衰老涉及細胞損傷的逐步積累，導致全身衰退和與年齡相關的疾病。盡管目前醫(yī)學取得了顯著進步，但由于衰老過程的復雜性和現(xiàn)有模型的局限性，準確預測生物年齡（BA）仍然具有挑戰(zhàn)性。
2025年3月，日本大阪大學的高尾敏文教授團隊（汪秋益博士為第一作者，王梓博士為共同第一作者/通訊作者）在Science Advances雜志發(fā)表題為“Biological age prediction using a DNN model based on pathways of steroidogenesis”的文章。
該研究開創(chuàng)性的將激素代謝通路“刻入” AI（人工智能）的算法框架中，成功構建了真實反映人體“折舊率”的" 如將人生比作一條河流，那么在“河流”的上游，嬰兒個體的“生物年齡”幾乎相差無幾；而隨著時間推移，越往“河流”的下游，由于遺傳、生活習慣和環(huán)境等先天或后天因素的影響，同齡人之間的“生物年齡”差異也會愈發(fā)凸顯。 基于這一直觀的現(xiàn)象，該研究團隊思考：是否可以精準捕捉并量化這種“生物年齡”呢？他們認為，人體調節(jié)內環(huán)境的激素水平與生理健康是息息相關的，應該能為“生物年齡”的評估提供關鍵的線索。 因此，研究團隊從血液中22種激素構成的、猶如人體健康“晴雨表”的激素代謝通路入手，首次將這一動態(tài)變化融入深層神經(jīng)網(wǎng)絡（DNN）的AI算法中，并自主設計了特殊推算機制，既捕捉了激素調控對“生物年齡”產(chǎn)生的影響，又反映了群體間“生物年齡”差異隨時間擴大的規(guī)律。這一全新方法為破解“生物年齡”預測難題提供了新的思路。 研究開創(chuàng)性地將人體激素代謝通路知識與AI技術相結合，開發(fā)出一套便捷高效的衰老評估系統(tǒng)。僅需采集240微升（約5滴）血液樣本，通過自主研發(fā)的高精度質譜檢測技術即可同步測定22種關鍵激素數(shù)據(jù)，并在自主構建的AI模型框架下，對人體健康狀態(tài)進行準確評估。與傳統(tǒng)方法不同，新模型主要實現(xiàn)了三大創(chuàng)新： 個體校準預處理：在保持各激素相對濃度比例的前提下，消除個體總激素水平的差異，有效降低實驗批次間的誤差； 專用損失函數(shù)設計：針對群體“生物年齡”差異隨時間擴大的規(guī)律，設計了專用損失函數(shù)，使模型在訓練中逐步捕捉這一自然現(xiàn)象； 生物學可解釋性：將激素代謝通路的生物學知識融入深度神經(jīng)網(wǎng)絡(DNN)，打破傳統(tǒng)“黑箱”模型，為健康狀態(tài)評估提供更直觀的解釋依據(jù)。 此外，值得關注的是，該模型還揭示了壓力激素皮質醇的“衰老加速器”作用——當皮質醇水平異常升高至原先的2倍時，系統(tǒng)評估出的“生物年齡”會大約放大1.5倍。這一發(fā)現(xiàn)為科學調控壓力、延緩衰老提供了重要依據(jù)。 總的來說，本研究成果有望成為個人健康管理中新型“生物年齡”評估指標，為衰老相關健康風險的早期發(fā)現(xiàn)與預防策略提供科學依據(jù)，同時為醫(yī)療研究指明新的方向。未來，隨著對相關代謝通路的深入研究，預計將進一步揭示精細的衰老調控機制，進而推動全社會健康水平的提升。 參考文獻: https://www.science.org/doi/10.1126/sciadv.adt2624
熱門跟貼