Штучний інтелект і старіння: як алгоритми прогнозують здоров’я та тривалість життя
Наскільки точно різні метаболічні годинники старіння передбачають тривалість життя ?
Дослідники з Інституту психіатрії, психології та нейронаук провели комплексне дослідження, щоб оцінити засновані на штучному інтелекті «годинники старіння», які прогнозують стан здоров'я та тривалість життя на основі даних із крові.
Про це повідомляє Королівський коледж Лондона.
Вони навчали та тестували 17 алгоритмів машинного навчання, використовуючи дані про маркери в крові понад 225 000 учасників UK Biobank віком від 40 до 69 років на момент їхнього залучення до дослідження.
Дослідники вивчали, наскільки точно різні метаболічні годинники старіння передбачають тривалість життя та наскільки надійно ці годинники пов’язані з показниками здоров'я та старіння.
Метаболічний вік людини, або «MileAge», є показником того, наскільки старим здається її тіло зсередини на основі маркерів у крові, які називаються метаболітами. Метаболіти — це малі молекули, що утворюються в процесі метаболізму, наприклад, коли їжа розщеплюється для отримання енергії.
Різниця між віком, передбаченим за метаболітами, та хронологічним віком людини, яка отримала назву MileAge delta, вказує на те, чи біологічне старіння людини пришвидшене або сповільнене.
Дослідження було опубліковане в Science Advances і є першим, що комплексно порівнює різні алгоритми машинного навчання за їхньою здатністю розробляти біологічні годинники старіння на основі метаболічних даних, використовуючи один із найбільших доступних наборів даних. Воно було профінансоване Національним інститутом досліджень у сфері здоров'я та догляду (NIHR) та Maudsley Biomedical Research Centre (BRC) із використанням даних UK Biobank.
Люди з прискореним старінням (тобто з метаболічним віком, вищим за їхній хронологічний вік) у середньому мали вищу крихкість організму, були більш схильні до хронічних захворювань, оцінювали своє здоров’я гірше та мали вищий ризик смертності.
Вони також мали коротші теломери (захисні «ковпачки» на кінцях хромосом), які є маркером клітинного старіння та пов’язані з віковими захворюваннями, такими як атеросклероз. Однак уповільнене біологічне старіння (коли метаболічний вік нижчий за хронологічний) мало лише слабкий зв’язок із добрим здоров’ям.
Годинники старіння можуть допомогти виявити ранні ознаки погіршення здоров'я, дозволяючи застосовувати профілактичні стратегії та втручання до появи хвороб. Вони також можуть допомогти людям проактивно відстежувати свій стан здоров'я, приймати кращі рішення щодо способу життя та робити кроки для збереження здоров’я на довший період.
«Метаболічні годинники старіння мають потенціал надавати інформацію про те, хто може мати вищий ризик розвитку проблем зі здоров’ям у майбутньому. На відміну від хронологічного віку, який змінити неможливо, наш біологічний вік потенційно можна модифікувати. Ці годинники надають непрямий показник біологічного віку для біомедичних і медичних досліджень, що може допомогти у виборі способу життя та розробці профілактичних стратегій у сфері охорони здоров’я. Наше дослідження оцінило широкий спектр підходів машинного навчання для створення годинників старіння, продемонструвавши, що нелінійні алгоритми найкраще фіксують сигнали старіння.»
— Доктор Джуліан Мутц, дослідник King's Prize, Інститут психіатрії, психології та нейронаук
«Є значний інтерес до розробки годинників старіння, які точно оцінюють наш біологічний вік. Потужна аналітика великих даних може відігравати ключову роль у вдосконаленні цих інструментів. Це дослідження є важливою віхою в оцінці потенціалу біологічних годинників старіння та їхньої здатності впливати на вибір щодо здоров'я.»
— Професорка Кетрін Льюїс, професорка генетичної епідеміології та статистики, співкерівниця напряму «Клінічні випробування, геноміка та прогнозування» в NIHR Maudsley Biomedical Research Centre
Дослідники виявили, що метаболічний годинник, створений за допомогою певного алгоритму машинного навчання під назвою Cubist rule-based regression, мав найсильніший зв’язок із більшістю маркерів здоров’я та старіння.
Вони також з’ясували, що алгоритми, які можуть моделювати нелінійні зв’язки між метаболітами та віком, зазвичай найкраще визначають біологічні сигнали, що містять інформацію про здоров’я та тривалість життя.
