伦敦国王学院精神病学、心理学与神经科学研究所（IoPPN）的研究人员进行了一项全面研究，评估了基于人工智能的衰老时钟，这些时钟使用血液数据来预测健康和寿命。
研究人员使用来自超过22.5万名英国生物银行参与者的血液标志物数据，训练和测试了17种机器学习算法，这些参与者在招募时年龄在40至69岁之间。他们调查了不同的代谢组学衰老时钟如何预测寿命，以及这些时钟与健康和衰老指标的关联有多强。
一个人的代谢组学年龄，即他们的“MileAge”，是基于血液中的代谢物测量其身体内部年龄的一种指标。代谢物是在代谢过程中产生的小分子，例如，当食物分解为能量时产生的代谢物。
一个人的代谢物预测年龄与其实际年龄之间的差异，称为MileAge delta，表明其生物学衰老是加速还是减缓。
该研究发表在《科学进展》上，是首次全面比较不同机器学习算法在使用代谢物数据开发生物衰老时钟方面的能力的研究，利用了全球最大的数据集之一。
研究发现，生物学衰老加速（即代谢物预测年龄大于实际年龄）的人平均更虚弱，更有可能患有慢性病，对自己的健康评价更低，死亡风险更高。他们还具有较短的端粒，这是细胞衰老的标志，与动脉粥样硬化等与年龄相关的疾病有关。
然而，生物学衰老减缓（即代谢物预测年龄小于实际年龄）与良好健康的关系较弱。
衰老时钟可以帮助早期发现健康下降的迹象，从而在疾病发生前采取预防策略和干预措施。它们还可以让人们主动跟踪自己的健康状况，做出更好的生活方式选择，采取措施保持更长时间的健康。
该研究的主要作者、IoPPN的King's Prize Research Fellow朱利安·穆茨博士表示：“代谢组学衰老时钟有可能揭示谁可能在晚年面临更大的健康问题。与无法改变的实际年龄不同，我们的生物学年龄是可以改变的。这些时钟为生物医学和健康研究提供了一个生物学年龄的代理测量，有助于塑造个人的生活方式选择，并指导卫生服务实施的预防策略。我们的研究评估了一系列用于开发衰老时钟的机器学习方法，结果显示非线性算法在捕捉衰老信号方面表现最佳。”
该研究的资深作者、NIHR Maudsley BRC试验、基因组学和预测主题的联合副组长、遗传流行病学与统计学教授凯瑟琳·刘易斯教授表示：“开发能够准确评估我们生物学年龄的衰老时钟引起了广泛关注。强大的大数据分析在推进这些工具方面可以发挥关键作用。这项研究是建立生物衰老时钟潜力及其能力以影响健康选择的重要里程碑。”
研究人员发现，使用特定的机器学习算法——Cubist规则回归——开发的代谢组学时钟与大多数健康和衰老指标的关联最为强烈。他们还发现，能够建模代谢物与年龄之间非线性关系的算法通常在捕捉健康和寿命相关生物信号方面表现最佳。
更多信息：Julian Mutz, Metabolomic Age (MileAge) predicts health and lifespan: a comparison of multiple machine learning algorithms, Science Advances (2024). DOI: 10.1126/sciadv.adp3743. www.science.org/doi/10.1126/sciadv.adp3743
期刊信息：Science Advances
由King's College London提供
(全文结束)
