Βρείτε μας στο Google News. Πατήστε εδώ!Σε μια πρόσφατη μελέτη που δημοσιεύτηκε στο περιοδικό Science Advances, ερευνητές στο King’s College του Λονδίνου διερεύνησαν ρολόγια μεταβολικής γήρανσης χρησιμοποιώντας μοντέλα μηχανικής μάθησης εκπαιδευμένα σε δεδομένα μεταβολιτών πλάσματος από τη Biobank του Ηνωμένου Βασιλείου (Η.Β.). Η μελέτη είχε ως στόχο να αξιολογήσει τη δυνατότητα των ρολογιών μεταβολικής γήρανσης στην πρόβλεψη των αποτελεσμάτων υγείας και της διάρκειας ζωής, συγκριτικά με την ακρίβεια, την ευρωστία και τη συνάφειά τους με δείκτες βιολογικής γήρανσης πέρα από τη χρονολογική ηλικία.
Βιολογική γήρανση – Ισούται με τη χρονολογική ηλικία;
Η βιολογική γήρανση, διαφορετική από τη χρονολογική ηλικία, αντανακλά μοριακές και κυτταρικές βλάβες που επηρεάζουν την υγεία και την ευαισθησία σε ασθένειες. Η χρονολογική ηλικία από μόνη της δεν μπορεί να συλλάβει τη μεταβλητότητα στις φυσιολογικές καταστάσεις που σχετίζονται με τη γήρανση μεταξύ των ατόμων. Ωστόσο, οι πρόσφατες εξελίξεις στις τεχνολογίες omics, ιδιαίτερα στη μεταβολομική, έχουν προσφέρει πληροφορίες για τη βιολογική γήρανση μέσω του μοριακού προφίλ.
Οι μεταβολίτες, ή μικρά μόρια από μεταβολικές οδούς, μπορούν να παρέχουν αξιολογήσεις της φυσιολογικής υγείας και συνδέονται με αποτελέσματα που σχετίζονται με τη γήρανση, όπως χρόνιες ασθένειες και θνησιμότητα. Προηγούμενες μελέτες συσχέτισαν μεταβολικά δεδομένα με τη γήρανση, αλλά περιορίστηκαν από περιορισμένα μεγέθη δειγμάτων και δείκτες.
Οι πρόσφατες προσπάθειες για την εξαγωγή “ρολόγια γήρανσης” χρησιμοποιώντας μηχανική μάθηση από δεδομένα omics έχουν δείξει σημαντική προγνωστική ισχύ για τα αποτελέσματα της υγείας. Ωστόσο, εξακολουθούν να υπάρχουν προκλήσεις στη βελτιστοποίηση αυτών των μοντέλων ως προς την ακρίβεια και την ερμηνευτικότητα, ειδικά με τη χρήση της μεταβολομικής.
Τι συνέβη στην τρέχουσα μελέτη;
Η παρούσα μελέτη χρησιμοποίησε φασματοσκοπία πυρηνικού μαγνητικού συντονισμού (NMR) για την ανάλυση δεδομένων μεταβολιτών πλάσματος από τη Biobank του Ηνωμένου Βασιλείου, στην οποία συμμετείχαν 225.212 συμμετέχοντες ηλικίας μεταξύ 37 και 73 ετών. Τα κριτήρια αποκλεισμού περιελάμβαναν εγκυμοσύνη, ασυνέπειες δεδομένων και ακραίες τιμές μεταβολιτών. Το σύνολο δεδομένων περιελάμβανε 168 μεταβολίτες που αντιπροσωπεύουν προφίλ λιπιδίων, αμινοξέα και προϊόντα γλυκόλυσης.
Οι ερευνητές εφάρμοσαν 17 αλγόριθμους μηχανικής μάθησης, συμπεριλαμβανομένων γραμμικής παλινδρόμησης, μοντέλων που βασίζονται σε δέντρα και τεχνικών συνόλου, στο σύνολο δεδομένων για να αναπτύξουν ρολόγια μεταβολικής γήρανσης. Χρησιμοποίησαν επίσης μια αυστηρή προσέγγιση ένθετης διασταυρούμενης επικύρωσης για να εξασφαλίσουν αξιόπιστη αξιολόγηση του μοντέλου.
Μερικά από τα κύρια βήματα προεπεξεργασίας περιελάμβαναν το χειρισμό των ακραίων τιμών μεταβολίτη και τη διόρθωση των προκαταλήψεων πρόβλεψης ηλικίας που είναι εγγενείς στα μοντέλα. Τα μοντέλα πρόβλεψης στόχευαν στην εκτίμηση της χρονολογικής ηλικίας χρησιμοποιώντας προφίλ μεταβολιτών και οι διαφορές μεταξύ προβλεπόμενων και πραγματικών ηλικιών ορίστηκαν ως “δέλτα της ηλικίας χιλιομέτρων”. Οι στατιστικές διορθώσεις εφαρμόστηκαν εκτενώς για την άρση συστηματικών προκαταλήψεων και την ενίσχυση της ακρίβειας πρόβλεψης, ιδιαίτερα για νεότερες και μεγαλύτερες ηλικίες.
Τα μοντέλα αξιολογήθηκαν για προγνωστική ακρίβεια χρησιμοποιώντας μετρήσεις όπως το μέσο απόλυτο σφάλμα (MAE), το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και τους συντελεστές συσχέτισης. Για παράδειγμα, το μοντέλο της κυβιστικής παλινδρόμησης πέτυχε MAE 5,31 ετών, ξεπερνώντας σε απόδοση άλλα μοντέλα όπως πολυμεταβλητές προσαρμοστικές στροφές παλινδρόμησης (MAE = 6,36 έτη). Περαιτέρω ανάλυση προσάρμοσε τις προβλέψεις για να αφαιρέσει τις συστηματικές προκαταλήψεις και να βελτιώσει την ευθυγράμμισή τους με τη χρονολογική ηλικία.
Τα ευρήματα έδειξαν ότι τα ρολόγια μεταβολικής γήρανσης που αναπτύχθηκαν από προφίλ μεταβολιτών πλάσματος θα μπορούσαν να διαφοροποιήσουν αποτελεσματικά τη βιολογική από τη χρονολογική γήρανση. Από τα διάφορα μοντέλα που δοκιμάστηκαν στη μελέτη, το μοντέλο παλινδρόμησης με βάση τους κυβιστικούς κανόνες παρείχε τις ισχυρότερες προγνωστικές συσχετίσεις με δείκτες υγείας και θνησιμότητα και ξεπέρασε τους άλλους αλγόριθμους σε ακρίβεια και ευρωστία.
