Naukowcy z King’s College London odkryli, że zegary starzenia oparte na sztucznej inteligencji wykorzystujące dane dotyczące metabolitów krwi mogą przewidywać stan zdrowia i długość życia, przy czym przyspieszone starzenie się wiąże się z większymi zagrożeniami dla zdrowia. Nieliniowy uczenie maszynowe algorytmy, zwłaszcza regresja kubistyczna, były najskuteczniejsze.
Naukowcy z Instytutu Psychiatrii, Psychologii i Neuronauki (IoPPN) w King’s College w Londynie przeprowadzili szczegółowe badanie mające na celu ocenę zegarów starzenia opartych na sztucznej inteligencji, które szacują stan zdrowia i długość życia na podstawie analizy danych z krwi.
Badanie obejmowało przeszkolenie i przetestowanie 17 algorytmów uczenia maszynowego z wykorzystaniem danych dotyczących markerów krwi od ponad 225 000 uczestników brytyjskiego Biobanku, którzy w momencie rekrutacji byli w wieku od 40 do 69 lat. Naukowcy ocenili, jak dokładnie zegary starzenia metabolomicznego przewidują długość życia i jak silnie korelują one z różnymi miarami zdrowia i starzenia się.
Wiek metaboliczny, określany jako „MileAge”, odzwierciedla wewnętrzny wiek biologiczny człowieka na podstawie metabolitów we krwi — małych cząsteczek wytwarzanych podczas metabolizmu, takich jak te powstające podczas przekształcania pożywienia w energię. Różnica między wiekiem danej osoby przewidywanym na podstawie metabolitów (MileAge) a jej rzeczywistym wiekiem chronologicznym, zwanym deltą MileAge, wskazuje, czy jej biologiczne starzenie się ulega przyspieszeniu, czy spowolnieniu.
Wnioski z badania i kluczowe wnioski
Badanie zostało opublikowane w Postęp nauki i jako pierwszy kompleksowo porównuje różne algorytmy uczenia maszynowego pod kątem ich zdolności do opracowywania biologicznych zegarów starzenia przy użyciu danych dotyczących metabolitów, wykorzystując jeden z największych zbiorów danych na świecie. Zostało sfinansowane przez Narodowy Instytut Badań nad Zdrowiem i Opieką (NIHR) Maudsley Biomedical Research Center (BRC) i wykorzystało dane z brytyjskiego Biobanku.
Osoby z przyspieszonym starzeniem się (tzn. z wiekiem przewidywanym na podstawie metabolitów starszym niż wiek chronologiczny) były średnio słabsze, częściej cierpiały na choroby przewlekłe, gorzej oceniały swój stan zdrowia i były w grupie wyższego ryzyka śmiertelności. Miały także krótsze telomery („czapeczki” na końcach chromosomów), które są markerem starzenia się komórek i są powiązane z chorobami związanymi z wiekiem, takimi jak miażdżyca. Jednakże spowolnione starzenie biologiczne (z wiekiem przewidywanym na podstawie metabolitów młodszym niż wiek chronologiczny) było jedynie słabo powiązane z dobrym stanem zdrowia.
Starzenie się zegarów może pomóc wykryć wczesne oznaki pogorszenia się stanu zdrowia, umożliwiając stosowanie strategii zapobiegawczych i interwencji przed wystąpieniem choroby. Mogą także umożliwiać ludziom proaktywne monitorowanie swojego stanu zdrowia, dokonywanie lepszych wyborów dotyczących stylu życia i podejmowanie kroków zapewniających dłuższe zachowanie zdrowia.
Perspektywy ekspertów na temat starzenia się zegarów
Doktor Julian Mutz, pracownik naukowy King’s Prize w IoPPN i główny autor badania, powiedział: „Zegary starzenia metabolomicznego mogą potencjalnie zapewnić wgląd w to, kto może być bardziej narażony na ryzyko wystąpienia problemów zdrowotnych w późniejszym życiu. W przeciwieństwie do wieku chronologicznego, którego nie można zmienić, nasz wiek biologiczny można potencjalnie modyfikować. Zegary te stanowią zastępczą miarę wieku biologicznego na potrzeby badań biomedycznych i zdrowotnych, co może pomóc w kształtowaniu wyborów dotyczących stylu życia podejmowanych przez jednostki i informować o strategiach zapobiegawczych wdrażanych przez służby zdrowia. W naszym badaniu oceniliśmy szeroki zakres podejść do uczenia maszynowego w zakresie opracowywania zegarów starzenia i wykazaliśmy, że algorytmy nieliniowe najlepiej radzą sobie z wychwytywaniem sygnałów starzenia”.
Profesor Cathryn Lewis, profesor epidemiologii i statystyki genetycznej, współzastępca kierownika działu prób, genomiki i prognoz w NIHR Maudsley BRC oraz główna autorka badania, powiedziała: „Istnieje duże zainteresowanie opracowaniem zegarów starzenia, które dokładnie oceniałyby nasz wiek biologiczny. Zaawansowana analiza dużych zbiorów danych może odegrać kluczową rolę w udoskonalaniu tych narzędzi. Badanie to stanowi ważny kamień milowy w ustaleniu potencjału biologicznych zegarów starzenia i ich zdolności do wpływania na wybory zdrowotne”.
Naukowcy odkryli, że zegar metabolomiczny opracowany przy użyciu specjalnego algorytmu uczenia maszynowego, zwanego regresją opartą na regułach kubistycznych, był najsilniej powiązany z większością markerów zdrowia i starzenia się. Odkryli również, że algorytmy, które mogą modelować nieliniowe zależności między metabolitami a wiekiem, na ogół najlepiej radzą sobie z wychwytywaniem sygnału biologicznego informującego o zdrowiu i długości życia.
Odniesienie: „Wiek metabolomiczny (MileAge) przewiduje zdrowie i długość życia: porównanie wielu algorytmów uczenia maszynowego”, Julian Mutz, Raquel Iniesta i Cathryn M. Lewis, 18 grudnia 2024 r., Postęp nauki.
DOI: 10.1126/sciadv.adp3743
Badanie zostało sfinansowane przez Narodowy Instytut Badań nad Zdrowiem.
