并非所有的人工智能（AI）机器学习算法都是一样的。哪一种最适合确定人类的生物年龄和寿命？这个问题非常重要，因为随着数字健康和AI工具在全球范围内被研究人员、临床医生和医疗保健提供者的采用率不断增加，这一领域的进展备受关注。伦敦国王学院精神病学、心理学与神经科学研究所（IoPPN）的研究人员对一系列不同的AI算法进行了广泛的评估，以确定哪些算法最擅长从人类血液中预测生物年龄，并将他们的研究发表在《科学进展》杂志上。
“本研究提供了机器学习算法开发代谢组学老化时钟的全面比较，在全球最大的代谢组学数据集中，在一致条件下基准测试了广泛的模型，”主要作者朱利安·穆茨博士（Julian Mutz）及其合著者拉奎尔·伊内斯塔（Raquel Iniesta）和凯瑟琳·刘易斯（Cathryn M. Lewis）写道。
在生物化学中，代谢组学是研究由有机体、细胞或组织通过新陈代谢产生的化学物质的科学领域，这些化学物质被称为代谢物。新陈代谢是维持生命的所有细胞水平的化学过程的总和。人们熟知的是，高代谢率的人在休息和活动时燃烧卡路里的速度比低代谢率的人快。可能不太为人所知的是，新陈代谢可以进一步分为两种类型：分解代谢（catabolism），即降解过程；合成代谢（anabolism），即合成过程。分解代谢是将复杂分子分解为简单分子以释放或创造能量的过程，包括将食物和液体中的分子转化为较小的生物分子单位，这些单位可以被氧化或用于合成代谢。合成代谢则是消耗能量将简单分子构建为复杂分子的过程。怀孕、骨骼生长矿化、伤口愈合和肌肉质量增加都是合成代谢过程的例子。
“本研究旨在使用核磁共振（NMR）光谱数据在UK Biobank中比较多种机器学习算法，以开发代谢组学老化时钟，”科学家们写道。
为了训练和验证17种不同的AI算法，研究团队使用了来自UK Biobank数据库中超过225,000名参与者血浆中的168种不同代谢物的数据，参与者的平均年龄为56.97岁。UK Biobank代谢物数据是通过核磁共振（NMR）光谱从血浆中提取的，这是一种非侵入性的化学分析技术，通过记录原子带电核在外加磁场和射频波作用下的相互作用来获得有机分子的特性。
AI算法根据血浆代谢物数据预测寿命的效果以及与健康和衰老标志物的一致性进行了评估。科学家们戏称基于代谢物生物标志物得出的代谢组学年龄为“MileAge”。MileAge delta衡量个人的MileAge与其实际年龄之间的差距。如果这个差距较大，则表明该人的衰老加速。
“这种代谢组学老化时钟（MileAge）可用于研究，并可能在健康评估、风险分层和主动健康管理中找到应用，”研究人员写道。
表现最佳的AI算法之间存在高度性能一致性，其中包括特定的基于树的集成和支持向量回归。表现最佳的算法使用Cubist规则回归计算MileAge delta，其结果与衰老和健康的标志物最为密切相关。
类似于老车往往有较高的里程数，加速衰老的人群具有较高的MileAge delta。
“在大多数模型中，代谢物预测年龄大于实际年龄的个体显示出加速衰老，这些人身体更虚弱，端粒较短，更有可能患有慢性病，自我健康评价较低，并且死亡风险更高，”研究人员报告说。
有趣的是，尽管研究表明加速代谢组学衰老与较高死亡风险和不良健康状况有明确联系，但结果显示，减速衰老并不是更好的健康结果的可靠指标。科学家们警告说，目前基于代谢组学的风险评估主要用于识别高风险患者。
“老化时钟在延长寿命和健康跨度的研究中具有巨大潜力，因为它们提供了一种可改变的衰老生物标志物，”科学家们总结道。
随着MileAge系统级概念验证的成功，研究人员建议未来的研究方向可以是基于组织和细胞创建老化时钟。
(全文结束)
