منبع: Geralt/Pixabay

همه الگوریتم‌های یادگیری ماشین هوش مصنوعی (AI) یکسان ایجاد نمی‌شوند. کدام یک برای تعیین سن بیولوژیکی و طول عمر انسان بهترین است؟ پاسخ مهم است، زیرا نرخ پذیرش ابزارهای سلامت دیجیتال و هوش مصنوعی همچنان در سراسر جهان در بین محققان، پزشکان و ارائه دهندگان مراقبت های بهداشتی افزایش می یابد. محققان موسسه روانپزشکی، روانشناسی و علوم اعصاب (IoPPN) در کینگز کالج لندن ارزیابی گسترده ای را بر روی طیف گسترده ای از الگوریتم های هوش مصنوعی مختلف انجام دادند تا تعیین کنند که کدام الگوریتم ها در پیش بینی سن بیولوژیکی از خون انسان بهترین هستند و مطالعه خود را در این مقاله منتشر کردند. پیشرفت علم.

دکتر جولیان موتز (Julian Mutz)، نویسنده ارشد IoPPN، با نویسندگان همکار نوشت: «این مطالعه یک مقایسه جامع از الگوریتم‌های یادگیری ماشینی برای توسعه ساعت‌های پیری متابولومیک ارائه می‌کند، و طیف وسیعی از مدل‌ها را تحت شرایط ثابت در یکی از بزرگترین مجموعه داده‌های متابولومیک موجود در سطح جهان مقایسه می‌کند.» راکل اینیستا و کاترین ام. لوئیس.

در بیوشیمی، متابولومیک رشته علمی است که مواد شیمیایی تولید شده توسط یک ارگانیسم، سلول یا بافت در نتیجه متابولیسم به نام متابولیت ها را مطالعه می کند. متابولیسم مجموع تمام فرآیندهای شیمیایی در سطح سلولی است که باعث حفظ حیات در موجودات می شود. یک اصطلاح آشنا است. افرادی که متابولیسم بالایی دارند در زمان استراحت و فعالیت با سرعت بیشتری نسبت به افرادی که متابولیسم آهسته دارند کالری می سوزانند. چیزی که ممکن است برای یک فرد معمولی چندان آشنا نباشد این است که متابولیسم را می توان به دو نوع تقسیم کرد: متابولیسم مخرب، که کاتابولیسم نامیده می شود، فرآیندهای دخیل در تخریب، یا متابولیسم خلاق، همچنین به عنوان آنابولیسم شناخته می شود، فرآیندهای درگیر در سنتز. کاتابولیسم تجزیه مولکول های پیچیده به مولکول های ساده برای آزاد شدن یا ایجاد انرژی است. این شامل فرآیندهایی است که مولکول‌های غذا و مایعات را به واحدهای کوچک‌تری از مولکول‌های زیستی تبدیل می‌کنند که می‌توانند اکسید شوند یا برای آنابولیسم استفاده شوند. آنابولیسم، دقیقا برعکس، فرآیندهایی است که برای ساختن مولکول های پیچیده از مولکول های ساده، به انرژی نیاز دارند. بارداری، معدنی شدن رشد استخوان، بهبود زخم و تجمع توده عضلانی همگی نمونه هایی از فرآیندهای آنابولیک هستند.

دانشمندان نوشتند: «هدف این مطالعه مقایسه الگوریتم‌های یادگیری ماشینی متعدد برای توسعه ساعت‌های پیری متابولومیک با استفاده از داده‌های طیف‌سنجی رزونانس مغناطیسی هسته‌ای (NMR) در Biobank بریتانیا بود.

برای آموزش و اعتبارسنجی 17 الگوریتم هوش مصنوعی مختلف برای این مطالعه، تیم تحقیقاتی از داده‌های شامل 168 متابولیت مختلف از پلاسما در خون بیش از 225000 شرکت‌کننده در پایگاه داده Biobank بریتانیا از افراد میانسال و مسن‌تر با میانگین سنی 56.97 سال استفاده کرد. قدیمی

داده‌های متابولیت Biobank بریتانیا از پلاسمای خون با استفاده از طیف‌سنجی تشدید مغناطیسی هسته‌ای (NMR) استخراج شد، یک تکنیک تجزیه و تحلیل شیمیایی غیرتهاجمی که ویژگی‌های مولکول‌های آلی را با ثبت برهم‌کنش بین هسته‌های باردار الکتریکی اتم‌هایی که در معرض میدان مغناطیسی خارجی و امواج فرکانس رادیویی قرار دارند به دست می‌آورد. .

الگوریتم‌های هوش مصنوعی بر اساس داده‌های متابولیت‌های پلاسمای خون و میزان همسویی نزدیک با نشانگرهای سلامت و پیری، طول عمر را به خوبی پیش‌بینی کردند. دانشمندان با بازیگوشی سن متابولومیک ناشی از نشانگرهای زیستی متابولیت را “MileAge” نامیدند. دلتای MileAge فاصله بین MileAge و سن تقویمی فرد را اندازه گیری می کند. اگر این فاصله زیاد باشد، فرد پیری را تسریع کرده است.

محققان نوشتند: «این ساعت پیری متابولومیک (MileAge) را می‌توان در تحقیقات به کار برد و ممکن است در ارزیابی‌های سلامت، طبقه‌بندی خطر و ردیابی سلامت پیشگیرانه استفاده شود.

بین الگوریتم‌های هوش مصنوعی با عملکرد بالا، سازگاری با عملکرد بالا وجود داشت که شامل مجموعه‌های انتخابی مبتنی بر درخت و رگرسیون برداری پشتیبانی می‌شد. الگوریتم با عملکرد برتر از رگرسیون مبتنی بر قانون کوبیست برای محاسبه دلتای MileAge استفاده کرد تا نتایجی داشته باشد که بیشترین ارتباط را با نشانگرهای پیری و سلامت دارند.

مشابه میزان مسافت پیموده شده در خودروهای قدیمی تر، افرادی که پیری سریع دارند، میزان دلتاهای مسافت پیموده شده بالایی دارند.

در اکثر مدل‌ها، افرادی با متابولیت‌های مسن‌تر پیش‌بینی‌شده نسبت به سن تقویمی، که نشان‌دهنده پیری سریع‌تر است، ضعیف‌تر بودند، تلومرهای کوتاه‌تری داشتند، احتمال ابتلا به بیماری‌های مزمن بیشتر بود، وضعیت سلامتی آنها بدتر بود و خطر مرگ و میر بالاتری داشتند. محققان گزارش کردند.

جالب توجه است، علیرغم یافته‌ها که پیری متابولومیک تسریع شده ارتباط واضحی با خطر مرگ و میر بالاتر و سلامت ضعیف دارد، نتایج نشان داد که کند شدن پیری شاخص قابل اعتمادی برای نتایج بهتر سلامتی نیست. دانشمندان هشدار می دهند که در حال حاضر، برخی از خطرات مبتنی بر متابولومیک بیشتر باید برای شناسایی بیماران با خطر بالا استفاده شود.

دانشمندان نتیجه گرفتند: «ساعت های پیری نوید قابل توجهی برای تحقیقات در مورد طول عمر و افزایش طول عمر دارند، زیرا نشانگر زیستی پیری را ارائه می دهند که به طور بالقوه قابل تغییر است.

با اثبات مفهوم MileAge در سطح سیستم، محققان پیشنهاد می‌کنند ساعت‌های پیری را بر اساس بافت‌ها و سلول‌ها به عنوان راه‌های تحقیقاتی بالقوه برای پیمایش در آینده ایجاد کنند.

حق چاپ © 2024 Cami Rosso کلیه حقوق محفوظ است.