基于机器学习的可解释的脑脊液蛋白质学时钟用于预测年龄,揭示了对大脑衰老的新见解

科学领域:

• 神经科学是一个神经科学.
• 生物化学 生物化学
• 计算生物学 计算生物学

背景情况:

• 生物年龄可以使用机器学习"生物钟"来预测.
• 器官和生物流体可能与整个生物体的衰老不同.
• 使用血或组织样本的现有时钟对大脑衰老评估有局限性.

研究的目的:

• 开发一种使用脑脊液 (CSF) 蛋白质学来预测大脑衰老的机器学习时钟.
• 确定参与中枢神经系统 (CNS) 衰老的新型蛋白质和途径.
• 为了告知大脑衰老相关疾病机制和抗衰老治疗点的发展.

主要方法:

• 开发了一种机器学习模型,利用CSF蛋白质数据来预测时间年龄.
• 使用皮尔森相关性和平均估计误差 (MAE) 验证了时钟的准确性.
• 分析了高度加重的蛋白质,并开发了一个最小的109个特征的蛋白质钟.

主要成果:

• 在验证队列中,CSF蛋白质时钟实现了0.79的皮尔森相关性和4.30年的MAE.
• 一个具有109个蛋白质特征的最小时钟显示出类似的准确性 (0.75相关性,5.41年MAE).
• 通过相互作用,而不是直接相关性来预测年龄的新型蛋白质.

结论:

• 脑脊髓液蛋白质衰老时钟准确地预测生物年龄,并提供对中枢神经系统衰老的见解.
• 这种方法可以识别与年龄相关的新型蛋白质和途径,这些蛋白质和途径在个体分析中并未显现出来.
• 时钟是了解大脑衰老和开发有针对性的治疗方法的宝贵工具.