倫敦國王學院的研究團隊近期取得了一項突破性的科研成果，他們開發(fā)出一種基于人工智能技術的“衰老時鐘”，該工具能夠通過分析個體的血液代謝物數據，準確預測個體的健康狀況及預期壽命。
這一創(chuàng)新性的“衰老時鐘”具備強大的預警功能，能夠捕捉到健康狀況下滑的早期信號。這意味著，在疾病尚未發(fā)作之前，人們就有機會采取預防性的策略和干預措施，從而有效避免或延緩疾病的發(fā)生。它還允許個人主動追蹤自身的健康狀況，從而做出更加明智的生活方式選擇，保持更長時間的健康狀態(tài)。
這項研究基于英國生物樣本庫中超過22.5萬名年齡在40至69歲之間的參與者的血液標記數據。研究人員對這些數據進行了深入的挖掘和分析，訓練并測試了多達17種機器學習算法。最終，他們發(fā)現非線性機器學習算法，特別是Cubist回歸模型，在這一領域表現出色，具有極高的預測準確性。
為了更精確地評估個體的生物年齡，科學家們在研究中引入了“MileAge”代謝組年齡的概念。這一指標通過觀察血液新陳代謝過程中產生的小分子（例如食物轉化為能量時釋放的分子）來得出。而MileAge delta，即MileAge與實際年齡的差值，則能夠反映出個體的生物衰老速度是處于加速還是減速狀態(tài)。
研究結果顯示，MileAge高于實際年齡的個體，往往身體狀況較差，更容易患上慢性疾病，自我評估的健康狀況也不理想，且面臨更高的死亡風險。這些個體的端粒長度也較短（端粒是細胞衰老的一個重要標志），與動脈粥樣硬化等老年疾病密切相關。
作為該研究的主要作者，IoPPN國王獎研究員朱利安·穆茨博士表示：“代謝組學衰老時鐘為我們提供了一種全新的視角，幫助我們識別出哪些人在晚年可能面臨更大的健康風險。與無法改變的實際年齡不同，我們的生物年齡是可以通過調整生活方式等因素來改變的。”
“這些衰老時鐘為生物醫(yī)學和健康研究領域提供了生物年齡的替代衡量標準，這將有助于引導個人做出更健康的生活方式選擇，并為衛(wèi)生服務機構制定預防策略提供科學依據。我們的研究還評估了多種機器學習方法在開發(fā)衰老時鐘中的應用，結果顯示非線性算法在捕捉衰老信號方面表現尤為突出?！?/p>
