生物化学标记物的无监督聚类揭示了与活跃衰老中的功能和生存相关的健康状况

科学领域:

• 老年学和计算生物学
• 生物化学表型化和健康结果
• 机器学习在衰老研究中的机器学习

背景情况:

• 衰老与生化特征的复杂变化有关.
• 识别不同的生化现象类型可以提供对健康轨迹的见解.
• 之前的研究还没有充分利用机器学习来聚合生化数据来预测老年人健康状况.

研究的目的:

• 探索机器学习识别的生物化学现象和身体活跃的老年人关键健康结果之间的关系.
• 识别不同的生化集群,并评估它们与人体组成,身体功能和死亡风险的关联.
• 评估机器学习在检测表型集群中对老化有针对性的干预措施的有用性.

主要方法:

• 利用了来自EXERNET队列的536名体育活跃的西班牙参与者 (65岁以上) 的数据,并对死亡率进行了6年的随访.
• 采用主要成分分析 (PCA),等级聚类和k-means聚类来定义生物化学概况.
• 通过协差分析 (ANCOVA) 和Cox比例危险模型评估已识别的集群和健康结果之间的关联.

主要成果:

• 三个不同的生化团出现了:"健康"",代谢" (代谢参数失调) 和"肝" (肝功能受损的标志物).
• "代谢"群体表现出较差的身体组成和减少的身体表现,而"健康"群体的身体活动水平较高.
• 无论是"代谢"还是"肝脏"的都显示出显著更高的6年死亡风险 (调整后的危险比率从3.01到3.85,p<0.05).

结论:

• 通过机器学习识别的不同生化现象类型与老年人死亡风险密切相关.
• 代谢健康,体力活动和身体成分是这一群体死亡率的关键决定因素.
• 机器学习驱动的表型聚类为早期检测和个性化干预提供了一个有希望的方法,以提高健康的衰老结果.