionable evaluation of gero-protective therapeutics.

Exercise testing is routinely used in clinical practice to assess fitness - a strong predictor of survival - as well as causes of exercise limitations. While these studies often focus on cardiopulmonary response and selected molecular pathways, the dynamic system-wide molecular response to exercise has not been fully characterized. We performed a longitudinal multi-omic profiling of plasma and peripheral blood mononuclear cells including transcriptome, immunome, proteome, metabolome and lipidome in 36 well-characterized volunteers before and after a controlled bout of acute exercise (2, 15, 30 min and 1 hour in recovery). Integrative analysis revealed an orchestrated choreography of biological processes across key tissues. Most of these processes were dampened in insulin resistant participants. Finally, we discovered biological pathways involved in exercise capacity and developed prediction models revealing potential resting blood-based biomarkers of fitness.

SWATH-MS has been widely used for proteomics analysis given its high-throughput and reproducibility but ensuring consistent quantification of analytes across large-scale studies of heterogeneous samples such as human-plasma remains challenging. Heterogeneity in large-scale studies can be caused by large time intervals between data-acquisition, acquisition by different operators or instruments, intermittent repair or replacement of parts, such as the liquid chromatography column, all of which affect retention time (RT) reproducibility and successively performance of SWATH-MS data analysis. Here, we present a novel algorithm for retention time alignment of SWATH-MS data based on direct alignment of raw MS2 chromatograms using a hybrid dynamic programming approach. The algorithm does not impose a chronological order of elution and allows for alignment of elution-order swapped peaks. Furthermore, allowing RT-mapping in a certain window around coarse global fit makes it robust against noise. On a manually validated dataset, this strategy outperforms the current state-of-the-art approaches. In addition, on a real-world clinical data, our approach outperforms global alignment methods by mapping 98% of peaks compared to 67% cumulatively and DIAlignR can reduce alignment error up to 30-fold for extremely distant runs. The robustness of technical parameters used in this pairwise alignment strategy has also been demonstrated. The source code is released under the BSD license at https://github.com/Roestlab/DIAlignR.