伦敦国王学院的研究人员发现，基于血液代谢物数据的人工智能老化时钟可以预测健康和寿命，加速老化与更高的健康风险相关联。非线性机器学习算法，特别是Cubist回归，表现最为有效。
研究人员在伦敦国王学院精神病学、心理学与神经科学研究所（IoPPN）进行了一项详细研究，评估基于人工智能的老化时钟，这些时钟通过分析血液数据来估计健康和寿命。该研究涉及训练和测试17种机器学习算法，使用来自UK Biobank的超过225,000名参与者的数据，这些参与者的年龄在40至69岁之间。研究人员评估了这些代谢组学老化时钟预测寿命的准确性及其与各种健康和老化指标的相关性。
代谢组学年龄，称为“MileAge”，反映了一个人基于血液代谢物的内部生物年龄——这些小分子是在新陈代谢过程中产生的，例如食物转化为能量时产生的物质。一个人的代谢物预测年龄（MileAge）与其实际年龄之间的差异，称为MileAge delta，表明其生物老化的加速或减缓情况。
研究见解和关键发现
该研究发表在《Science Advances》上，是首次全面比较不同机器学习算法在利用代谢物数据开发生物老化时钟方面的能力的研究之一，使用了全球最大的数据集之一。研究由英国国家卫生与护理研究所（NIHR）Maudsley生物医学研究中心（BRC）资助，并使用了UK Biobank的数据。
研究发现，生物老化加速（即代谢物预测年龄大于实际年龄）的人群通常身体更虚弱，更可能患有慢性病，对自己的健康评价较差，并且死亡风险更高。他们还具有较短的端粒（染色体末端的“帽子”），这是细胞老化的一个标志，与动脉粥样硬化等与年龄相关的疾病有关。然而，生物老化减缓（代谢物预测年龄小于实际年龄）仅与良好健康状况有微弱关联。
老化时钟可以帮助发现早期健康衰退迹象，在疾病发生前实施预防策略和干预措施。它们还可以让人们主动跟踪健康状况，做出更好的生活方式选择，并采取措施延长健康寿命。
专家对老化时钟的看法
伦敦国王学院IoPPN的Julian Mutz博士表示：“代谢组学老化时钟有可能提供关于谁可能在晚年面临更多健康问题的见解。与无法改变的实际年龄不同，我们的生物年龄是可以改变的。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方法，这可以帮助塑造个人的生活方式选择，并指导卫生服务机构实施预防策略。我们的研究评估了广泛范围内的机器学习方法，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。”
遗传流行病学与统计学教授、NIHR Maudsley BRC试验、基因组学和预测主题的共同副组长Cathryn Lewis教授表示：“开发能够准确评估我们生物年龄的老化时钟引起了广泛关注。强大的大数据分析可以在推进这些工具中发挥关键作用。这项研究是建立生物老化时钟潜力的重要里程碑，能够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）开发的代谢组学时钟与大多数健康和老化指标的关系最为强烈。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一般在捕捉与健康和寿命相关的信息方面表现最佳。
参考文献：Julian Mutz, Raquel Iniesta 和 Cathryn M. Lewis 发表的《代谢组学年龄（MileAge）预测健康和寿命：多种机器学习算法的比较》，于2024年12月18日发表在《Science Advances》上。DOI: 10.1126/sciadv.adp3743
该研究由英国国家卫生研究所资助。
(全文结束)
