使用数据增强和机器学习算法预测和分析抗衰老.
Zhiyuan Zhang1,2,3, Yuanyuan Chen4, Shihao Wang5
1Department of Medical Information Engineering, School of Medical Information, Wannan Medical College, Wuhu, 241000, China. zhangzhiyuan@wnmc.edu.cn.
BMC biology
|December 24, 2025
概括
这项研究引入了三种新的计算模型来识别抗衰老 (AAPs),加速了对与衰老相关疾病的新疗法的发现.
科学领域:
- 生物遗传学 生物遗传学
- 计算生物学 计算生物学
- 类治疗药物 类治疗药物
背景情况:
- 衰老是一个自然过程,导致与年龄相关的疾病,给医疗保健带来挑战.
- 抗衰老 (AAPs) 显示出治疗干预的希望,因为它们的有利性质.
- 缺乏计算工具阻碍了对AAP的系统研究和发现.
研究的目的:
- 开发和验证用于预测抗衰老 (AAPs) 的新型计算模型.
- 为AAP研究建立一个基准数据集.
- 加速用于治疗应用的AAP的识别和开发.
主要方法:
- 使用注释生物函数和AgingBase数据库创建了一个基准AAP数据集.
- 开发了三种预测模型:抗衰老FL (特征学习+ML),ESM_GAN (数据增强的GAN) 和ESM_CNN (数据增强的CNN).
- 采用机器学习算法,生成对抗网络和卷积神经网络进行预测.
主要成果:
- 所有三个提出的模型都显示出高预测性能.
- 抗衰老FL在AAP400数据集上达到1.00的AUC,在一个独立的测试集上达到0.99.
- ESM_GAN和ESM_CNN也表现出强的表现,其AUC分别为0.99/0.95和0.96/0.94.
结论:
- 该研究提出了AAP预测的三个有效的计算模型,有助于发现新的抗衰老.
- 这些模型为研究人员提供了宝贵的资源,并为AAP机制提供了洞察力.
- 这些发现有助于针对老化相关疾病开发有针对性的药物.


