哈佛大學研究人員領導的出衰床工一篇新論文利用基于人群的研究的組學數據將注意力集中在衰老的生物標志物上。該團隊包括衰老和長壽專家、老生人工智能驅動的志物準和藥物發現公司 Insilico Medicine 的創始人兼首席執行官 Alex Zhavoronkov 博士，他們提供了一個框架，標的臨用于標準化衰老生物標志物的可行開發和驗證，以更好地預測壽命和生活質量。新論研究結果發表在《自然醫學》雜志上。文提物標
生物標志物是可以測量并用于評估各種生物過程的生物特征，包括疾病進展和對治療的老生反應。衰老與許多生物變化有關，志物準和包括分子和細胞損傷的標的臨增加，但研究人員尚未有標準化的可行方法來評估和驗證與衰老相關的生物標志物。
對于這項研究，新論研究團隊著手創建這些標準以及可行的臨床工具。他們分析了基于血液衰老生物標志物的組學數據(與生物分子相關的數據，包括蛋白質組學、轉錄組學、基因組學和表觀基因組學)的人群隊列研究。研究人員隨后比較了不同生物標志物的預測強度，包括研究設計和數據收集方法，并研究了這些生物標志物在不同人群中的表現。
為了更好地利用生物標志物評估衰老的影響，研究人員發現臨床醫生需要擴大關注范圍——不僅要考慮死亡率這一結果，還要考慮衰老的生物標志物與許多其他健康結果的關系，包括功能衰退、虛弱、慢性疾病和殘疾。他們還呼吁對組學數據進行標準化以提高可靠性。
“組學和生物標志物的協調工作，例如Biolearn 項目，有助于驗證衰老生物標志物，”遺傳學部門的共同第一作者 Mahdi Moqri 博士說。Biolearn 是一個針對衰老生物標志物的開源項目，正在幫助協調現有的衰老生物標志物、統一公共數據集并提供計算方法。
研究人員指出，研究小組之間在“大規模縱向研究上持續合作也很重要，這些研究可以跟蹤不同人群的長期生理變化和對治療的反應”。需要進一步的工作來了解在臨床試驗中實施生物標志物評估如何改善患者的生活質量和生存率。
“如果我們希望進行延長人類健康壽命的干預措施的臨床試驗，我們需要可靠、經過驗證的衰老生物標志物，”共同第一作者、遺傳學部的 Jesse Poganik 博士說。“我們希望我們的框架將有助于優先考慮最有前途的生物標志物，并為醫療保健提供者提供具有臨床價值和可操作的工具。”
Insilico Medicine 自 2014 年成立以來一直致力于開發衰老的多模式生物標志物。該公司的端到端生成人工智能平臺 Pharma.AI 首次經過訓練，可以使用不同的數據類型(包括圖片、血液測試、PBMC)來預測年齡以及組織特異性轉錄組、蛋白質組、成像數據、微生物組、可穿戴數據等。該公司的深度神經網絡 (DNN) 捕獲了最具生物學相關性的特征，并將這些特征用作針對各種疾病重新訓練 DNN 的目標。Insilico 的科學家發表了許多與使用這些深度學習方法識別衰老生物標志物相關的論文，包括識別特定人群的生物標志物;開發基于深度學習的衰老和長壽生物標志物;以及使用 Insilico 的人工智能驅動的發現引擎PandaOmics發現了許多針對衰老和疾病的雙重目標。
