色:一种机器学习方法,用于从转录组数据中建模组织特异性衰老
Wasif Jalal1, Mubasshira Musarrat1, Md Abul Hassan Samee2
1Department of Computer Science and Engineering, Bangladesh University of Engineering and Technology, ECE Building, West Palashi, Dhaka 1205, Bangladesh.
Briefings in bioinformatics
|March 2, 2026
概括
这项研究使用机器学习对转录基因数据进行组织特异生物年龄模型. 特定组织的加速衰老与增加的死亡风险相关,突出显示了转录组学.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 衰老研究研究 衰老研究
背景情况:
- 衰老是一种影响健康和疾病的基本生物过程.
- 组织特异性衰老和死亡率之间的关系尚不清楚.
研究的目的:
- 使用机器学习建模组织特定的生物年龄.
- 开发一个"年龄差距"指标来量化从时间学年龄的偏差.
- 调查组织特异性衰老模式与死亡率之间的相关性.
主要方法:
- 利用了来自12种组织类型的GTEx转录数据.
- 应用机器学习模型 (皮尔森相关性,弹性净回归,神经网络).
- 采用特征选择策略,包括皮尔森相关性,与年龄相关的差异表达基因和组织丰富基因.
主要成果:
- 开发了精确的模型来预测特定组织的生物年龄 (例如,平均年龄). RMSE 6.44 年,R2 0.64).
- 确定了显著的组织特异性衰老模式和"极端衰老者" (20%在一个组织中,1%在多个组织中).
- 在特定组织中发现加速衰老与较高的疾病死亡风险相关.
结论:
- 转录数据和机器学习可以有效地模拟特定组织的生物衰老.
- 特定组织的衰老模式和"年龄差距"与死亡率有关.
- 这些发现强调了转录学在理解衰老和长寿方面的重要性.
