年事是盛行疾病和去世亡的紧张风险成分。然而，人们对与年事干系的生理变革和寿命之间的关系知之甚少。
新加坡 Gero PTE 公司的研究职员结合剖析和机器学习工具来描述大量纵向丈量中的老化过程。假设朽迈是由有机体状态的动态不稳定性引起的，该团队设计了一个深度人工神经网络，包括自动编码器和自动回归（AR）组件。AR 模型将生理状态的动态与单个变量的随机演化联系起来，即「动态薄弱指标」（dFI）。
在来自小鼠表型组数据库的一部分血液测试中，dFI 呈指数增长并预测剩余寿命。限定性 dFI 的不雅观察结果与晚年去世亡率低落同等。dFI 随朽迈特色而变革，包括虚弱指数、炎症分子标志物、朽迈细胞积累，以及对缩短寿命（高脂肪饮食）和延长寿命（雷帕霉素）治疗的反应。
该研究以「Unsupervised learning of aging principles from longitudinal data」为题，于 2022 年 11 月 1 日《Nature Communications》。
朽迈表示在机体组织的多个层面。因此，不同的生理状态变量集，例如 DNA 甲基化模式或血液身分标记，可用于量化朽迈。最前辈的朽迈生物标志物来自须要十足年事或去世亡年事作为演习标签的监督模型。或者，累积的康健毛病数量或综合虚弱指数与人类和动物的疾病包袱和剩余寿命干系，并在抗朽迈干预的实验室实验和临床试验中得到运用。朽迈生物标志物的未来利用将取决于更好地理解朽迈标志、生物年事预测因子、虚弱指数和剩余寿命之间的联系。
图示：来自小鼠表型组数据库的全血细胞计数 (CBC) 丈量的层次聚类和主身分 (PC) 剖析。（来源：论文）
在这里，新加坡 Gero PTE 公司的研究职员展示了当代机器学习技能和从动态系统理论中借鉴的方法的结合，共同确定了管理朽迈表现的定量规则及其与大纵向生物医学数据中全因去世亡率的关系。该团队首先假设老化是繁芜系统动力学的一个特例，它在动态稳定区域边界上的分叉或临界点附近展开。在这种情形下，有机体状态颠簸该当由极少数的动力学驱动，如果不是具有对应于不稳定阶段的有序参数含义的单个集体特色的话。生物科学中这种降维的例子包括发展、朽迈和去世亡率加速。
图示：作为年事函数的动态衰弱指标 (dFI)。（来源：论文）
研究职员建立在这个理论观点的根本上，并产生了一个由去噪自动编码器 (AE) 和自回归 (AR) 模型组成的深度人工神经网络——这是顺序参数随机动态的打算隐喻。为了测试该方法，他们利用该网络根据最大的开放访问表型数据源小鼠表型组数据库 (MPD) 的全血细胞计数 (CBC) 丈量结果天生朽迈描述符。
个中，网络输出变量，称为动态薄弱指标 (dFI)，是与生物体状态解体干系的有序参数的最佳数值近似值，因此与任何给天命据的老化有关。研究职员证明了 dFI 的动态推动了去世亡率的加速，并阐明了晚年与 Gompertz 去世亡率定律的偏差。dFI 表现出生物年事标记最空想的特性：它随年事呈指数增长，预测动物的剩余寿命，与朽迈的多个标志干系，并对已知加速（高脂肪饮食）和减缓（雷帕霉素）小鼠朽迈的干预方法作出反应。
图示：dFI 与朽迈细胞包袱干系，并对寿命调节干预作出反应。（来源：论文）
生理状态变量的自干系特性与朽迈特色之间的密切关系表明，通过深度学习增强的 AR 剖析可能有助于创造人类朽迈和慢性疾病进展的特色。在涉及大量纵向丈量但常日缺少随访去世亡率和发病率信息的研究中，益处可能特殊巨大。虽然小鼠朽迈的特色是干系的并且紧张是可逆的，但与人类朽迈干系的大部分生理变革是随机的，并且可能在热力学上是不可逆的。
因此，研究职员期望动态系统理论事理在生物医学数据剖析中的系统运用将有助于识别可操作的朽迈表型，从而促进创造和开拓产生持久恢复活力的抗朽迈疗法。
论文链接：https://www.nature.com/articles/s41467-022-34051-9