杜克大学研究团队开发了一种人工智能工具，可帮助识别在衰老及年龄相关疾病中起关键作用的细胞。
这一基于人工智能的方法名为DeepScence，旨在识别体内的衰老细胞。这些细胞已停止分裂但未能正常死亡。随着时间推移，这些细胞在体内积累，导致慢性炎症及骨关节炎、肺纤维化和阿尔茨海默病等疾病。
“衰老细胞与多种疾病密切相关，但我们对它们的理解仍相当有限，尤其是在人体组织中，”该研究的主要作者、生物统计学与生物信息学助理教授季志成表示。
季志成表示，DeepScence的构想源于美国国立卫生研究院发起的“细胞衰老网络”计划，该计划为项目提供了资金支持。他解释说，研究衰老细胞一直颇具挑战性，因为衰老是一种细胞状态而非特定细胞类型，导致现有技术难以识别。
“如果我们想研究这些细胞，首先需要找到它们，”季志成说。“这正是我们认为有必要开发新工具的原因，以便更准确地在不同组织中识别它们。”
DeepScence通过帮助科学家评估细胞的衰老程度，朝这一目标迈出了重要一步。
季志成及其团队利用先前研究，确定了40至50个与细胞衰老关联最密切的基因。该新工具聚焦于这些关键基因，寻找活性指标，并将信息整合为一个易于理解的分数，向科学家展示细胞的整体衰老水平。该模型还可将细胞分为衰老与非衰老组别，帮助研究人员比较两类细胞的活性差异。
尽管许多现有AI工具可分析遗传数据，但大多未专门针对衰老细胞检测而设计。相比之下，DeepScence专为识别衰老细胞而构建。通过聚焦已知与细胞衰老相关的基因，该模型能捕捉更广泛算法常忽略的细微差异。
先前工具还依赖一种称为监督学习的技术，需在应用新样本前用大型数据集训练模型。然而，这些训练数据集通常取自实验室培养的细胞，其行为与人体内细胞不同。
DeepScence采用了不同方法。该算法使用无监督学习，无需预标记数据即可适应新组织和条件。这种灵活性意味着模型能在经历更复杂或不可预测衰老的真实人体组织中更准确地识别衰老细胞。
该技术并非没有缺陷。季志成警告称，数据收集中的偏差可能影响DeepScence等深度学习模型的应用。
“在某些人群中收集数据时，结论可能仅适用于该人群，因此该人群可能比其他人群受益更多，”他说。
随着AI在科学中日益突出，季志成还强调了设定明确保障措施的重要性，以指导模型在科学研究中的使用。他表示，确保“AI做出的决策处于人类伦理框架之内”至关重要。
尽管如此，随着技术进步，季志成相信DeepScence将成为衰老与疾病研究的核心。他指出，AI“在分析人类难以处理的大型复杂数据方面非常有用”，有助于揭示细胞行为中的隐藏模式。
通过为科学家提供衰老细胞在人体组织中位置及其作用的更清晰图景，DeepScence为理解衰老如何导致疾病开辟了新可能。
季志成表示，科学家一直在试验一类名为衰老细胞清除剂的药物，旨在从体内清除衰老细胞。在小鼠研究中，接受衰老细胞清除剂治疗的老年小鼠表现出生物学上的年轻化，许多衰老相关疾病得到逆转。
将这些发现转化为人类应用仍面临挑战，因为衰老细胞在人类与动物体内的功能不同，且在大脑、肝脏和肺部等多种组织中存在差异。但通过提供更精确的细胞识别方法，DeepScence可能帮助科学家更接近发现治疗常见疾病的有效方案。
【全文结束】
