長壽文章

基於人工智慧的新型衰老時鐘以前所未有的準確度預測人類年齡

基於人工智慧的新型衰老時鐘以前所未有的準確度預測人類年齡

我們已經到達了人工智慧 (ai) 可以模仿人腦內部運作的歷史階段。 深度學習演算法可以處理資料以檢測物件、識別語音、翻譯語言和做出決策。 這種人工智慧最近因其在為自動駕駛汽車提供動力和生成病毒式深度虛假影片方面的作用而成為主流關注的焦點。

現在,深度學習被用來估算生物年齡——你的細胞年齡,這看起來比按時間順序排列的年齡更能預測你的真實年齡。 總部位於香港的公司 deep longevity 最近 宣告 DeepMAge 的開發,它可能是迄今為止最準確的衰老時鐘。 DeepMAge 可以幫助開發抗衰老幹預措施,或幫助有衰老意識的人了解並可能影響他們的衰老速度。

人工智慧解決方案在科學領域的顛覆性潛力

深度學習演算法以其在文字、聲音和圖像處理方面的成就而聞名。 同時,為研究目的而開發的人工智慧實例卻鮮為人知。 然而,這並不表示缺乏進展或相關性。 相反,生物學、化學和醫學領域最先進的深度學習模型可能會顛覆醫療保健和製藥業。

例如,在藥理學中,可以採用深度學習方法來簡化藥物設計。 一台深度神經網路發生器被用來發現一種小分子抑制劑,在基於電腦的實驗啟動後三週內就確定了其對活體動物的有益特性。 使用傳統的迭代設計方法,藥物設計的相同目標到命中階段需要數月甚至數年的時間。

深度學習模型在腦部疾病的鑑別診斷或基於磁振造影 (mri) 掃描測量血流參數方面的表現已經與訓練有素的專業人員類似。 諸如此類的臨床人工智慧系統可用於顯著減少檢查時間並量化健康風險,最終提高醫療保健系統的吞吐量和成本效益。

 生物學、化學和醫學領域最先進的深度學習模型可能會顛覆醫療保健和製藥產業。

血液、微生物組和 dna 修飾有什麼共同點?

在生物老化研究中,對各種數據類型進行了分析,以創建許多新穎的年齡預測因子。 例如,透過查看與血液相關的測量結果進行的年齡預測已被證明與死亡風險相關。 這個特殊的老化時鐘使用典型檢查期間測量的標準血液參數,例如葡萄糖、膽固醇和血小板計數。

如今,為了根據分子層次特徵預測人類年齡,已經測試了多種機器學習方法。 其中,深度學習是一種特別有前途的方法,它已被用來利用血液生化或微生物組的數據來建立精確的時鐘,這是其他演算法無法實現的。

許多研究人員利用定序數據,根據某些 dna 位置隨年齡變化的變化,建立了高精度的年齡預測模型。 越來越多的研究表明,人類一生中 dna 修飾模式的變化與年齡和與年齡相關的結果具有強烈的相關性。 

第一個基於從特定dna 位點修飾獲得的定序資料的衰老時鐘可以追溯到2013 年。的修飾水準。 還有其他使用相同概念的實作。 他們共同表明,有多組 dna 位置可用於達到相當的準確度來預測生物年齡。

DeepMAge:利用深度學習開發的 DNA 甲基化老化時鐘

Deep longevity,一家總部位於香港的長壽新創公司,最近 發表 它對老化時鐘的看法 老化與疾病 雜誌。 他們的演算法 DeepMAge 是第一個基於 DNA 甲基化的深度學習老化時鐘。 它經過訓練可以根據 6,000 多個 DNA 甲基化位點預測人類年齡。 透過分析甲基化模式,DeepMAge 可以在 3 年誤差範圍內估計人類年齡,這比任何其他人類老化時鐘都更準確。

DeepMAge 還可以為患有各種健康相關疾病的人指定更高的預測年齡,例如卵巢癌、腸躁症和多發性硬化症。 例如,與健康人相比,DeepMAge 對腸躁症患者的年齡預測顯著較高(平均 1.23 歲)。

DeepMAge CpG 所在的基因富含參與發育過程的基因,尤其是心臟和神經系統。 了解所識別的基因在老化過程中參與的相互作用對於返老還童研究很有用。

透過分析 dna 甲基化模式,deepmage 可以在 3 年誤差範圍內估計人類年齡,這比任何其他人類老化時鐘都更準確。

凝視生物老化水晶球

這項研究表明,深度學習演算法可用於探索衰老背景下的個體 dna 甲基化景觀,並且它們有可能用於估計未來某些與年齡相關的事件的風險。 需要進一步的研究來研究 deepmage 在獨立縱向研究中的再現性和穩健性。

然而,無論演算法多麼奇特或未來,它可能永遠不會萬無一失,無法準確地確定我們還剩下多少時間。 因此,用多產的丹麥作家漢斯·克里斯蒂安·安徒生的話來說,「享受生活。」安徒生因其童話故事而被人們所銘記。 還有足夠的時間去死。



較舊的帖子 較新的帖子