摘要：伦敦国王学院的研究人员发现，基于血液代谢物的人工智能衰老时钟可以预测健康和寿命，加速衰老与更高的健康风险相关。非线性机器学习算法，尤其是立体回归，是最有效的。

人工智能驱动的代谢组学衰老时钟可以预测健康和寿命，提供对生物衰老的洞察，并根据血液代谢物数据制定预防性健康策略。

伦敦国王学院的研究人员发现，基于血液代谢物的人工智能衰老时钟可以预测健康和寿命，加速衰老与更高的健康风险相关。非线性机器学习算法，尤其是立体回归，是最有效的。

伦敦国王学院精神病学、心理学和神经科学研究所 (IoPPN) 的研究人员进行了一项详细研究，以评估基于人工智能的衰老时钟，该时钟通过分析血液数据来估计健康和寿命。

这项研究使用英国生物库中超过 225,000 名参与者的血液标志物数据来训练和测试 17 种机器学习算法，这些参与者在招募时年龄在 40 至 69 岁之间。研究人员评估了这些代谢组衰老时钟预测寿命的准确性以及它们与各种健康和衰老指标的相关性。

代谢组学年龄，简称“MileAge”，反映的是人体基于血液代谢物（代谢过程中产生的小分子，例如食物转化为能量时产生的小分子）的内部生物年龄。人体代谢物预测年龄（MileAge）与实际年龄之间的差异称为 MileAge delta，表明其生物衰老是加速还是减缓。

这项研究发表在《科学进展》杂志上，首次全面比较了不同的机器学习算法利用代谢物数据开发生物衰老时钟的能力，利用了全球最大的数据集之一。这项研究由英国国家健康与护理研究所 (NIHR) 莫兹利生物医学研究中心 (BRC) 资助，并使用了英国生物库的数据。

平均而言，加速衰老（即代谢物预测年龄大于实际年龄）的人更虚弱，更容易患慢性病，健康状况更差，死亡风险更高。他们的端粒（染色体末端的“帽子”）也更短，这是细胞衰老的标志，与动脉粥样硬化等与年龄有关的疾病有关。然而，减缓生物衰老（代谢物预测年龄小于实际年龄）与健康的联系微弱。

衰老时钟有助于发现健康状况下降的早期迹象，从而在疾病发作前采取预防策略和干预措施。它们还可以让人们主动跟踪自己的健康状况，选择更好的生活方式，并采取措施保持更长时间的健康。

Julian Mutz 博士是 IoPPN 的 King's Prize 研究员，也是这项研究的主要作者，他说：“代谢组学衰老时钟有可能让我们了解哪些人在晚年出现健康问题的风险更大。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替代测量方法，可以帮助塑造个人的生活方式选择，并为医疗服务实施的预防策略提供信息。我们的研究评估了开发衰老时钟的各种机器学习方法，结果表明非线性算法在捕捉衰老信号方面表现最佳。”

遗传流行病学和统计学教授、NIHR Maudsley BRC 试验、基因组学和预测主题的联合副主任、该研究的资深作者 Cathryn Lewis 教授表示：“人们对开发能够准确评估我们生物年龄的衰老时钟有着浓厚的兴趣。强大的大数据分析可以在推进这些工具方面发挥关键作用。这项研究是确定生物衰老时钟的潜力及其指导健康选择能力的重要里程碑。”

研究人员发现，使用一种名为 Cubist 规则回归的特定机器学习算法开发的代谢组学时钟与大多数健康和衰老指标关联最为密切。他们还发现，能够模拟代谢物和年龄之间非线性关系的算法通常在捕捉与健康和寿命有关的生物信号方面表现最佳。

该研究由美国国立卫生研究院资助。

参考文献：《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》，作者：Julian Mutz、Raquel Iniesta 和 Cathryn M. Lewis，2024 年 12 月 18 日，Science Advances。DOI：10.1126/sciadv.adp3743

来源：康嘉年華一点号