Travma Sonrası Stres Bozukluğu ve Epigenetik Yaşlanma: Bir Uzunlamasına Meta-Analiz - Alişan Burak Yaşar (Psikiyatrist

TSSB ve Epigenetik Yaşlanma: Bir Uzunlamasına Meta-analiz (Pre-publication corresponding)

PTSD and Epigenetic Aging: A Longitudinal Meta-analysis Pre-publication Corresponding

Yazarlar: Xiang Zhao1, Seyma Katrinli2, Beth M McCormick3,4, Mark W Miller3,4, Nicole R Nugent5,6,7, Agaz H Wani8, Anthony S Zannas9,10,11,12, Allison E Aiello13, Dewleen G Baker14, Marco P Boks15, Chia-Yen Chen16, Catherine B Fortier17,18,19, Joel Gelernter20,21, Elbert Geuze22,23, Karestan C Koenen24,25,26, Sarah D Linnstaedt12,27, Jurjen J Luykx28,29,30, Adam X Maihofer14,31,32, Samuel A McLean11,12, William P Milberg17,18,19, Andrew Ratanatharathorn25,33, Kerry J Ressler17,34,35, Victoria B Risbrough14,31,32, Bart P F Rutten24,36, Jordan W Smoller24,26,37, Murray B Stein14,38,39, Robert J Ursano40, Eric Vermetten41,42, Christiaan H Vinkers28,43,44, Erin B Ware45, Derek E Wildman8, Ying Zhao12,27, PGC-PTSD Epigenetics Workgroup, Mark W Logue1,3,4,46, Caroline M Nievergelt14,31,32, Alicia K Smith2,34,47, Monica Uddin8, Erika J Wolf3,4

1Boston University School of Public Health, Department of Biostatistics, Boston, MA, US, 2Emory University, Department of Gynecology and Obstetrics, Atlanta, GA, US, 3Boston University Chobanian & Avedisian School of Medicine, Department of Psychiatry, Boston, MA, US, 4VA Boston Healthcare System, National Center for PTSD, Boston, MA, US, 5Alpert Brown Medical School, Department of Emergency Medicine, Providence, RI, US, 6Alpert Brown Medical School, Department of Pediatrics, Providence, RI, US, 7Alpert Brown Medical School, Department of Psychiatry and Human Behavior, Providence, RI, US, 8University of South Florida College of Public Health, Genomics Program, Tampa, FL, US, 9University of North Carolina at Chapel Hill, Carolina Stress Initiative, Chapel Hill, NC, US, 10University of North Carolina at Chapel Hill, Department of Genetics, Chapel Hill, NC, US, 11University of North Carolina at Chapel Hill, Department of Psychiatry, Chapel Hill, NC, US, 12University of North Carolina at Chapel Hill, Institute for Trauma Recovery, Chapel Hill, NC, US, 13Columbia University, Robert N Butler Columbia Aging Center, Department of Epidemiology, New York, NY, US, 14University of California San Diego, Department of Psychiatry, La Jolla, CA, US, 15Brain Center University Medical Center Utrecht, Department of Psychiatry, Utrecht, UT, NL, 16Biogen Inc., Translational Sciences, Cambridge, MA, US, 17Harvard Medical School, Department of Psychiatry, Boston, MA, US, 18VA Boston Healthcare System, Geriatric Research, Education and Clinical Center (GRECC), Boston, MA, US, 19VA Boston Healthcare System, Translational Research Center for Traumatic Brain Injury and Stress Disorders (TRACTS), Boston, MA, US, 20VA Connecticut Healthcare Center, Psychiatry Service, West Haven, CT, US, 21Yale University School of Medicine, Department of Genetics and Neuroscience, New Haven, CT, US, 22Netherlands Ministry of Defence, Brain Research and Innovation Centre, Utrecht, UT, NL, 23UMC Utrecht Brain Center Rudolf Magnus, Department of Psychiatry, Utrecht, UT, NL, 24Broad Institute of MIT and Harvard, Stanley Center for Psychiatric Research, Cambridge, MA, US, 25Harvard T.H. Chan School of Public Health, Department of Epidemiology, Boston, MA, US, 26Massachusetts General Hospital, Psychiatric and Neurodevelopmental Genetics Unit (PNGU), Boston, MA, US, 27University of North Carolina at Chapel Hill, Department of Anesthesiology, Chapel Hill, NC, US, 28Amsterdam University Medical Center, Amsterdam Neuroscience Research Institute, Mood, Anxiety, Psychosis, Stress & Sleep Program, Amsterdam, NH, NL, 29Amsterdam University Medical Center, Amsterdam Public Health Research Institute, Mental Health Program, Amsterdam, NH, NL, 30Amsterdam University Medical Center, Department of Psychiatry, Amsterdam, NH, NL, 31Veterans Affairs San Diego Healthcare System, Center of Excellence for Stress and Mental Health, San Diego, CA, US, 32Veterans Affairs San Diego Healthcare System, Research Service, San Diego, CA, US, 33Columbia University Mailman School of Public Health, Department of Epidemiology, New York, NY, US, 34Emory University, Department of Psychiatry and Behavioral Sciences, Atlanta, GA, US, 35McLean Hospital, Division of Depression and Anxiety, Belmont, MA, US, 36Maastricht Universitair Medisch Centrum, School for Mental Health and Neuroscience, Department of Psychiatry and Neuropsychology, Maastricht, Limburg, NL, 37Massachusetts General Hospital, Department of Psychiatry, Boston, MA, US, 38University of California San Diego, School of Public Health, La Jolla, CA, US, 39Veterans Affairs San Diego Healthcare System, Psychiatry Service, San Diego, CA, US, 40Uniformed Services University of Health Sciences, Center for the Study of Traumatic Stress, Department of Psychiatry, Bethesda, Maryland, US, 41Leiden University Medical Center, Department of Psychiatry, Leiden, ZH, NL, 42New York University School of Medicine, Department of Psychiatry, New York, NY, US, 43Amsterdam UMC location Vrije Universiteit Amsterdam, Department of Anatomy and Neurosciences, Amsterdam, NH, NL, 44Amsterdam UMC location Vrije Universiteit Amsterdam, Department of Psychiatry, Amsterdam, Holland, NL, 45University of Michigan, Survey Research Center, Ann Arbor, MI, US, 46Boston University Chobanian & Avedisian School of Medicine, Department of Biomedical Genetics, Boston, MA, US, 47Emory University, Department of Human Genetics, Atlanta, GA, US

Çeviren: Uzm.Psk. Gizem Pozam

Travma Sonrası Stres Bozukluğu ve Epigenetik Yaşlanma: Bir Uzunlamasına Meta-Analiz

Giriş

DNA metilasyonu (DNAm) kaynaklı epigenom-geniş puanlar, biyolojik yaş ve ölümün önde gelen biyomarkerleri olarak ortaya çıkmıştır (örneğin, Horvath, 2013; Lu ve ark., 2019) ve “DNAm yaşı” olarak adlandırılmaktadır. DNAm yaşı tahminleri, bazı bireylerde kronolojik yaştan daha ileri bir DNAm yaşı olduğunu göstererek kronolojik yaştan farklı olabilir. Gelişmiş DNAm yaşı, metabolik sendrom, iltihaplanma, nöropatoloji ve mortalite dahil olmak üzere yaşa bağlı hastalıklar ve olumsuz sağlık sonuçlarıyla ilişkilendirilmiştir (Chen ve ark., 2016; Christiansen ve ark., 2016; Gassen, Chrousos, Binder, & Zannas, 2017; Hillary ve ark., 2021; Levine ve ark., 2015; Marioni ve ark., 2016, 2015; Meier, Mitchell, Karadimas, & Faul, 2023; Miller & Sadeh, 2014; Reed, Carroll, Marsland, & Manuck, 2022), bu da DNAm yaşının biyolojik yaşlanmanın bir biyomarkerı olarak uygulamalı önemini ve yaşa bağlı hastalıkların erken başlangıcı riski taşıyan bireyleri tanımlamadaki potansiyelini vurgulamaktadır.

Bugüne kadar en çok dikkat çeken iki DNAm yaşı algoritması, Horvath (Horvath, 2013) biyolojik yaş işareti ve Lu ve ark. (Lu ve ark., 2019) ölüm zamanına kadar olan indeks, “GrimAge” olarak adlandırılmaktadır. Her iki algoritma da, epigenomdan bir dizi CpG bölgesi seçmek için makine öğrenimi yaklaşımlarıyla eğitilmiştir. Seçilen CpG bölgelerinin regresyon katsayıları, yeni veri setlerinde ilgili DNAm yaşı tahminlerini hesaplamak için ağırlıklar olarak kullanılmaktadır. Yaşla ayarlanmış DNAm yaşı genellikle, DNAm yaşını kronolojik yaşa karşı regresyon yaparak elde edilen kalıntılar olarak tanımlanır; negatif değerler epigenetik yaşın yavaşladığını, pozitif değerler ise kronolojik yaşa göre gelişmiş epigenetik yaşın olduğunu gösterir.

Birçok çalışma, kan örneklerinde gelişmiş DNAm yaşı ile ilişkili psikiyatrik tanıları ve semptomları kesitsel yöntemler kullanarak incelemiştir; depresyon (Liu ve ark., 2022) ve alkol kullanımı bozuklukları (Rosen ve ark., 2018) ile ilgili çalışmalar bunlara örnektir. Travma sonrası stres bozukluğu (TSSB), bu bağlamda özel bir ilgi görmüş olup, çok sayıda bireysel çalışma (Jovanovic ve ark., 2017; Katrinli ve ark., 2020; Roberts ve ark., 2017; Wolf ve ark., 2016; Wolf, Logue ve ark., 2018) ve bir meta-analiz (Wolf, Maniates ve ark., 2018), TSSB ile gelişmiş DNAm yaşı arasında kesitsel ilişkiler bulmuşlardır. Özellikle, 9 kohorttan elde edilen kesitsel verilerden (bunların 5’i bu analizlere uzunlamasına veri sunmuştur) oluşan ve Psikiyatrik Genomik Konsorsiyumu’na katkıda bulunan bir meta-analizde, önceki çalışmalarımızda yaşam boyu TSSB şiddeti, ancak TSSB tanısı, ve çocukluk travması maruziyeti (çalışmalar arasında tutarlı bir travma ölçütü kullanılarak ölçülmüşse) ile artmış epigenetik yaş arasında ilişki bulundu (Wolf, Maniates ve ark., 2018). Bu, yaşam boyu TSSB semptom şiddetinin birikimli yükünün, özellikle fizyolojik reaksiyonlar, kötü uyku, öfke ve uyarılma gibi kronik etkilerinin, hızlanmış yaşlanma riski ile ilgili olarak daha fazla anlam taşıdığı hipoteziyle tutarlıdır. Bazı çalışmalar ayrıca TSSB ile ilişkili gelişmiş DNAm yaşını, iltihaplanma, metabolik patoloji ve nöropatolojinin biyomarkerleriyle ilişkilendirmiştir (Morrison ve ark., 2019; Wolf ve ark., 2023), bu da TSSB’si olan bireylerin bu durumların erken başlangıcı için daha yüksek risk altında olabileceğini göstermektedir. Ancak, kesitsel tasarımlar, TSSB ile gelişmiş DNAm yaşı arasındaki ilişkilerin yönselliği ya da zaman içinde gelişmiş epigenetik yaş tahminlerinin geçici istikrarı ile ilgili soruları ele alamaz ve TSSB ile ilişkili epigenetik yaş değişikliklerinin nasıl biriktiğini ve uzun vadeli sağlık sonuçlarına nasıl katkıda bulunduğunu izleyemez. Bu nedenle, epigenetik yaşlanma ile TSSB arasındaki uzunlamasına ilişkiyi incelemek, travma ile ilişkili bozuklukların zaman içinde erken yaşlanmaya ve uzun vadeli sağlık gerilemesine nasıl katkıda bulunduğunu anlamak için kritik öneme sahiptir, ayrıca bu sağlık koşullarının erken başlangıcına katkıda bulunan patofizyolojiye uygun hedeflenmiş müdahalelerin geliştirilmesi için de gereklidir.

Bugüne kadar yalnızca birkaç çalışma, TSSB ile gelişmiş DNAm yaşı arasındaki ilişkiyi uzunlamasına olarak incelemiş olup, zaman içinde DNAm yaşı tahminlerinde değişimi modelleme yaklaşımı, çalışmalar arasında değişiklik göstermiş ve sonuçlar da farklılık göstermiştir. Savaş bölgesine konuşlandırılmadan önce ve konuşlandırmadan 6 ay sonra değerlendirilen 96 erkek Hollandalı askerden oluşan bir uzunlamasına kohortta, müdahale eden savaş travmasının zaman içinde Ham (yani, kronolojik yaşı hesaba katmayan) Horvath DNAm yaşı tahminlerinde bir artışla ilişkili olduğu bulunmuştur (Boks ve ark., 2015). Ancak, konuşlandırma sonrası artan TSSB semptomları, zaman dilimleri arasındaki Ham DNAm yaşı değişimi ile negatif ilişkilendirilmiştir (Boks ve ark., 2015), bu da travma maruziyeti ile TSSB’nin potansiyel farklı etkilerini düşündürmektedir.

Alternatif bir analitik tasarım kullanan 40 paramedikal öğrenci üzerinde yapılan bir çalışmada, iş ile ilgili travma maruziyeti öncesi ve sonrasında yapılan değerlendirmelerde, başlangıçtaki Horvath DNAm yaşı kalıntılarının takipteki (travma maruziyetinden yaklaşık 1-2 ay sonra) TSSB şiddeti ile pozitif ilişkilendirildiği bulunmuştur (Mehta ve ark., 2022). Ancak, tüm katılımcılar başlangıçta travma geçmişi bildirdiğinden, başlangıçtaki DNAm yaşının bu durumdan ve/veya önceden var olan psikiyatrik semptomlarla ilişkili olarak gelişmiş olabileceği ihtimali ortaya çıkmaktadır. Bu ihtimale paralel olarak, aynı çalışma, başlangıçtaki TSSB şiddetinin, takipte daha büyük Horvath ve GrimAge DNAm yaşı kalıntıları ile ilişkili olduğunu bulmuştur (Mehta ve ark., 2022). En kritik olarak, analizler başlangıçtaki DNAm yaşı hızlanmasını dikkate almamış, bu da DNAm yaşının başlangıçtan takibe kadar ne kadar değiştiğini gizlemiştir. Diğer bir çalışma (Yang ve ark., 2021), travmaya maruz kalmış erkek askeri gazilerde, GrimAge kalıntıları ile TSSB semptom şiddeti arasındaki ilişkili değişim puanları kullanarak DNAm yaşı tahminlerindeki değişimi modellemiştir. Başlangıçta TSSB’si olanlar arasında, üç yıl boyunca TSSB şiddetindeki değişiklik, GrimAge kalıntılarındaki değişiklikle pozitif bir şekilde ilişkilendirilmiştir, ancak bu yalnızca 26 katılımcı üzerinden yapılmıştır. Küçük örneklem büyüklüğü (ve buna bağlı olarak istatistiksel güç ve temsil edilebilirlik sınırlamaları), bugüne kadar yapılan tüm uzunlamasına TSSB ve epigenetik yaşlanma çalışmalarında geçerli endişelerdir.

Diğer çalışmalar, değerlendirmeler arasındaki zaman ile DNAm yaşı ve değişim arasındaki ilişkileri modelleme zorluklarına, ham DNAm yaşı tahminlerindeki değişim hızını değerlendiren çalışmalarla çözüm bulmaya çalışmıştır. Bir çalışma (Sumner ve ark., 2023), 2 yıl boyunca 171 çocuk ve ergeni takip etmiş ve DNAm yaşındaki değişim hızının, daha fazla olumsuz stresli yaşam olayı yaşayanlar arasında daha büyük (daha pozitif) olduğunu bulmuştur. Kronik TSSB’si olan askerler arasında değişim hızını inceleyen iki başka çalışma, başlangıçtaki TSSB semptom şiddeti ve tanısının sırasıyla yaklaşık 2 (Wolf ve ark., 2019) ve 5.5 (Hawn ve ark., 2023) yıl boyunca Horvath DNAm yaşının hızlanmasına yol açtığını öngörmüştür. Bu çalışmalar, örneklem büyüklükleri 26 ile 179 arasında değişen çalışmalar, DNAm yaşındaki zamanla değişimi modellemenin zorluklarını vurgulamaktadır ve yeni başlayan TSSB tanıları ile kronik semptomların, zaman içinde DNAm yaşı değişiklikleriyle nasıl ilişkili olduğu sorularını en iyi şekilde ele almak için farklı analitik stratejilerin gerekli olabileceğini gündeme getirmektedir.

1.1 Amaçlar ve Hipotezler
Bu çalışma, TSSB’nin sağlıkla ilişkili değişimleri, epigenetik yaşlanmadaki zaman içindeki değişiklikler açısından incelemeyi amaçlamıştır. Psikiyatrik Genomik Konsorsiyumu’na (PGC) katkıda bulunan yedi kohorttan uzunlamasına verilerin meta-analizini kullanarak, TSSB ve epigenetik yaşlanmadaki gelecekteki değişiklikler arasındaki ilişkiyi inceledik (Ratanatharathorn ve ark., 2017). Bu veri setlerinin çeşitli metodolojik yapıları, TSSB ile epigenetik yaş arasındaki ilişki hakkında birden fazla soru sormamıza olanak tanımıştır. Özellikle, birinci amacımız, iki zaman noktası arasında yeni başlangıçlı TSSB gelişiminin, Zaman 1 (T1) ve Zaman 2 (T2) DNAm yaşı kalıntıları arasındaki ilişkiyi değiştirip değiştirmediğini değerlendirmekti. DNAm yaşı kalıntıları arasındaki ilişkinin, takipte yeni başlangıçlı TSSB’si olanlar arasında daha pozitif olmasını bekledik. İkinci amacımız, iki zaman noktasındaki DNAm yaşı kalıntıları arasındaki ilişkinin, TSSB semptom şiddetindeki değişimle (T2 – T1) bir fonksiyon olarak değişip değişmediğini incelemekti. Ayrıca, TSSB semptom şiddetindeki değişim arttıkça, iki zaman noktasındaki DNAm yaşı kalıntıları arasındaki ilişkinin daha güçlü olacağını da hipotez ettik. Her iki hipotez, T2’deki DNAm yaşı kalıntıları ile T1 DNAm yaşı kalıntıları ve yeni başlangıçlı TSSB ve T1 DNAm yaşı kalıntıları ile TSSB semptom şiddetindeki değişim etkileşim terimleri arasındaki ilişkiyi modelleyerek test edilmiştir; bu ilişkiler, ana etkiler ve diğer kovaryatlar için ayar yapılarak değerlendirilmiştir. Bu amaçlar, her birinin iki kez DNAm için değerlendirildiği toplam 1.367 birey üzerinde yapılmıştır. Kohortlar, sivil ve askeri örneklemleri kapsamakta olup, pre/post askeri konuşlandırma veya pre/post travma maruziyeti odaklı araştırma yöntemleri ve kronik TSSB semptomlarına odaklanan araştırmalar içermektedir. İlk tasarım, zaman içinde yeni başlangıçlı TSSB tanılarının incelenmesine olanak tanırken, ikinci tasarım, TSSB semptom şiddetindeki değişimle epigenetik yaş kalıntılarındaki değişim arasındaki ilişkiyi incelememize olanak tanımıştır. Katkıda bulunan veri setlerinin yapısı nedeniyle, epigenetik yaşlanma hızındaki zaman içindeki değişimi inceleyemedik (örneğin, Wolf ve ark., 2019), çünkü bu veri setlerinde çoğunlukla pre/post travma maruziyeti ile tanımlanan birçok kohort bulunmaktaydı.

Analizler, sırasıyla biyolojik yaşın ve ölüme kadar geçen zamanın en yaygın kullanılan ve en sağlam ölçütleri olarak kabul edilen Horvath yaşı (Horvath, 2013) ve GrimAge’i (Lu ve ark., 2019) odak almıştır (bazen birinci ve ikinci nesil saatler olarak adlandırılır). Ayrıca, bunlar daha önce TSSB ile ilişkilendirilmiş tek DNAm yaşı indeksleridir ve küçük uzunlamasına çalışmalarda kullanılmıştır (Boks ve ark., 2015; Hawn ve ark., 2023; Mehta ve ark., 2022; Sumner ve ark., 2023; Wolf ve ark., 2023; Yang ve ark., 2021). Ayrıca, test sayısını sınırlayarak çoklu test düzeltmelerinin yükünü azaltmayı amaçladık ve bu nedenle analizleri, TSSB ile uzunlamasına ilişkilerde önceki kanıtları olan en güçlü epigenetik yaş ölçütleriyle sınırlamayı tercih ettik.

Yöntemler ve Materyaller
2.1 Katılımcı Çalışmalar
Meta-analize yedi katılımcı kohort dahil edilmiştir. Her bir çalışmadaki değerlendirmeler arasındaki ortalama süre, 5.7 aydan 5.6 yıla kadar değişmiştir. Kohortlar şunlardır: 1) Travma Maruziyeti Olan Gaziler Üzerine Longitudinal Ulusal PTSD Merkezi (NCPTSD) Kohortu (Wolf ve ark., 2023), kronik TSSB’si olan birçoğu dahil olmak üzere, travma maruziyeti olan gazileri içeren ve ortalama 5.6 yıl arayla iki kez değerlendirilen bir çalışma; 2) Travma Beyin Hasarı (TBI) ve Stres Bozuklukları İçin Çevirisel Araştırma Merkezi (TRACTS) Kohortu (McGlinchey, Milberg, Fonda, & Fortier, 2017), post-9/11 gazilerinden oluşan ve ortalama 1.9 yıl arayla iki kez değerlendirilen bir çalışma; 3) Askeri Hizmet Üyelerinde Risk ve Dayanıklılığı Değerlendirme Çalışması (Army STARRS) (Ursano ve ark., 2014), Afganistan’a konuşlandırılmadan önce ve sonra değerlendirilen askeri hizmet üyelerini içeren ve ortalama 9.6 ay süren bir çalışma; 4) Deniz Piyadeleri Dayanıklılık Çalışması (MRS) Kohortu (Baker ve ark., 2012; Nievergelt ve ark., 2015), Irak veya Afganistan’a konuşlandırılmadan önce ve sonra değerlendirilen erkek ABD Deniz Piyadelerinden oluşan ve ortalama 12.4 ay süren bir çalışma; 5) Stresle İlişkili Askeri Operasyonlar Üzerine Prospektif Araştırma (PRISMO) Kohortu (Eekhout, Reijnen, Vermetten, & Geuze, 2016; Reijnen, Rademaker, Vermetten, & Geuze, 2015), Afganistan’a konuşlandırılmadan önce ve sonra değerlendirilen Hollandalı askerlerden oluşan ve ortalama 14.4 ay süren bir çalışma; 6) Detroit Mahalle Sağlık Çalışması (DNHS) Kohortu (Goldmann ve ark., 2011; Uddin ve ark., 2010), travma maruziyeti olan Detroit sakinlerinden (bazıları kronik psikiyatrik semptomlar ile) oluşan ve ortalama 16.3 ay arayla iki kez değerlendirilen bir çalışma; 7) Travma Sonrası İyileşmeyi Anlama Çalışması (AURORA) (McLean ve ark., 2020), travma maruziyeti sonrası acil serviste değerlendirilen ve acil servis tedavisinden ortalama 5.7 ay sonra yeniden değerlendirilen bireyleri içeren bir çalışma. Tablo 1, her bir kohortun demografik ve klinik özelliklerini listelemektedir. Her bir çalışma sitesi, yerel IRB onayı almış ve tüm katılımcılar yazılı onam sağlamıştır. VA Boston Sağlık Sistemi IRB’si, özetlenen verilerin meta-analizlerine onay vermiştir. Verilere erişim sağlamak isteyen bireyler, veri kullanılabilirliğini belirlemek için her bir kohortun ana araştırmacısı ile iletişime geçmelidir.

2.2 DNA ve DNAm İşlemleri
DNA, periferik kan örneklerinden alınan buffy coat’tan ekstrakte edilmiştir. DNAm, iki zaman noktasında Illumina Infinium EPIC BeadChip kullanılarak ölçülmüştür. DNAm verileri, PGC PTSD Epigenetik Çalışma Grubu tarafından geliştirilen bir kalite kontrol (QC) pipeline’ı izlenerek işlenmiştir (Ratanatharathorn ve ark., 2017; ve güncellenmiş versiyonu için https://github.com/PGC-PTSD-EWAS/EPIC_QC). QC prosedürlerinin detayları, Ek Materyallerde yer almaktadır. DNAm, hücre tipine özgüdür ve bu nedenle DNAm seviyeleri, DNA’nın ekstrakte edildiği hücre tiplerinin bileşimine bağlı olarak değişebilir. Bu nedenle, analizlerde beyaz kan hücre tiplerinin orantısal tahminlerini kovaryant olarak dahil etmek önemlidir (DNA metilasyonu analizlerinde standart bir uygulama olarak). Altı hücre tipinin oranları (B hücreleri, CD4+T hücreleri, CD8+T hücreleri, doğal öldürücü hücreler, monositler ve nötrofiller), Bioconductor paketi EpiDISH’de (Teschendorff, Breeze, Zheng, & Beck, 2017) sıralanmış hücrelerle hizalanmış CpG bölgeleri referans kütüphanesi kullanılarak doğrudan DNAm verilerinden tahmin edilmiştir. Bunlardan B hücreleri, CD4+T hücreleri, CD8+T hücreleri, doğal öldürücü hücreler ve monositler, analizde kovaryant olarak dahil edilmiştir (nötrofiller, tahminlerin orantısal doğası nedeniyle, modelde dahil edilen diğer tüm hücre tipleri ile birlikte kolineer oldukları için dışlanmıştır). Kan bazlı metilasyon, sigara içme alışkanlıklarından güçlü bir şekilde etkilenmektedir, bu nedenle 39 sigara içmeyle ilişkili CpG’ye dayalı bir DNAm sigara içme skoru hesaplanmıştır (Li ve ark., 2018; Ek Materyal). Çalışmamızın odak noktası olan epigenetik yaş hızlanması T2’de olduğu için, T2’deki DNAm sigara içme skoru, PTSD ile birlikte görülebilen sigara içmenin etkilerinin bulgularımızı etkileyip etkilemediğini belirlemek amacıyla duyarlılık analizinde ek bir kovaryant olarak dahil edilmiştir.

Genotipleme, çeşitli diziler üzerinde gerçekleştirilmiştir. Genotip veri temizliği, her bir çalışma için orijinal yayınlarda daha önce açıklanan prosedürlere göre her bir sitede tamamlanmıştır (Tablo 1). Köken, genotip verilerine (mevcut olduğunda) dayanarak PGC PTSD tarafından geliştirilen pipeline kullanılarak belirlenmiştir (Nievergelt ve ark., 2019). Köken tabanlı birincil bileşenler (PC), %0.05’ten büyük minor alel frekansına (MAF) sahip 100.000 rastgele seçilen yaygın tek nükleotid polimorfizmasından (SNP’ler) hesaplanmıştır. Genotip verileri mevcut olmadığında (örneğin, DNHS), kökeni belirlemek için SNP’lerin 1 baz çift mesafesindeki metilasyon probeleri, genotip tabanlı PC’ler için proxy olarak kullanılmak üzere bir dizi DNAm tabanlı köken PC’si üretmek için kullanılmıştır (Barfield ve ark., 2014). Önceki meta-analiz çalışmamızdan da belirtildiği gibi, DNAm kaynaklı PC’ler genotip tabanlı PC’lerle anlamlı şekilde ilişkilidir (Ratanatharathorn ve ark., 2017; Wolf, Maniates, ve ark., 2018). Ya genotip tabanlı ilk üç PC (1-3) ya da, genotip tabanlı PC’ler mevcut değilse, DNAm tabanlı PC’ler (2-4) analizlerde kovaryant olarak kullanılmıştır, böylece köken dikkate alınmıştır.

2.3 Ölçümler
2.3.1 TSSB Ölçümleri
Mevcut TSSB tanısı ve semptom şiddeti, Tablo 1’de listelenen çeşitli ölçümlerle değerlendirilmiştir. Önceki bir PGC yayınını takip ederek (Sumner ve ark., 2021), bu farklı ölçümler arasındaki TSSB semptom şiddetini, ham mevcut TSSB şiddet puanını 0 ile 1 arasına ölçeklendirerek uyumlu hale getirdik; bu, her bir ölçümde mümkün olan maksimum puanın yüzdesi olarak puanı temsil etmektedir (yani, 1, bireyin tüm semptomları en şiddetli düzeyde yaşadığını, 0 ise bireyin hiç semptomu olmadığını gösterir). Bu çalışmada, hem yeni başlangıçlı TSSB tanısını (örneğin, T1’de TSSB’si olmayan ve T2’de TSSB pozitif olanlar ile hem T1 hem de T2’de TSSB’si olmayanlar arasındaki fark) hem de TSSB semptom şiddetindeki değişimi (T2 – T1) uyumlu TSSB puanını kullanarak inceledik. Yeni başlangıçlı TSSB tanısı analizlerinde, yalnızca T1’de TSSB’si negatif olan bireyler dahil edilmiştir; bu durum, kronik TSSB’si olan katılımcıları içeren bazı çalışmalarda örneklem büyüklüğünde azalmaya yol açmıştır (Tablo 1). TSSB şiddetindeki değişim analizlerinde ise, başlangıçtaki TSSB tanı durumu ne olursa olsun, tüm kohortlar arasındaki TSSB semptom şiddeti verisi olan tüm katılımcılar dahil edilmiştir.

2.3.2 DNAm Yaşı İndeksleri
Horvath DNAm yaşı ve GrimAge tahminleri, DNAm verileri Dr. Horvath’ın web sitesine (https://dnamage.genetics.ucla.edu/) yüklendiğinde veya metilasyon verilerinin yerel düzenlemelere göre yüklenmesine izin verilmediğinde, Dr. Horvath ve Dr. Lu tarafından sağlanan betikler çalıştırılarak hesaplanmıştır (Horvath, 2013; Lu ve ark., 2019). Horvath’ın algoritması, kendi normalizasyon ve imputasyon adımına sahip olduğundan, ham DNAm değerleri Horvath yaşı hesaplaması için giriş verisi olarak kullanılmıştır. Horvath yaşı oluşturmak için 353 probdan alınan değerler kullanılmıştır (Horvath, 2013). Ancak, 353 CpG’nin 17’si (yüzde 4.8) EPIC çipinde eksiktir (Dhingra ve ark., 2019). Her kohorttan bir miktar ek eksik prob da tespit edilmiştir ve bunlar Ek Materyallerde özetlenmiştir. GrimAge tahminleri, normalleştirilmiş ve imputasyon yapılmış DNAm verileri kullanılarak oluşturulmuştur. GrimAge hesaplaması için 30.084 prob giriş olarak kullanılmıştır (Lu ve ark., 2019). DNAm yaşı kalıntıları, DNAm yaşını kronolojik yaşa karşı regresyon yapan bir doğrusal modelden standartlaştırılmamış kalıntılar kaydedilerek hesaplanmıştır.

Hem Horvath yaşı hem de GrimAge kalıntıları, ham DNAm yaşını kronolojik yaşa karşı regresyon yapan bir doğrusal modelden standartlaştırılmamış kalıntılar kaydederek hesaplanmıştır. Bu işlem, her kohort için iki zaman noktasında ayrı ayrı yapılmıştır, böylece her kohorttaki yaş kalıntıları her zaman noktasında 0 ortalama değerine sahiptir. İlk yazar tarafından geliştirilen bir R betiği, yazarlarla test edilmiş ve ardından her katılımcı kohort sitesindeki veri analistine gönderilmiştir, böylece her kohortta aynı hesaplama ve analiz yaklaşımları uygulanmıştır. Her kohorttan alınan özet istatistikler, çalışmalar arasındaki sonuçları birleştirmek için meta-analiz edilmiştir.

Öncelikle, Horvath yaşı ve GrimAge’in, her bir zaman noktasındaki kronolojik yaş ile olan Pearson korelasyonlarını inceledik. Ardından, Horvath yaşı, GrimAge, Horvath yaşı kalıntıları ve GrimAge kalıntıları arasındaki zaman içindeki korelasyonları değerlendirdik. Hücre tipleri arasındaki zaman içindeki korelasyonlar ve iki DNAm yaşı kalıntısı ile hücre tipleri arasındaki korelasyonlar da değerlendirildi. Her gruptan toplanan korelasyon katsayıları, R’deki metacor (Laliberté E, 2022) paketi kullanılarak meta-analiz edildi.

İki ana regresyon analizi gerçekleştirdik. İlk analiz, yalnızca T2’de yeni başlangıçlı TSSB tanısının (T1’de ve T2’de TSSB negatif olanlarla karşılaştırıldığında) ve T1 DNAm yaşı kalıntıları ile etkileşiminin, T2 DNAm yaşı kalıntılarını nasıl öngördüğünü inceledi, T1 DNAm yaşı kalıntıları ve kovaryantlar ile düzeltildi. İkinci analiz, yeni başlangıçlı TSSB tanısını, zaman içinde TSSB semptom şiddetindeki değişim ile değiştirdi. Her iki analizde de, önce tüm prediktörlerin ana etkilerini yakalamak için etkileşim terimi olmadan bir regresyon modeli yaptık (rapor edilen tüm ana etki katsayıları bu ilk modelden alınmıştır) ve ardından etkileşim terimini modele ekledik. Etkileşim terimi, T1 DNAm yaşı kalıntıları ile T2 DNAm yaşı kalıntıları arasındaki ilişkinin, TSSB (tanı veya şiddetindeki) değişimle nasıl farklılaştığını inceledi. Pozitif bir etkileşim terimi, T2 DNAm yaşı kalıntılarının, yalnızca T1 DNAm yaşı kalıntılarından tahmin edilebilecek olandan daha ekstrem hale geldiğini gösterecektir, bu da TSSB durumundaki değişimlerin moderatör etkisiyle ilişkilidir. Bu daha ekstrem değişim, DNAm yaşı kalıntılarının her iki ucunda da meydana gelebilir. Özellikle, T2 yaş kalıntılarını tahmin eden ana doğrusal regresyon modellerinde modeldeki prediktörler şunlardı: T1’deki DNAm yaşı kalıntıları, T2’deki yeni başlangıçlı TSSB tanısı (veya ayrı olarak, TSSB semptom şiddetindeki değişim), T1 DNAm yaşı kalıntıları ile yeni başlangıçlı TSSB tanısı (veya TSSB şiddetindeki değişim) arasındaki etkileşim, ve şu kovaryantlar: cinsiyet (verilen bir örnekte cinsiyet değişkenliği yoksa hariç tutuldu), üç köken PC’si ve T2’deki beş hücre tipi oran tahmini. Anlamlı ilişkiler, T2’deki DNAm tabanlı sigara içme skorlarını ek bir kovaryant olarak içeren duyarlılık analizlerinde daha ayrıntılı incelendi. Takip eden modeller, çocukluk travması (T1’den önce) ile zaman içindeki epigenetik yaş değişimindeki ilişkiyi değerlendirdi (Ek Materyaller).

Regresyon modellerindeki her bir standartlaştırılmamış parametre tahmini (köken PC’leri hariç), R’deki metafor paketi kullanılarak ters varyans ağırlıklı rastgele etki modeliyle meta-analiz edildi (Viechtbauer, 2010). Her bir terim için sonuçlar, iki yaş algoritması üzerinden yanlış keşif oranı (FDR) düzeltmesi ile çoklu test için düzeltildi (Benjamini & Hochberg, 1995).

Sonuçlar
3.1 Kronolojik Yaş, DNAm Yaşı ve DNAm Yaşı Kalıntıları Arasındaki İlişkiler
Kronolojik yaş, her iki zaman noktasında da Horvath yaşı ve GrimAge ile güçlü bir şekilde korelasyon göstermiştir (meta rs = 0.86-0.89, meta ps < 0.001; Tablo S1). Bireysel kohort düzeyinde, ArmySTARRS ve MRS’de daha düşük korelasyonlar gözlemlenmiştir (Tablo S1), bu da bu kohortlardaki kronolojik yaşın daha küçük varyansından kaynaklanmış olabilir (Tablo 1). Ham Horvath yaşı ve GrimAge, her iki zaman noktasında da birbirleriyle güçlü bir şekilde ilişkilendirilmiştir (meta rs = 0.80 ve 0.78, sırasıyla T1 ve T2’de; Tablo S1). Ancak, Horvath yaşı ve GrimAge kalıntıları, her iki zaman noktasında da birbirleriyle zayıf bir şekilde korelasyon göstermiştir (her ikisi de meta rs = 0.09; Tablo S1). Meta-analiz, ham Horvath yaşı ve GrimAge tahminleri arasında T1 ve T2’de güçlü bir korelasyon olduğunu ortaya koymuştur (meta rs = 0.91 ve 0.96, meta ps <0.001; Tablo 2). Kalıntılar da zamanla tutarlıydı: T1 ve T2 Horvath DNAm yaşı kalıntıları meta-r = 0.65 ve GrimAge kalıntıları meta-r = 0.88 (Tablo 2).

3.2 Hücre Tipi Oranları ve Bunların DNAm Yaşı Kalıntıları ile İlişkileri
Tahmin edilen hücre tipi oranları, zaman içinde kendileriyle güçlü bir şekilde ilişkilidir. B hücrelerinin tahmin edilen oranı, zaman içindeki en güçlü korelasyonu göstermiştir (meta r = 0.75, meta p < 0.001), bunu sırasıyla CD8+T hücreleri (meta r = 0.71, meta p < 0.001), doğal öldürücü hücreler (meta r = 0.61, meta p < 0.001), CD4+T hücreleri (meta r = 0.61, meta p < 0.001) ve monositler (meta r = 0.55, meta p < 0.001; Tablo 2) izlemiştir. Ayrıca, hücre tipi tahminleri, her iki zaman noktasında da hem Horvath yaşı kalıntıları hem de GrimAge kalıntıları ile zayıf bir şekilde korelasyon göstermiştir, meta-korelasyonlar Horvath yaşı kalıntıları için -0.08 ile 0.11 arasında ve GrimAge kalıntıları için -0.21 ile 0.05 arasında değişmektedir (Tablo S2).

3.3 Yeni Başlangıçlı TSSB Tanısı ve Zaman İçindeki DNAm Yaşı Kalıntılarındaki Değişim
T1 DNAm yaşı kalıntıları, yeni başlangıçlı TSSB tanısı (T1 ile T2 arasında) ve bunların etkileşiminin, T2 DNAm yaşı kalıntılarını nasıl tahmin ettiğini inceledik (n = 745). Meta-analiz, T1 yaş kalıntılarının T2 yaş kalıntıları üzerindeki anlamlı etkisini ortaya koymuştur, hem Horvath algoritması için (meta b = 0.63, meta SE = 0.05, meta p = 3.63 × 10^-37) hem de GrimAge algoritması için (meta b = 0.85, meta SE = 0.02, meta p < 2.23 × 10^-308; Tablo 3). Yeni başlangıçlı TSSB tanısı, T2 Horvath yaş kalıntılarıyla (meta b = -0.26, meta SE = 0.24, meta p = 0.27) ya da T2 GrimAge kalıntılarıyla (meta b = 0.22, meta SE = 0.13, meta p = 0.10; Tablo 3) ilişkilendirilmemiştir. Meta-analiz ayrıca, T1 Horvath yaş kalıntıları ve yeni başlangıçlı TSSB tanısı etkileşim teriminin, her iki algoritma için çoklu test düzeltmesi sonrası T2 Horvath yaş kalıntıları ile anlamlı bir şekilde ilişkili olduğunu göstermiştir (meta b = 0.16, meta SE = 0.07, meta p = 0.02, p-adj = 0.03, I2 = 0; Tablo 3 ve Şekil 1). Bu, iki zaman noktası arasındaki Horvath yaş kalıntıları arasındaki pozitif ilişkinin, yeni başlangıçlı TSSB tanısı olanlar arasında daha güçlü olduğunu göstermektedir. Sigara içme skoruna ek olarak düzeltme yapıldığında, etkileşim etkisi hala anlamlı kalmış (meta b = 0.17, meta SE = 0.07, meta p = 0.02) ve sigara içme skoru, T2 Horvath yaş kalıntıları ile ilişkilendirilmemiştir (meta p = 0.11). Bu ilişki, GrimAge algoritması için anlamlı değildi (meta p = 0.99; Tablo 3). Etkileşim terimi ile T2 Horvath DNAm yaşı kalıntıları arasındaki ilişki, yeni başlangıçlı TSSB vakaları ile TSSB gelişmeyenler arasındaki başlangıçtaki Horvath yaş kalıntılarındaki farklardan kaynaklanmamaktadır (meta p = 0.16; Tablo S3). Bu, T2’de TSSB gelişenlerin yalnızca başlangıçta daha yüksek DNAm yaş kalıntılarına sahip olmadıklarını ima etmektedir. Her bir bireysel kohort için tam sonuçlar Tablo S4 ve S5’te bulunabilir. Takip analizleri, çocukluk travmasının T2 DNAm yaş kalıntılarıyla ilişkili olmadığını ortaya koymuştur (Ek Materyaller).

3.4 TSSB Semptom Şiddetindeki Değişim ve Horvath DNAm Yaşı Kalıntılarındaki Değişim Zaman İçinde
Sonraki adımda, Horvath DNAm yaşı kalıntılarının zaman içindeki ilişkisinin, TSSB semptom şiddetindeki değişim tarafından modere edilip edilmediğini inceledik (n = 1191), bu yeni başlangıçlı TSSB tanısı analizinin bir takibi olarak. Başlangıçtaki Horvath yaş kalıntıları ve TSSB semptom şiddetindeki değişimin zaman içinde, T2 Horvath yaş kalıntılarını tahmin eden bir prediktör olarak ana ve etkileşim etkilerini dahil ettik (kovaryantlar ile birlikte). T1 ve T2 Horvath yaş kalıntıları arasındaki ilişki anlamlıydı (meta b = 0.63, meta SE = 0.05, meta p = 6.42 × 10^-31), ancak TSSB semptom şiddetindeki değişiklik skoru, T2 Horvath yaş kalıntıları ile ilişkilendirilmemiştir (meta b = 0.47, meta SE = 0.63, meta p = 0.46). T1 Horvath yaş kalıntıları ile TSSB semptom şiddetindeki değişim arasındaki etkileşim, T2 Horvath DNAm yaşı kalıntıları ile anlamlı bir şekilde ilişkilidir (meta b = 0.24, meta SE = 0.12, meta p = 0.05, I2 = 0; Tablo 4 ve Şekil 2). Zaman içindeki DNAm yaşı kalıntıları arasındaki ilişki, T1’den T2’ye kadar TSSB semptom şiddetinde en büyük artışı yaşayanlar arasında daha güçlü (daha dik bir eğilim) hale gelmiştir. Etkileşim etkisi, sigara içme skoru için ek düzeltme yapıldığında da anlamlı kalmıştır (meta b = 0.25, meta SE = 0.12, meta p = 0.04), ancak sigara içme skoru, T2 Horvath yaş kalıntıları ile ilişkilendirilmemiştir (meta p = 0.28). Etkileşim terimi ile T2 Horvath yaş kalıntıları arasındaki ilişki, TSSB semptom şiddetindeki değişime bağlı olarak T1 Horvath yaş kalıntılarındaki başlangıç farklarıyla açıklanmamaktadır (meta p = 0.41; Tablo S3). Her bir bireysel çalışmaya ait tam sonuçlar Tablo S6’da listelenmiştir. GrimAge kalıntıları ile yeni başlangıçlı TSSB tanısı arasında anlamlı bir etkileşim bulamamış olmamıza rağmen, tamamlayıcı olarak GrimAge kalıntıları için TSSB şiddetindeki değişim analizini gerçekleştirdik ve (null) sonucu Ek Materyallerde raporluyoruz.

Tartışma
Bu çalışmanın ana hedefleri, ilk olarak, iki ölçüm arasında yeni başlangıçlı TSSB geliştiren bireylerin, TSSB için kriterlere uymadıkları bir zamandaki epigenetik yaşlanmalarına dayalı olarak beklenenden daha fazla epigenetik yaşlanma gösterip göstermediğini test etmekti. İkinci hedef ise, TSSB semptom şiddetindeki değişimlerin, TSSB olan ve olmayan bireyler arasında iki zaman noktası arasındaki epigenetik yaşlanma ilişkisinin gücünü modere edip etmediğini incelemekti. Yeni başlangıçlı TSSB’ye sahip bireylerin ve zaman içinde TSSB semptom şiddetinde artış gösterenlerin, takipteki DNAm yaş kalıntılarının, başlangıçtaki DNAm yaş kalıntıları ile karşılaştırıldığında daha yüksek olmasını bekledik. Bu soruyu 7 kohortun meta-analizi ile değerlendirdik. Her bir yıllık gelişmiş Horvath DNAm yaşı için, yeni başlangıçlı TSSB vakalarının, T2’de TSSB gelişmeyen uzunlamasına kontrollerle karşılaştırıldığında Horvath algoritmasına göre 0.16 yıl daha fazla epigenetik yaşlanma gösterdiğini bulduk. Başka bir deyişle, yeni başlangıçlı TSSB’si olanlar, zaman aralığı boyunca ekstra 1.9 ay daha hızlı yaşlandı, bu süre ortalama olarak yaklaşık 18.9 aydı. Ayrıca, semptom şiddetinde maksimum olası değişikliği yaşayan bir birey (hiç semptomu olmaktan tüm TSSB semptomlarını en şiddetli düzeyde yaşama durumuna kadar) T2’de 0.24 yıl daha fazla Horvath yaşı hızlanması yaşayacak, bu da semptom şiddeti skoru değişmeyen bir bireyle karşılaştırıldığında ekstra 2.9 ay daha hızlı yaşlanmaları anlamına gelmektedir; bu süre, semptom şiddeti analizleri için ortalama olarak yaklaşık 21.3 ay idi.

Bulduğumuz sonuçları daha iyi yorumlayabilmek için, ayrıca, kohortlar arasındaki uyumlu TSSB semptom şiddeti skorlarındaki değişimin havuzlanmış standart sapmasını (SDpooled = 0.23) tahmin ettik. Bu, etkileşim teriminin şu şekilde yorumlanmasına olanak tanımaktadır: Her bir yıllık Horvath yaş kalıntıları artışı için, T2’de TSSB semptom şiddetinde havuzlanmış bir SD (%23) artışı yaşayan bir birey, semptom şiddeti değişmeyen bir bireyle karşılaştırıldığında ortalama 21.3 aylık süre boyunca ekstra 0.68 ay Horvath yaşı hızlanması yaşayacaktır. Gözlemlenen etki büyüklüklerinin nispeten küçük olmasına rağmen, PTSD’nin epigenetik yaşlanma üzerindeki birikimli etkisi, bu meta-analizde erken 30’larındaki genç gaziler de dahil olmak üzere büyük bir örneklem kullanıldığı göz önüne alındığında, yaşam boyu önemli bir hale gelebilir (örneğin, ArmySTARRS, MRS ve TRACTS kohortları).

Bu sonuçlar, yaş hızlanmasının, yeni başlangıçlı TSSB ve artan semptom şiddeti olan bireyler arasında arttığını belirttiğimiz hipotezlerimizle tutarlıdır. Önceki çalışmalarda, yeni başlangıçlı TSSB (veya semptom şiddetindeki değişim) ile başlangıçtaki yaş hızlanması arasındaki etkileşimler incelenmemiştir, ancak bu verilerin yapısı, travma maruziyeti öncesi ve sonrası tanımlanan çok sayıda kohortla, yeni başlangıçlı tanıların gelişmiş DNAm yaşı ölçütlerindeki değişiklikleri nasıl etkileyeceğine dair sorular sormayı kritik hale getirmiştir. Bu kohortlarda, başlangıçtaki TSSB tanılarını, DNAm yaşı kalıntılarındaki değişikliği (veya her yıl müdahale edilen DNAm yaş değişim hızını) tahmin etmek mümkün olmazdı çünkü çoğu birey, travma öncesi dönemde TSSB için negatifti.

Önceki çalışmalar, TSSB semptom değişikliğinin, Horvath DNAm yaşı ve aynı zamanda Horvath DNAm yaşı hesaplamasına katkıda bulunan DNAm lokuslarındaki değişikliklerle ilişkili olduğunu ve bu değişikliklerin bu çalışmada gözlemlenen Horvath DNAm yaşı değişiklikleriyle kısmen ilişkili olabileceğini bulmuştur. Özellikle, Katrinli ve ark. (Katrinli ve ark., 2022), post-konuşlandırma DNAm ile TSSB semptom şiddeti değişikliği (PTSS) arasındaki ilişkiyi, konuşlandırma öncesi DNAm üzerinde koşullu olarak modellemiş ve PTSS değişikliği ile ilişkili 15 farklı metilasyona uğramış bölge (DMR) bulmuştur. Guanin nükleotid bağlayan protein, alfa stimülasyon aktivite polipeptidi (GNAS) kompleks lokusu, PTSS değişikliği ile ilişkili 15 DMR’den biriydi ve bu lokus, Horvath yaşı hesaplamasına da katkıda bulunan bir CpG bölgesi olan cg14597908’i içermektedir (Horvath, 2013). GNAS’taki farklı metilasyon, maternal stresle (Vangeel ve ark., 2015) ve anksiyete ile (Alisch ve ark., 2014, 2017) ilişkilendirilmiş, bu da travmatik strese duyarlı olabileceğini düşündürmektedir. Bir domuz modeli üzerinde, GNAS ayrıca hücresel yaşlanma ile ilişkilendirilmiştir (Jeon ve ark., 2012). Dolayısıyla, zaman içinde GNAS’taki TSSB ile ilişkili değişiklikler, bu çalışmada gözlemlenen ileri düzey epigenetik yaş değişikliklerini etkileyebilir. Katrinli ve ark. ayrıca, PTSS’nin, bağışıklık süreçleri ve oksidatif stresle ilgili genlerdeki DNAm değişikliği ile ilişkili olduğunu bildirmiştir (Katrinli ve ark., 2022). Bu biyolojik yolların değişiklikleri, aynı zamanda hızlanmış yaşlanma ile bilinen ilişkileri (Cevenini, Monti, & Franceschi, 2013) göz önüne alındığında, yaşlanma sürecini etkileyebilir ve bu çalışmada gözlemlenen etkilerin katkı sağlıyor olabilir.

Ana etkileşim etkilerimiz, PTSD’nin zaman içindeki yaş hızlanma eğrisini modere ettiğini ve bu durumun, PTSD tedavisinin hücresel yaşlanmayı yavaşlatıp yaşa bağlı hastalıkların erken başlangıcı riskini azaltıp azaltamayacağı sorusunu gündeme getirdi. Ancak, bu soruyu ele alırken bazı önemli zorluklar vardır. İlk olarak, takipteki DNAm yaşı hızlanmasının en güçlü prediktörü, başlangıçtaki DNAm yaşı hızlanmasıydı, bu nedenle bu etki hesaba katıldıktan sonra, tedavi ile tahmin edilebilecek yalnızca küçük bir varyans kalabilir. Bu, PTSD tedavisinin hücresel yaşlanma üzerindeki etkilerinin küçük olacağı ve etkilerin gözlemlenebilmesi için örneklem büyüklüklerinin büyük olması gerektiği (muhtemelen çoğu müdahale denemesinden daha büyük) anlamına gelir. İkinci olarak, DNAm yaş tahminleri, tipik bir 12 veya 18 haftalık denemede hücresel yaştaki değişiklikleri doğru şekilde yansıtacak kadar hassas olmayabilir. Çalışmanın, DNA metilomundaki güvenilir değişiklikleri gözlemlemek için yeterince uzun takip sürelerine sahip olması gerekir. Bununla birlikte, farmakolojik çalışmalar, tedavinin epigenetik yaşlanma üzerindeki etkileri için bazı umut verici bulgular sunmaktadır. Örneğin, bipolar bozukluğu olan 30 birey ve 30 sağlıklı kontrol üzerinde yapılan bir çalışma, kombinasyonlu ruh hali dengeleyicilerinin (lityum karbonat, sodyum valproat ve karbamazepin) monoterapi veya ilaçsız tedaviye kıyasla, Horvath yaşı hızlanmasında azalma ile ilişkili olduğunu göstermiştir (Okazaki ve ark., 2020). İnsan nöroblastoma hücrelerinde, lityum, valproat ve karbamazepin sırasıyla 377, 70 ve 66 CpG bölgesinde hipermetilasyona, 145, 37 ve 14 CpG bölgesinde ise hipometilasyona yol açmıştır (Asai ve ark., 2013). Benzer çalışmalara, TSSB örneklerinde, TSSB tedavilerinin ve bunların yaşlanma metilomunu değiştirme potansiyelinin keşfedilmesi için ihtiyaç vardır.

Çalışmamız, ayrıca DNAm yaşı tahminleri ve yaş kalıntıları ile zaman içinde kendileriyle yüksek korelasyonlar buldu, bu da iki yaş hesaplayıcısının sağlamlığını göstermektedir. Hem GrimAge hem de GrimAge kalıntıları, zaman içinde kendileriyle daha güçlü bir korelasyona sahipti, bu da Horvath algoritmasından daha güçlüdür. Bu, onun benzersiz 2 aşamalı hesaplamasına, modelde yaş ve cinsiyetin dahil edilmesine (Lu ve ark., 2019) veya GrimAge probelerinin sayısının, Horvath modeline dahil edilen daha küçük prob setine göre daha stabil olmasına bağlı olabilir. GrimAge kalıntıları arasındaki zaman içindeki daha güçlü korelasyon, T1 GrimAge kalıntıları ile TSSB arasındaki anlamlı etkileşimi gözlemlememiş olmamızın bir nedeni olabilir. Modelde T1 GrimAge ana etkisi düzeltildikten sonra, sonuçta az bir varyans kalmış olabilir. Ayrıca, iki model, metilasyonla yansıtılan yaşlanma sürecinin farklı unsurlarını yakalayabilir ve TSSB ile ilişkili patolojiler için farklı derecelerde ilgili olabilir.

Bu çalışma, tahmin edilen beyaz kan hücre tiplerinin zaman içindeki istikrarını test etme fırsatını da sundu. Hücre tipi oranı tahminlerinin zaman içinde kendileriyle güçlü bir şekilde korelasyon gösterdiğini, özellikle CD8+T hücreleri ve B hücrelerinin korelasyonlarının yüksek olduğunu bulduk. Bu, hücre tipi tahmin algoritmasının sağlamlığını ve hücre tipi bileşimindeki yaşlanma ile ilgili değişiklikleri incelemede değerini vurgulamaktadır.

4.1 Çalışma Sınırlamaları
Sonuçlarımız birkaç sınırlama göz önünde bulundurularak değerlendirilmelidir. Hiçbir analizde müdahale eden zamanı dikkate almadık çünkü pre- ve post-konuşlandırma askeri kohortlarında değerlendirmeler arasındaki zaman değişkenliği çok azdı ya da hiç yoktu. Bu, epigenetik yaşın ölçümlerinin kısa ve uzun dönemler arasındaki korelasyonunun ne olduğunu ve şiddetli, kronik TSSB’nin (yani daha uzun bir süre boyunca daha fazla semptom) hızlanan yaşlanmayı nasıl değiştirebileceğini belirlemeyi imkansız hale getiriyor. Veriler yalnızca iki zaman noktasında mevcuttu, bu yüzden epigenetik yaştaki değişimin zaman içinde sabit mi yoksa doğrusal olmayan bir biçimde mi olduğunu test edemedik. Pre/post konuşlandırma örneklemlerinde başlangıçta TSSB vakalarının olmaması nedeniyle, epigenetik yaşlanma ile başlangıç tanısı ve şiddet arasındaki ilişkiyi keşfetmek mümkün olmadı.

Tüm kohortlar arasında iki zaman noktası arasında müdahale eden travma veya yaşam stresi değerlendirmedik, bu nedenle yeni travma maruziyeti/yaşam stresörleri için düzeltme yapamadık veya analizlerimizde yeni başlangıçlı TSSB ile değiştiremedik. Dolayısıyla, TSSB’nin etkilerini travma veya yaşam stresinden ayırt edemedik çünkü bu değişkenler genellikle korelasyonludur ve bu yaygın bir zorluktur. Ancak, önceki birçok çalışma, TSSB’nin, yalnızca travma maruziyetine kıyasla (ki bu, tüm popülasyonlar arasında neredeyse evrenseldir), gelişmiş epigenetik yaş ile daha güçlü bir şekilde ilişkili olduğunu öne sürmüştür (Wolf ve ark., 2016, 2019; Wolf, Logue, ve ark., 2018). PTSD’nin, travmatik stresle (örneğin, irkilme, uyarılma, öfke, kötü uyku vb.) ilişkili sürekli kronik psikolojik ve fizyolojik stresin, epigenetik yaşlanma ile ilişkili fizyolojik süreçler üzerinde daha doğrudan ve süreklilik gösteren bir etkisi olabileceğini düşünüyoruz.

Katılımcıların tıbbi ve eczacılık kayıtlarına ilişkin bilgi mevcut olmadığı için, bunların epigenetik yaşlanma ile ilişkilerini belirleyemedik veya analizlerde bunları dikkate alamadık. Ayrıca, bu verilerin kohortlar arasında tutarlı bir şekilde mevcut olmaması nedeniyle, yaşam tarzı faktörleri gibi beden kitle indeksi ve madde kötüye kullanımını da düzeltemedik. Ancak, duyarlılık analizleri, sigara içmenin ana ilişki sonuçlarımızı etkilemediğini ortaya koymuştur. Horvath yaşı algoritması ile ilgili hata (orijinal test verilerindeki tahmin edilen ve gerçek yaş arasındaki 3.6 yıl medyan mutlak farkı; Horvath, 2013), bazı çalışmalarda değerlendirmeler arasındaki ortalama zamanın (örneğin, AURORA çalışmasında 5.7 aylık ortalama interval) daha büyüktü. Küçük intervalleye sahip kohortlarda yapılan analizler, metilasyondaki küçük değişiklikleri kısa bir süre zarfında tespit etmek için algoritmanın yeterince hassas olmaması nedeniyle ölçüm hatalarına daha duyarlı olabilir. Yakın zamanda geliştirilen DunedinPACE metriğini (Belsky ve ark., 2022) analiz etmemeyi tercih ettik, çünkü DNAm verilerini tek bir zaman noktasından kullanarak yaşlanma hızını tahmin ederken, gözlemlenen DNAm yaşını iki zaman noktasında hesaplamak ve bunlar arasındaki değişimi ölçmek istedik. Sivil katılımcıların sınırlı örneklem büyüklüğü nedeniyle, askeri ve sivil örneklemlerin çalışmamızın bulgularını nasıl etkileyebileceğini inceleyemedik. Bu çalışmaya dahil edilen katılımcılar cinsiyet, ırk, etnik köken, askeri ve sivil statü ve coğrafya açısından çeşitlidir, ancak yine de herhangi bir özel popülasyonu tam olarak temsil etmiyor olabilirler, bu da bulgularımızın genellenebilirliğini sınırlayabilir. Son olarak, verilerimiz uzunlamasına olmasına rağmen, TSSB ile epigenetik yaş değişim arasındaki nedensel ilişkiyi iddia edemeyiz.

4.2 Sonuçlar
Bu, TSSB ile zaman içindeki DNAm yaşı değişimleri arasındaki ilişkiyi inceleyen ilk meta-analiz ve şu ana kadarki en büyük çalışmaydı. Yedi kohorttan elde edilen meta-analitik veriler, hem askeri hem de sivil örneklemleri kapsayarak, yeni başlangıçlı TSSB tanısı ve TSSB semptom şiddetindeki artışların, başlangıçtaki yaş hızlanması ölçüsüne dayalı olarak beklenenden daha büyük bir yaşlanma hızlanmasıyla ilişkilendirildiğini bulduk. Bu, stresle ilişkili bozuklukların hücresel yaşlanmayı hızlandırabileceğini ve potansiyel olarak travmatik stres ile yaşa bağlı hastalıkların erken başlangıcı, örneğin kardiyovasküler hastalıklar (Vidal ve ark., 2018) ve demans (Yaffe ve ark., 2010) arasındaki ilişkiye katkıda bulunabileceğini öne süren artan kanıtlar yığınına katkı sağlamaktadır. Bu, zihinsel ve fiziksel sağlığın, hatta hücresel düzeyde entegrasyonunu anlamamızın önemini vurgular ve travmatik stresle ilişkilendirilen büyük kişisel maliyetleri gözler önüne serer.

Not. NCPTSD = PTSD Ulusal Merkezi Çalışması; TRACTS = Travma Beyin Hasarı (TBI) ve Stres Bozuklukları İçin Çevirisel Araştırma Merkezi Çalışması; Army STARRS = Askeri Hizmet Üyelerinde Risk ve Dayanıklılığı Değerlendirme Çalışması; MRS = Deniz Piyadeleri Dayanıklılık Çalışması; PRISMO = Stresle İlişkili Askeri Operasyonlar Üzerine Prospektif Araştırma; DNHS = Detroit Mahalle Sağlık Çalışması; AURORA = Travma Sonrası İyileşmeyi Anlama Çalışması; IT = Müdahale Zamanı; TSSB = Travma Sonrası Stres Bozukluğu; DX = Tanı; T1 = Zaman 1; T2 = Zaman 2; ED = Acil Servis; EUR = Avrupa kökeni; AAM = Afrikalı Amerikan kökeni; LAT = Latino kökeni; OTH = Diğer kökenler; PCL = DSM-IV için TSSB Kontrol Listesi; PCL-5 = DSM-5 için TSSB Kontrol Listesi; PCL-C = Sivil Versiyon TSSB Kontrol Listesi; DSM = Ruhsal Bozuklukların Tanısal ve İstatistiksel El Kitabı; CIDI-SC = Composite International Diagnostic Interview screening scales; CAPS = DSM-IV için Klinik Yöneticiliğinde TSSB Ölçeği; CAPS-5 = DSM-5 için Klinik Yöneticiliğinde TSSB Ölçeği; SRIP = TSSB için Kendi Raporlama Envanteri; △ = Uyumlu TSSB semptom şiddetindeki değişim (T2-T1); SD = Standart sapma. *: DNAm yaşı, DNAm yaşı kalıntıları ve DNAm tabanlı hücre tipi oranları arasındaki kesitsel ve uzunlamasına korelasyonları hesaplamak için örneklem büyüklükleri; ¨: Yeni başlangıçlı TSSB tanısı analizi ve semptom şiddetindeki değişim analizinin örneklem büyüklükleri Şekil 1 ve Şekil 2’de bulunabilir. Toplam N ile karşılaştırıldığında, yeni başlangıçlı TSSB tanısı analizinin örneklem büyüklüğü, başlangıçta TSSB vakalarının dışlanması ve TSSB tanısı ile kovaryantlardaki eksik değerler nedeniyle azalmıştır. Semptom şiddetindeki değişim analizinin örneklem büyüklüğü, TSSB semptom şiddeti ve kovaryantlardaki eksik değerler nedeniyle azalmıştır; †: PCL’nin 6 maddelik tarama versiyonu; §: PCL-5’in kısaltılmış (altı maddelik) sivil versiyonu; ‡: TSSB tanısını belirlemek için CAPS kullanılmış, TSSB şiddetini değerlendirmek için ise PCL-5 kullanılmıştır. Üst simgeler, her bir kohort ve TSSB ölçütü için referanslara işaret eder: 1. Wolf ve ark. (2023); 2. McGlinchey ve ark. (2017); 3. Ursano ve ark. (2014); 4. Baker ve ark. (2012); Nievergelt ve ark. (2015); 5. Eekhout ve ark. (2016); Reijnen ve ark. (2015); 6. Goldmann ve ark. (2011); Uddin ve ark. (2010); 7. McLean ve ark. (2020); 8. Blake ve ark. (1995); 9. Weathers ve ark. (2018); 10. Weathers, Litz, Herman, Huska ve Keane (1993); 11. Kessler ve ark. (2013); 12. Hovens, Bramsen ve Van Der Ploeg (2002); 13. Blevins, Weathers, Davis, Witte ve Domino (2015).

Not. CD8+T = CD8+ T hücresi; CD4+T = CD4+ T hücresi; NK = doğal öldürücü hücre; Mono = monosit; CI = güven aralığı; Army STARRS = Askeri Hizmet Üyelerinde Risk ve Dayanıklılığı Değerlendirme Çalışması; DNHS = Detroit Mahalle Sağlık Çalışması; NCPTSD = PTSD Ulusal Merkezi Çalışması; MRS = Deniz Piyadeleri Dayanıklılık Çalışması; PRISMO = Stresle İlişkili Askeri Operasyonlar Üzerine Prospektif Araştırma; TRACTS = Travma Beyin Hasarı (TBI) ve Stres Bozuklukları İçin Çevirisel Araştırma Merkezi Çalışması; AURORA = Travma Sonrası İyileşmeyi Anlama Çalışması. Korelasyonlar, aynı değişkenin T1 ve T2 arasındaki Pearson korelasyon katsayılarıyla hesaplanmıştır. Meta-analitik korelasyonlar için %95 güven aralıkları hesaplanmıştır. Tüm meta-analitik korelasyonlar, t-testi ile belirlenen 0.001 p-değeri eşiğinde sıfırdan anlamlı derecede farklıydı.

Not. Her bir kohorttan alınan ilk üç köken ana bileşeni (PC) modelde de dahil edilmiştir. CD8+T = CD8+ T hücresi; CD4+T = CD4+ T hücresi; NK = doğal öldürücü hücre; Mono = monosit; DX = tanı; SE = standart hata; NA = geçerli değil; p-adj = iki yaş algoritması arasında çoklu test düzeltmesi için yanlış keşif oranı (FDR) prosedürü kullanılarak ayarlanmış p-değeri.

Not. Bireysel kohortların çoklu regresyon doğrusal modellerinden elde edilen meta-analitik sonuçlar. Meta-analitik ana etkiler, her kohorttaki yalnızca ana (ve kovaryant) etkisi olan modellerden türetilmiştir. Meta-analitik etkileşim etkileri, ana ve etkileşim etkilerini içeren modellerden türetilmiştir. İlk 3 köken ana bileşeni meta-analize de dahil edilmiştir. CD8+T = CD8+ T hücresi; CD4+T = CD4+ T hücresi; NK = doğal öldürücü hücre; Mono = monosit; SE = standart hata; Δ = değişim (T2 – T1).

References

Alisch, R. S., Chopra, P., Fox, A. S., Chen, K., White, A. T. J., Roseboom, P. H., … Kalin, N. H. (2014). Differentially methylated plasticity genes in the amygdala of young primates are linked to anxious temperament, an at risk phenotype for anxiety and depressive disorders. Journal of Neuroscience, 34(47). doi: 10.1523/JNEUROSCI.3338-14.2014

Alisch, R. S., Van Hulle, C., Chopra, P., Bhattacharyya, A., Zhang, S. C., Davidson, R. J., … Goldsmith, H. H. (2017). A multi-dimensional characterization of anxiety in monozygotic twin pairs reveals susceptibility loci in humans. Translational Psychiatry, 7(12). Doi: 10.1038/s41398-017-0047-9

Asai, T., Bundo, M., Sugawara, H., Sunaga, F., Ueda, J., Tanaka, G., … Iwamoto, K. (2013). Effect of mood stabilizers on DNA methylation in human neuroblastoma cells. International Journal of Neuropsychopharmacology, 16(10). doi:

10.1017/S1461145713000710

Baker, D. G., Nash, W. P., Litz, B. T., Geyer, M. A., Risbrough, V. B., Nievergelt, C. M., … Webb-Murphy, J. A. (2012). Predictors of Risk and Resilience for Posttraumatic Stress Disorder Among Ground Combat Marines: Methods of the Marine Resiliency Study. Preventing Chronic Disease, 9(5). doi: 10.5888/pcd9.110134

Barfield, R. T., Almli, L. M., Kilaru, V., Smith, A. K., Mercer, K. B., Duncan, R., … Conneely, K. N. (2014). Accounting for population stratification in DNA methylation studies. Genetic Epidemiology, 38(3). doi: 10.1002/gepi.21789

Belsky, D. W., Caspi, A., Corcoran, D. L., Sugden, K., Poulton, R., Arseneault, L., … Moffitt, T. E. (2022). DunedinPACE, A DNA methylation biomarker of the Pace of Aging. ELife, 11. doi: 10.7554/eLife.73420

Benjamini, Y., & Hochberg, Y. (1995). Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1). doi: 10.1111/j.2517-6161.1995.tb02031.x

Blake, D. D., Weathers, F. W., Nagy, L. M., Kaloupek, D. G., Gusman, F. D., Charney, D. S., & Keane, T. M. (1995). The development of a Clinician-Administered PTSD Scale. Journal of Traumatic Stress, 8(1). doi: 10.1007/BF02105408

Blevins, C. A., Weathers, F. W., Davis, M. T., Witte, T. K., & Domino, J. L. (2015). The Posttraumatic Stress Disorder Checklist for DSM-5 (PCL-5): Development and Initial Psychometric Evaluation. Journal of Traumatic Stress, 28(6). doi: 10.1002/jts.22059

Boks, M. P., Mierlo, H. C. van, Rutten, B. P. F., Radstake, T. R. D. J., De Witte, L., Geuze, E., … Vermetten, E. (2015). Longitudinal changes of telomere length and epigenetic age related to traumatic stress and post-traumatic stress disorder. Psychoneuroendocrinology, 51. doi: 10.1016/j.psyneuen.2014.07.011

Cevenini, E., Monti, D., & Franceschi, C. (2013). Inflamm-ageing. Current Opinion in Clinical Nutrition and Metabolic Care, Vol. 16. doi: 10.1097/MCO.0b013e32835ada13

Chen, B. H., Marioni, R. E., Colicino, E., Peters, M. J., Ward-Caviness, C. K., Tsai, P. C., … Horvath, S. (2016). DNA methylation-based measures of biological age: Meta-analysis predicting time to death. Aging, 8(9). doi: 10.18632/aging.101020

Christiansen, L., Lenart, A., Tan, Q., Vaupel, J. W., Aviv, A., Mcgue, M., & Christensen, K. (2016). DNA methylation age is associated with mortality in a longitudinal Danish twin study. Aging Cell, 15(1). doi: 10.1111/acel.12421

Dhingra, R., Kwee, L. C., Diaz-Sanchez, D., Devlin, R. B., Cascio, W., Hauser, E. R., … Ward-Caviness, C. K. (2019). Evaluating DNA methylation age on the Illumina MethylationEPIC Bead Chip. PLoS ONE, 14(4). doi: 10.1371/journal.pone.0207834

Eekhout, I., Reijnen, A., Vermetten, E., & Geuze, E. (2016). Post-traumatic stress symptoms 5 years after military deployment to Afghanistan: An observational cohort study. The Lancet Psychiatry, 3(1). doi: 10.1016/S2215-0366(15)00368-5

Gassen, N. C., Chrousos, G. P., Binder, E. B., & Zannas, A. S. (2017). Life stress, glucocorticoid signaling, and the aging epigenome: Implications for aging-related diseases. Neuroscience and Biobehavioral Reviews, Vol. 74. doi: 10.1016/j.neubiorev.2016.06.003

Goldmann, E., Aiello, A., Uddin, M., Delva, J., Koenen, K., Gant, L. M., & Galea, S. (2011). Pervasive exposure to violence and posttraumatic stress disorder in a predominantly African American Urban Community: The Detroit neighborhood health study. Journal of Traumatic Stress, 24(6). doi: 10.1002/jts.20705

Hawn, S. E., Zhao, X., Miller, M. W., Wallander, S., Govan, C., Stone, A., … Wolf, E. J. (2023). PTSD and Alcohol Use Disorders Predict the Pace of Cellular Aging. Journal of Mood and Anxiety Disorders, 0(0), 100026. doi: 10.1016/J.XJMAD.2023.100026

Hillary, R. F., Stevenson, A. J., Cox, S. R., McCartney, D. L., Harris, S. E., Seeboth, A., … Marioni, R. E. (2021). An epigenetic predictor of death captures multi-modal measures of brain health. Molecular Psychiatry, 26(8). doi: 10.1038/s41380-019-0616-9

Horvath, S. (2013). DNA methylation age of human tissues and cell types. Genome Biology, 14(10). doi: 10.1186/gb-2013-14-10-r115

Hovens, J. E., Bramsen, I., & Van Der Ploeg, H. M. (2002). Self-rating Inventory for Posttraumatic Stress Disorder: Review of the psychometric properties of a new brief Dutch screening instrument. Perceptual and Motor Skills, Vol. 94. doi:10.2466/pms.2002.94.3.996

Jeon, H. Y., Jeong, Y. W., Kim, Y. W., Jeong, Y. I., Hossein, S. M., Yang, H., … Hwang, W. S. (2012). Senescence is accelerated through donor cell specificity in cloned pigs. International Journal of Molecular Medicine, 30(2). doi: 10.3892/ijmm.2012.1003

Jovanovic, T., Vance, L. A., Cross, D., Knight, A. K., Kilaru, V., Michopoulos, V., … Smith, A. K. (2017). Exposure to Violence Accelerates Epigenetic Aging in Children. Scientific Reports, 7(1). doi: 10.1038/s41598-017-09235-9

Katrinli, S., Maihofer, A. X., Wani, A. H., Pfeiffer, J. R., Ketema, E., Ratanatharathorn, A., … Uddin, M. (2022). Epigenome-wide meta-analysis of PTSD symptom severity in three military cohorts implicates DNA methylation changes in genes involved in immune system and oxidative stress. Molecular Psychiatry, 27(3). doi: 10.1038/s41380-021-01398-2

Katrinli, S., Stevens, J., Wani, A. H., Lori, A., Kilaru, V., van Rooij, S. J. H., … Smith, A. K. (2020). Evaluating the impact of trauma and PTSD on epigenetic prediction of lifespan and neural integrity. Neuropsychopharmacology, 45(10). doi: 10.1038/s41386-020-0700-5

Kessler, R. C., Santiago, P. N., Colpe, L. J., Dempsey, C. L., First, M. B., Heeringa, S. G., … Ursano, R. J. (2013). Clinical reappraisal of the Composite International Diagnostic Interview Screening Scales (CIDI-SC) in the Army Study to Assess Risk and Resilience in Servicemembers (Army STARRS). International Journal of Methods in Psychiatric Research, 22(4). doi: 10.1002/mpr.1398

Laliberté E. (2022). metacor: Meta-analysis of correlation coefficients (R package version 1.0-2.1).

Levine, M. E., Hosgood, H. D., Chen, B., Absher, D., Assimes, T., & Horvath, S. (2015). DNA methylation age of blood predicts future onset of lung cancer in the women’s health initiative. Aging, 7(9), 690–700. doi: 10.18632/AGING.100809

Li, S., Wong, E. M., Bui, M., Nguyen, T. L., Joo, J. H. E., Stone, J., … Hopper, J. L. (2018). Causal effect of smoking on DNA methylation in peripheral blood: A twin and family study. Clinical Epigenetics, 10(1). doi: 10.1186/s13148-018-0452-9

Liu, C., Wang, Z., Hui, Q., Goldberg, J., Smith, N. L., Shah, A. J., … Vaccarino, V. (2022). Association between depression and epigenetic age acceleration: A co-twin control study. Depression and Anxiety, 39(12). doi: 10.1002/da.23279

Lu, A. T., Quach, A., Wilson, J. G., Reiner, A. P., Aviv, A., Raj, K., … Horvath, S. (2019). DNA methylation GrimAge strongly predicts lifespan and healthspan. Aging, 11(2). doi:10.18632/aging.101684

Marioni, R. E., Harris, S. E., Shah, S., McRae, A. F., von Zglinicki, T., Martin-Ruiz, C., … Deary, I. J. (2016). The epigenetic clock and telomere length are independently associated with chronological age and mortality. International Journal of Epidemiology, 45(2). doi:10.1093/ije/dyw041

Marioni, R. E., Shah, S., McRae, A. F., Chen, B. H., Colicino, E., Harris, S. E., … Deary, I. J. (2015). DNA methylation age of blood predicts all-cause mortality in later life. Genome Biology, 16(1). doi: 10.1186/s13059-015-0584-6

McGlinchey, R. E., Milberg, W. P., Fonda, J. R., & Fortier, C. B. (2017). A methodology for assessing deployment trauma and its consequences in OEF/OIF/OND veterans: The TRACTS longitudinal prospective cohort study. International Journal of Methods in Psychiatric Research, 26(3). doi: 10.1002/mpr.1556

McLean, S. A., Ressler, K., Koenen, K. C., Neylan, T., Germine, L., Jovanovic, T., … Kessler, R. (2020). The AURORA Study: a longitudinal, multimodal library of brain biology and function after traumatic stress exposure. Molecular Psychiatry, 25(2). doi: 10.1038/s41380-019-0581-3

Mehta, D., Bruenig, D., Pierce, J., Sathyanarayanan, A., Stringfellow, R., Miller, O., … Shakespeare-Finch, J. (2022). Recalibrating the epigenetic clock after exposure to trauma: The role of risk and protective psychosocial factors. Journal of Psychiatric Research, 149. doi: 10.1016/j.jpsychires.2021.11.026

Meier, H. C. S., Mitchell, C., Karadimas, T., & Faul, J. D. (2023). Systemic inflammation and biological aging in the Health and Retirement Study. GeroScience, 45(6). doi:10.1007/s11357-023-00880-9

Miller, M. W., & Sadeh, N. (2014). Traumatic stress, oxidative stress and post-Traumatic stress disorder: Neurodegeneration and the accelerated-aging hypothesis. Molecular Psychiatry, Vol. 19. doi: 10.1038/mp.2014.111

Morrison, F. G., Logue, M. W., Guetta, R., Maniates, H., Stone, A., Schichman, S. A., … Wolf, E. J. (2019). Investigation of bidirectional longitudinal associations between advanced epigenetic age and peripheral biomarkers of inflammation and metabolic syndrome. Aging, 11(11). doi: 10.18632/aging.101992

Nievergelt, C. M., Maihofer, A. X., Klengel, T., Atkinson, E. G., Chen, C. Y., Choi, K. W., … Koenen, K. C. (2019). International meta-analysis of PTSD genome-wide association studies identifies sex- and ancestry-specific genetic risk loci. Nature Communications, 10(1). doi: 10.1038/s41467-019-12576-w

Nievergelt, C. M., Maihofer, A. X., Mustapic, M., Yurgil, K. A., Schork, N. J., Miller, M. W., … Baker, D. G. (2015). Genomic predictors of combat stress vulnerability and resilience in U.S. Marines: A genome-wide association study across multiple ancestries implicates PRTFDC1 as a potential PTSD gene. Psychoneuroendocrinology, 51. doi:10.1016/j.psyneuen.2014.10.017

Okazaki, S., Numata, S., Otsuka, I., Horai, T., Kinoshita, M., Sora, I., … Hishimoto, A. (2020). Decelerated epigenetic aging associated with mood stabilizers in the blood of patients with bipolar disorder. Translational Psychiatry, 10(1). doi: 10.1038/s41398-020-0813-y

Ratanatharathorn, A., Boks, M. P., Maihofer, A. X., Aiello, A. E., Amstadter, A. B., Ashley- Koch, A. E., … Smith, A. K. (2017). Epigenome-wide association of PTSD from heterogeneous cohorts with a common multi-site analysis pipeline. American Journal of Medical Genetics, Part B: Neuropsychiatric Genetics, 174(6). doi: 10.1002/ajmg.b.32568

Reed, R. G., Carroll, J. E., Marsland, A. L., & Manuck, S. B. (2022). DNA methylation-based measures of biological aging and cognitive decline over 16-years: preliminary longitudinal findings in midlife. Aging, 14(23). doi: 10.18632/aging.204376

Reijnen, A., Rademaker, A. R., Vermetten, E., & Geuze, E. (2015). Prevalence of mental health symptoms in Dutch military personnel returning from deployment to Afghanistan: A 2-year longitudinal analysis. European Psychiatry, 30(2). doi: 10.1016/j.eurpsy.2014.05.003

Roberts, A. L., Koenen, K. C., Chen, Q., Gilsanz, P., Mason, S. M., Prescott, J., … Kubzansky, L. D. (2017). Posttraumatic stress disorder and accelerated aging: PTSD and leukocyte telomere length in a sample of civilian women. Depression and Anxiety, 34(5). doi:10.1002/da.22620

Rosen, A. D., Robertson, K. D., Hlady, R. A., Muench, C., Lee, J., Philibert, R., … Lohoff, F. W. (2018). DNA methylation age is accelerated in alcohol dependence. Translational Psychiatry, 8(1). doi: 10.1038/s41398-018-0233-4

Sumner, J. A., Gao, X., Gambazza, S., Dye, C. K., Colich, N. L., Baccarelli, A. A., … McLaughlin, K. A. (2023). Stressful life events and accelerated biological aging over time in youths. Psychoneuroendocrinology, 151. doi: 10.1016/j.psyneuen.2023.106058

Sumner, J. A., Maihofer, A. X., Michopoulos, V., Rothbaum, A. O., Almli, L. M., Andreassen, O. A., … Wolf, E. J. (2021). Examining Individual and Synergistic Contributions of PTSD and Genetics to Blood Pressure: A Trans-Ethnic Meta-Analysis. Frontiers in Neuroscience, 15. doi: 10.3389/fnins.2021.678503

Teschendorff, A. E., Breeze, C. E., Zheng, S. C., & Beck, S. (2017). A comparison of reference-based algorithms for correcting cell-type heterogeneity in Epigenome-Wide Association Studies. BMC Bioinformatics, 18(1). doi: 10.1186/s12859-017-1511-5

Uddin, M., Aiello, A. E., Wildman, D. E., Koenen, K. C., Pawelec, G., De Los Santos, R., … Galea, S. (2010). Epigenetic and immune function profiles associated with posttraumatic stress disorder. Proceedings of the National Academy of Sciences of the United States of America, 107(20). doi: 10.1073/pnas.0910794107

Ursano, R. J., Colpe, L. J., Heeringa, S. G., Kessler, R. C., Sehoenbaum, M., & Stein, M. B. (2014). The army study to assess risk and resilience in servicemembers (Army STARRS). Psychiatry (New York), 77(2). doi: 10.1521/psyc.2014.77.2.107

Vangeel, E. B., Izzi, B., Hompes, T., Vansteelandt, K., Lambrechts, D., Freson, K., & Claes, S. (2015). DNA methylation in imprinted genes IGF2 and GNASXL is associated with prenatal maternal stress. Genes, Brain and Behavior, 14(8). doi: 10.1111/gbb.12249

Vidal, C., Polo, R., Alvarez, K., Falgas-Bague, I., Wang, Y., Lê Cook, B., & Alegría, M. (2018). Co-Occurrence of Posttraumatic Stress Disorder and Cardiovascular Disease among Ethnic/Racial Groups in the United States. Psychosomatic Medicine, 80(7). doi:10.1097/PSY.0000000000000601

Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor. Journal of Statistical Software, 36(3).

Weathers, F., Litz, B., Herman, D., Huska, J., & Keane, T. (1993). The PTSD Checklist (PCL): Reliability, Validity, and Diagnostic Utility. Paper Presented at the Annual Convention of the International Society for Traumatic Stress Studies, San Antonio, TX.

Weathers, F. W., Bovin, M. J., Lee, D. J., Sloan, D. M., Schnurr, P. P., Kaloupek, D. G., … Marx, B. P. (2018). The clinician-administered ptsd scale for DSM-5 (CAPS-5): Development and initial psychometric evaluation in military veterans. Psychological Assessment, 30(3). doi: 10.1037/pas0000486

Wolf, E. J., Logue, M. W., Hayes, J. P., Sadeh, N., Schichman, S. A., Stone, A., … Miller, M. W. (2016). Accelerated DNA methylation age: Associations with PTSD and neural integrity. Psychoneuroendocrinology, 63. doi: 10.1016/j.psyneuen.2015.09.020

Wolf, E. J., Logue, M. W., Morrison, F. G., Wilcox, E. S., Stone, A., Schichman, S. A., … Miller, M. W. (2019). Posttraumatic psychopathology and the pace of the epigenetic clock: A longitudinal investigation. Psychological Medicine, 49(5). doi:

10.1017/S0033291718001411

Wolf, E. J., Logue, M. W., Stoop, T. B., Schichman, S. A., Stone, A., Sadeh, N., … Miller, M. W. (2018). Accelerated DNA Methylation Age: Associations with Posttraumatic Stress Disorder and Mortality. Psychosomatic Medicine, 80(1). doi:10.1097/PSY.0000000000000506

Wolf, E. J., Maniates, H., Nugent, N., Maihofer, A. X., Armstrong, D., Ratanatharathorn, A., … Logue, M. W. (2018). Traumatic stress and accelerated DNA methylation age: A meta- analysis. Psychoneuroendocrinology, 92. doi: 10.1016/j.psyneuen.2017.12.007

Wolf, E. J., Miller, M. W., Hawn, S. E., Zhao, X., Wallander, S. E., McCormick, B., … Logue, M. W. (2023). Longitudinal study of traumatic-stress related cellular and cognitive aging. Brain, Behavior, and Immunity. doi: 10.1016/J.BBI.2023.11.009

Yaffe, K., Vittinghoff, E., Lindquist, K., Barnes, D., Covinsky, K. E., Neylan, T., … Marmar, C. (2010). Posttraumatic stress disorder and risk of dementia among US veterans. Archives of General Psychiatry, 67(6). doi: 10.1001/archgenpsychiatry.2010.61

Yang, R., Wu, G. W. Y., Verhoeven, J. E., Gautam, A., Reus, V. I., Kang, J. I., … Wolkowitz, O. M. (2021). A DNA methylation clock associated with age-related illnesses and mortality is accelerated in men with combat PTSD. Molecular Psychiatry, 26(9). doi:10.1038/s41380-020-0755-z