Biological age (BA) has been proposed to evaluate the aging status instead of chronological age (CA). Our study shows evidence that there might be multiple "clocks" within the whole-body system: systemic aging drivers/clocks overlaid with organ/tissue-specific counterparts. We utilize multi-omics data, including clinical tests, immune repertoire, targeted metabolomic molecules, gut microbiomes, physical fitness examinations, and facial skin examinations, to estimate the BA of different organs (e.g., liver, kidney) and systems (immune and metabolic system). The aging rates of organs/systems are diverse. People's aging patterns are different. We also demonstrate several applications of organs/systems BA in two independent datasets. Mortality predictions are compared among organs' BA in the dataset of the United States National Health and Nutrition Examination Survey. Polygenic risk score of BAs constructed in the Chinese Longitudinal Healthy Longevity Survey cohort can predict the possibility of becoming centenarian.

Abstract Exosomal microRNA (miRNA) is an emerging source for biomarkers of Alzheimer’s disease (AD). Here, we profiled miRNA expression in AD, mild cognitive impairment (MCI), and controls. The assessment and validation of differentially expressed miRNA represented their potential to be novel biomarkers for AD and MCI. We conducted 13 co-expression networks and a miRNA network module linked to neural function emerged as the most significantly associated with AD diagnosis. The conservation analysis revealed the M1 was highly preserved in controls but dysfunction in AD and MCI. The module pattern between MCI and NC was similar, but significantly differed from AD, suggesting that the neural network regulated by miRNA changed during the mild cognitive stage, and the total miRNA expression altered in AD stage. Additionally, 24 out of 26 M1 hub-miRNAs were derived from brain tissue, and 15 had been reported as AD biomarkers. We consequently proposed the other 11 miRNAs could play important roles in AD. Our study highlights that co-expression network analysis can provide a new path for finding novel biomarkers.

Abstract Exosomes are cell-derived lipid bilayer particles which are abundant in biological fluids. Exosome is an emerging source of biomarkers to diagnose various human diseases. Sequencing based exosomal studies could provide a comprehensive view of exosomal RNA and protein. To extracted these inclusions, exosomes should be isolated from the plasma first. Several exosome isolation methods were introduced since the discover of exosome. To promote the clinical application of exosomal inclusions, different isolation methods should be compared. We isolated exosomes from human plasma by using user-friendly and commercially available kits, SBI ExoQuick and QIAGEN exoRNeasy. Subsequently, small RNA sequencing was performed with two groups of isolated exosome samples and one group of plasma samples. No fundamental differences of exRNA yield between SC and EQ were found. In RNA profile analysis, the small RNA aligned reads, miRNA pattern, sample clustering varied as a result of methodological differences. Small RNA isolated by ExoQuick presented better data quality and RNA profile than exoRNeasy. This study compared sRNA sequencing data generated from two exosome isolation kits, it provides a reference for future small RNA studies and biomarker prediction in human plasma exosome.

Abstract The Coronavirus Disease 2019 (COVID-19) epidemic was first detected in late-December 2019. So far, it has caused 203,815,431 confirmed cases and 4,310,623 deaths in the world. We collected sequences from 150,659 COVID-19 patients. Based on the previous phylogenomic analysis, we found three major branches of the virus RNA genomic mutation located in Asia, America, and Europe which is consistent with other studies. We selected sites with high mutation frequencies from Asia, America, and Europe. There are only 13 common mutation sites in these three regions. It infers that the viral mutations are highly dependent on their location and different locations have specific mutations. Most mutations can lead to amino acid substitutions, which occurred in 3/5’UTR, S/N/M protein, and ORF1ab/3a/8/10. Thus, the mutations may affect the pathogenesis of the virus. In addition, we applied an ARIMA model to predict the short-term frequency change of these top mutation sites during the spread of the disease. We tested a variety of settings of the ARIMA model to optimize the prediction effect of three patterns. This model can provide good help for predicting short-term mutation frequency changes.