Исследователи из Института психиатрии, психологии и нейронауки (IoPPN) при Королевском колледже Лондона провели комплексное исследование с целью оценки часов старения на основе искусственного интеллекта, которые прогнозируют здоровье и продолжительность жизни с использованием данных крови.

Исследователи обучили и протестировали 17 алгоритмов машинного обучения, используя данные о маркерах в крови более 225 000 участников UK Biobank в возрасте от 40 до 69 лет на момент набора. Они исследовали, насколько хорошо различные метаболические часы старения предсказывают продолжительность жизни и насколько надежно эти часы связаны с показателями здоровья и старения.

Метаболомический возраст человека, его «MileAge», является мерой того, насколько старым кажется его тело изнутри, на основе маркеров в крови, называемых метаболитами . Метаболиты — это небольшие молекулы , которые вырабатываются в процессе метаболизма, например, когда пища расщепляется на энергию.

Разница между возрастом человека, прогнозируемым по метаболитам, и его хронологическим возрастом, называемая дельта MileAge, указывает на то, ускоряется или замедляется его биологическое старение .

Исследование было опубликовано в журнале Science Advances и является первым, в котором проводится комплексное сравнение различных алгоритмов машинного обучения с точки зрения их способности разрабатывать биологические часы старения с использованием данных о метаболитах, используя один из крупнейших наборов данных в мире.

Индивиды с ускоренным старением (т. е. с возрастом, предсказанным метаболитом, больше, чем их хронологический возраст) были в среднем более хрупкими, с большей вероятностью имели хронические заболевания , оценивали свое здоровье хуже и имели более высокий риск смертности. У них также были более короткие теломеры, которые являются маркером клеточного старения и связаны с возрастными заболеваниями, такими как атеросклероз.

Однако замедленное биологическое старение (возраст, прогнозируемый по метаболитам, был моложе хронологического) было слабо связано с хорошим здоровьем.

Часы старения могут помочь обнаружить ранние признаки ухудшения здоровья, что позволит применять профилактические стратегии и вмешательства до начала заболевания. Они также могут позволить людям проактивно отслеживать свое здоровье, делать лучший выбор образа жизни и предпринимать шаги, чтобы оставаться здоровыми дольше.

Доктор Джулиан Мутц, научный сотрудник IoPPN, лауреат премии короля, и ведущий автор исследования, сказал: «Метаболомные часы старения могут дать представление о том, кто может подвергаться большему риску развития проблем со здоровьем в пожилом возрасте».

«В отличие от хронологического возраста, который нельзя изменить, наш биологический возраст потенциально поддается изменению. Эти часы являются косвенным показателем биологического возраста для биомедицинских и медицинских исследований , которые могут помочь сформировать выбор образа жизни, принимаемый отдельными людьми, и информировать о профилактических стратегиях, реализуемых службами здравоохранения».

«В нашем исследовании оценивался широкий спектр подходов машинного обучения для разработки часов старения, и было показано, что нелинейные алгоритмы лучше всего подходят для улавливания сигналов старения».

Профессор Кэтрин Льюис, профессор генетической эпидемиологии и статистики, соруководитель направления «Испытания, геномика и прогнозирование» в NIHR Maudsley BRC и старший автор исследования, сказала: «Существует значительный интерес к разработке часов старения, которые точно оценивают наш биологический возраст. Мощная аналитика больших данных может сыграть решающую роль в развитии этих инструментов».

«Это исследование является важной вехой в установлении потенциала биологических часов старения и их способности влиять на выбор здорового образа жизни».

Исследователи обнаружили, что метаболомные часы, разработанные с использованием специального алгоритма машинного обучения, называемого регрессией на основе кубистских правил, наиболее тесно связаны с большинством маркеров здоровья и старения.

Они также обнаружили, что алгоритмы, которые могут моделировать нелинейные зависимости между метаболитами и возрастом, как правило, лучше всего справляются с фиксацией биологических сигналов, содержащих информацию о здоровье и продолжительности жизни.