یادگیری ماشین، نحوه چگونگی پیش‌بینی پیری و سلامت از طریق پروفایل متابولیتی را آشکار کرد.

در یک مطالعه‌ی جدید که در مجله‌ی Science Advances منتشر شده است، پژوهشگران کالج کینگ لندن از مدل‌های یادگیری ماشین برای بررسی "ساعت‌های زیستی مبتنی بر متابولومیک" استفاده کردند. این مدل‌ها با داده‌های متابولیت پلاسمای بانک زیستی بریتانیا آموزش داده شدند. هدف این مطالعه ارزیابی قابلیت ساعت‌های زیستی متابولومیک در پیش‌بینی نتایج سلامت و طول عمر با بررسی دقت، پایداری، و ارتباط آن‌ها با نشانگرهای زیستی فراتر از سن تقویمی بود.

پیری زیستی، که با سن تقویمی تفاوت دارد، بیانگر آسیب‌های مولکولی و سلولی است که بر سلامت و آسیب‌پذیری نسبت به بیماری‌ها تأثیر می‌گذارد. سن تقویمی به تنهایی قادر به توضیح تفاوت‌های فردی در وضعیت‌های فیزیولوژیکی مرتبط با پیری نیست. با این حال، پیشرفت‌های اخیر در فناوری‌های omics، به‌ویژه متابولومیکس، دید جدیدی در زمینه‌ی پیری زیستی از طریق پروفایل‌سازی مولکولی ارائه کرده‌اند.


این مطالعه از طیف‌سنجی تشدید مغناطیسی هسته‌ای (NMR) برای تحلیل داده‌های متابولیت پلاسمای بانک زیستی بریتانیا استفاده کرد.

این داده‌ها شامل ۲۲۵٬۲۱۲ شرکت‌کننده در بازه سنی ۳۷ تا ۷۳ سال بودند. معیارهای خروج شامل بارداری، ناسازگاری داده‌ها و مقادیر متابولیت‌های غیرمعمول بود. مجموعه داده شامل ۱۶۸ متابولیت بود که پروفایل‌های لیپیدی، آمینواسیدها، و محصولات گلیکولیز را نمایندگی می‌کردند.

پژوهشگران از ۱۷ الگوریتم یادگیری ماشینی، از جمله رگرسیون خطی (linear regression)، مدل‌های مبتنی بر درخت (tree-based models)، و تکنیک‌های تجمعی (ensemble techniques)، برای توسعه ساعت‌های زیستی متابولومیک استفاده کردند. برای ارزیابی دقیق مدل‌ها، از رویکرد اعتبارسنجی متقاطع تو در تو (nested cross-validation) بهره بردند.

این مطالعه نشان داد که ساعت‌های زیستی متابولومیک ابزاری مفید برای پیش‌بینی پیری زیستی و نتایج مرتبط با سلامت هستند. با مقایسه چندین الگوریتم یادگیری ماشینی، مدل Cubist بهترین عملکرد را در ارتباط بین سنین پیش‌بینی‌شده و نشانگرهای سلامت و مرگ‌ ومیر داشت.

یافته‌ها نشان دادند که ساعت‌های زیستی متابولومیک می‌توانند برای مدیریت سلامت و ارزیابی ریسک به‌صورت پیش‌فعال مورد استفاده قرار گیرند. همچنین، بر اهمیت بررسی‌های بیشتر در جمعیت‌های متنوع و داده‌های طولی برای کاربرد بالینی گسترده تأکید کردند.

رفرنس:

Metabolomic age (MileAge) predicts health and life span: A comparison of multiple machine learning algorithms | Science Advances