机器学习可以预测寿命,并暗示老化C. elegans中死亡的潜在原因
Carina C Kern1,2, Petru Manescu3, Matt Cuffaro1
1Institute of Healthy Ageing, and Research Department of Genetics, Evolution and Environment, University College London, London, UK.
Communications biology
|November 21, 2025
概括
这项研究使用机器学习来展示C. elegans中与年龄相关的疾病如何影响寿命. 喉和肠道中的特定病理是长寿的关键预测因素.
科学领域:
- 老年学是一门学科.
- 计算生物学 计算生物学
- 遗传学 遗传学是一种遗传学.
背景情况:
- 衰老与病态和死亡率有关,受遗传和环境因素的影响.
- 要了解干预如何影响寿命,需要分析与年龄相关的病理学.
- 凯诺拉布迪斯 (C. elegans) 作为研究衰老和寿命的模型生物.
研究的目的:
- 研究与年龄相关的病理学在寿命决定中的调解作用.
- 分析遗传和环境干预如何通过病理学影响寿命.
- 应用机器学习,以以数据为导向的方法来研究衰老.
主要方法:
- 收集了关于寿命决定因素 (性别,营养,基因型) 和它们对病理模式的影响的广泛数据.
- 采用机器学习 (ML) 模型来分析病理水平和预测寿命变化.
- 评估寿命延长治疗对中年病理和整体寿命的差异影响.
主要成果:
- 不同的延长生命的治疗方法会诱导不同的抑制衰老病理的模式.
- 通过分析病理水平,ML模型解释了79%的寿命变化.
- 喉和肠道病理是C. elegans中寿命最强的预测因素.
结论:
- 老年C. elegans主要死于影响喉和肠道的晚年疾病.
- 在与年龄相关的病理学中存在显著的性别差异,生殖病理学是雌雄性特异性的.
- 生殖死亡可能是一个现象,仅限于C. elegans中的雌雄性动物.
