به گزارش گروه دانشگاه خبرگزاری دانشجو، پژوهشگران دانشگاه کینگ لندن در یک مطالعه جدید نشان دادند که ساعتهای پیری مبتنی بر هوش مصنوعی با استفاده از دادههای متابولیتهای خون میتوانند وضعیت سلامت و طول عمر فرد را پیشبینی کنند. این مطالعه نشان میدهد که پیری تسریعشده با خطرات بهداشتی بیشتری همراه است. الگوریتمهای یادگیری ماشین غیرخطی، بهویژه رگرسیون مبتنی بر قاعده کوبیک، مؤثرترین ابزار در این زمینه بودند.
این مطالعه که در مجله Science Advances منتشر شد، اولین تحقیق جامع است که توانایی الگوریتمهای یادگیری ماشین مختلف در توسعه ساعتهای پیری زیستی با استفاده از دادههای متابولیت خون را مقایسه میکند.
در این تحقیق از دادههای بیش از ۲۲۵،۰۰۰ شرکتکننده در UK Biobank استفاده شد که در هنگام ثبتنام بین ۴۰ تا ۶۹ سال داشتند. پژوهشگران بررسی کردند که این ساعتهای متابولیکی چگونه میتوانند طول عمر را پیشبینی کنند و چه میزان با شاخصهای مختلف سلامت و پیری ارتباط دارند.
سن متابولیکی، که به نام "MileAge" شناخته میشود، سن داخلی زیستی فرد را بر اساس متابولیتهای خون (مولکولهای کوچک تولیدشده در طول متابولیسم بدن) منعکس میکند. تفاوت بین سن پیشبینیشده از متابولیتها (MileAge) و سن واقعی کرونولوژیکی فرد، که به نام دلتا MileAge شناخته میشود، نشاندهنده این است که آیا پیری زیستی فرد تسریع شده یا کند شده است.
افرادی که دارای پیری تسریعشده هستند (یعنی سن پیشبینیشده از متابولیتها بیشتر از سن کرونولوژیکی آنها بود)، به طور متوسط ضعیفتر، بیمارتر، با سلامت پایینتر و خطر مرگ و میر بالاتری داشتند. همچنین این افراد تلومرهای کوتاهتری داشتند، که اینها نشانهای از پیری سلولی و مرتبط با بیماریهای مرتبط با سن مانند آترواسکلروز هستند. اما پیری زیستی کند شده (با سن پیشبینیشده از متابولیتها کمتر از سن کرونولوژیکی) تنها ارتباط ضعیفی با سلامت خوب داشت.
پتانسیل ساعتهای پیری در پیشبینی سلامت
ساعتهای پیری میتوانند به شناسایی علائم زودهنگام کاهش سلامت کمک کنند و این امکان را برای استراتژیهای پیشگیرانه و مداخلات قبل از بروز بیماری فراهم کنند. این ابزارها میتوانند به افراد کمک کنند تا سلامت خود را به طور فعال پیگیری کرده و انتخابهای سبک زندگی بهتری داشته باشند تا برای مدت طولانیتری سالم بمانند.
نظرات کارشناسان درباره ساعتهای پیری
جولیان موتز، پژوهشگر ارشد دانشگاه کینگ لندن و نویسنده اصلی این مطالعه، گفت: ساعتهای پیری متابولیک میتوانند اطلاعاتی درباره افرادی که ممکن است در معرض خطر بیشتر مشکلات بهداشتی در آینده باشند، ارائه دهند. برخلاف سن کرونولوژیکی که غیرقابل تغییر است، سن زیستی ما احتمالاً قابل تغییر است. این ساعتها یک معیار جایگزین برای سن زیستی هستند که میتواند در تحقیقات بیومدیکال و سلامت مفید باشد.
کاترین لوئیس، استاد اپیدمیولوژی ژنتیکی و آمار در دانشگاه کینگ لندن و نویسنده ارشد این تحقیق، نیز گفت: این مطالعه یک گام مهم در جهت تثبیت پتانسیل ساعتهای پیری زیستی و توانایی آنها در اطلاعرسانی انتخابهای بهداشتی است.
پژوهشگران دریافتند که ساعت متابولیکی توسعهیافته با استفاده از الگوریتم خاص یادگیری ماشین به نام رگرسیون مبتنی بر قاعده کوبیک، بیشترین ارتباط را با شاخصهای سلامت و پیری داشت. همچنین آنها متوجه شدند که الگوریتمهایی که قادر به مدلسازی روابط غیرخطی بین متابولیتها و سن هستند، به طور کلی بهترین عملکرد را در شبیهسازی سیگنالهای زیستی مرتبط با سلامت و طول عمر دارند.