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老化时钟，这些时钟使用血液数据预测健康和寿命。研究人员使用来自超过225,000名英国生物银行参与者的数据，训练和测试了17种机器学习算法，这些参与者的年龄在40至69岁之间。他们研究了不同的代谢组学老化时钟在预测寿命方面的表现，以及这些时钟与健康和衰老指标的相关性有多强。
一个人的代谢年龄，即他们的“MileAge”，是根据血液中的代谢物（代谢过程中产生的小分子，例如食物分解为能量时产生的分子）来衡量其身体内部看起来多老。代谢年龄与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老化时钟方面的能力的研究，利用了全球最大的数据集之一。这项研究由国家卫生和护理研究所（NIHR）莫兹利生物医学研究中心（BRC）资助，并使用了英国生物银行的数据。
研究发现，代谢年龄加速（即代谢物预测年龄大于实际年龄）的人通常更虚弱，更有可能患有慢性疾病，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（染色体末端的“帽”），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，代谢年龄减缓（即代谢物预测年龄小于实际年龄）与良好健康的关系较弱。
老化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。
“代谢组学老化时钟有潜力揭示谁可能在未来生活中更容易出现健康问题。与无法改变的实际年龄不同，我们的生物年龄是可改变的。这些时钟为生物医学和健康研究提供了生物年龄的代理测量，有助于塑造个人的生活方式选择，并指导健康服务实施的预防策略。我们的研究评估了广泛范围的机器学习方法，用于开发老化时钟，结果显示非线性算法在捕捉老化信号方面表现最佳。”
——Julian Mutz博士，IoPPN的国王奖研究员，该研究的主要作者
Cathryn Lewis教授，遗传流行病学与统计学教授，NIHR莫兹利生物医学研究中心试验、基因组学和预测主题的联合副组长，以及该研究的高级作者表示：“开发能够准确评估我们生物年龄的老化时钟引起了极大的兴趣。强大的大数据分析在推进这些工具中发挥着关键作用。这项研究是建立生物老化时钟潜力及其能力的重要里程碑，可以为健康选择提供信息。”
研究人员发现，使用特定机器学习算法（称为Cubist规则回归）开发的代谢时钟与大多数健康和衰老标志物的关联最为强烈。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在捕捉与健康和寿命相关的信息生物信号方面通常表现最好。
(全文结束)
