可解释的生物学年龄 (ENABL年龄):用于可解释的生物学年龄的人工智能框架
Wei Qiu1, Hugh Chen1, Matt Kaeberlein2
1Paul G Allen School of Computer Science and Engineering, University of Washington, Washington, DC, USA.
The lancet. Healthy longevity
|November 9, 2023
概括
我们开发了可解释的生物逻辑年龄 (ENABL年龄),这是一个新工具,可以准确估计生物年龄,并提供个人健康见解. 这种先进的方法改进了现有的年龄表,为更好的健康评估提供了更高的准确性和可解释性.
科学领域:
- 计算生物学是一种计算生物学.
- 生物技术是生物技术.
- 基因组学就是基因组学.
背景情况:
- 生物年龄是一个关键的健康指标,但目前评估它的方法往往缺乏准确性或解释性.
- 现有的年龄表在精度和理解个体健康因素的能力之间进行了权衡.
研究的目的:
- 引入可解释的生物逻辑年龄 (ENABL年龄),这是一个新的计算框架,旨在准确地估计生物年龄.
- 将机器学习与可解释的人工智能 (XAI) 整合起来,以获得个性化的健康见解和可解释的年龄预测.
主要方法:
- 通过预测与年龄相关的结果并通过使用英国生物银行和NHANES数据重新调整它们以估计生物年龄,开发了ENABL Age.
- 适应XAI方法来识别导致生物年龄的个体风险因素,创建基于血液的 (ENABL Age-L) 和基于问卷的 (ENABL Age-Q) 版本.
- 通过全基因组关联研究 (GWAS) 验证了ENABL年龄钟捕获的独特衰老机制.
主要成果:
- ENABL年龄表与时间年龄有显著的相关性 (r=0.7867到0.7126) 并有效地区分健康和不健康的个体.
- 与现有方法相比,时钟显示出更好的死亡率预测 (AUC 0.8179-0.9107).
- 个性化的解释揭示了关键的衰老特征,GWAS证实每个时钟都捕捉到独特的衰老机制.
结论:
- ENABL Age代表了将XAI应用于生物年龄钟的重大进步,提供了增强的解释性.
- 该框架在临床环境中具有巨大的潜力,有助于理解衰老的复杂性并支持知情决策.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
06:46Automated, Long-term Behavioral Assay for Cognitive Functions in Multiple Genetic Models of Alzheimer's Disease, Using IntelliCage
Published on: August 4, 2018
12.2K
