В Гарвардской школе медицины разработали систему искусственного ума, которая может предвещать длительность жизни мышей, исходя из разных «характеристик старения» организма. Методику можно употреблять для экспресс-оценки воздействия разных оперативных действий и генетических особенностей на длительность жизни и в конечном итоге — для разработки мед и терапевтических инструментов для замедления старения.
Статья по результатам длительных исследовательских работ в Гарвардской школе медицины вышла в Nature Communications в вольном доступе (также доступна как препринт на BioRxiv). На первом шаге создатели выслеживали состояние здоровья 60 лабораторных мышей до их естественной погибели. Наиболее года выполнялись замеры разных характеристик здоровья и физической формы мышей, к примеру, утрата остроты зрения и слуха, походка, кривизна спины и т. д. Этот набор обучающих данных употреблялся для разработки 2-ух моделей машинного обучения. Одна из их на основании «характеристик старения» описывает био возраст мыши, иная употребляется для пророчества оставшейся длительности жизни организма. Последующие наблюдения проявили, что модели дают прогноз с точностью до 2-ух месяцев.
Индексы старения (Frailty Index FI) — это некие всеохватывающие характеристики ухудшения здоровья с возрастом. Они неинвазивны, другими словами не влияют на объект и не требуют лишних ресурсов для использования. Для мышей есть приспособленные методики определения физического состояния и вычисления характеристик старения. Но непонятно, как буквально те либо другие их разновидности определяют состояние организма в целом и предвещают время его жизни. Коэффициент FI для мышей рассчитывается из 31 пт оценки здоровья, любому из которых присваивается значение 0, 0,5 и 1 (1 обозначает соответственный связанный с возрастом физический недочет, 0 — его отсутствие). В числе таковых индикаторов, к примеру, сила хватки лапы, упругость хвоста, ослабление зрения/слуха по сопоставлению с юный мышью и т. д. Интересующиеся либо работающие в данной нам области биологи могут поглубже изучить эту методику по видео от создателей статьи в конце данной нам заметки.
Использованная методика машинного обучения базирована на решающих деревьях (decision trees) — системах в виде древесных (разветвляющихся) графов, в узлах которых размещены отдельные характеристики, составляющие индекс FI. Такие деревья создаются на базе обучающего набора, другими словами всех измеренных характеристик для мышей и настоящих данных по их длительности жизни, и потом разрешают созодать пророчества длительности жизни для новейших особей исходя из их характеристик здоровья. Создатели применили улучшенный метод обучения на решающих деревьях под заглавием random forest, либо классификатор на базе ансамбля решающих деревьев. Его сущность заключается в том, что употребляется не одно дерево решений, которое на маленькой выборке быть может не полностью четким, а несколько (огромное число) таковых деревьев, каждое из которых строится на случайной выборке начального набора данных. Предсказательная модель в этом случае строится в виде усреднения по огромному количеству таковых деревьев (комитет решающих деревьев), что дозволяет сделать лучше свойство пророчеств. Так, в методе использовалось 1000 таковых решающих деревьев исходя из такового же количества случайных выборок обучающих данных.
Примеры 2-ух различных деревьев принятия решений по случайным подборкам обучающих данных. Schultz, M.B. et al., Nat Commun 11, 4618 (2020).
Основное предполагаемое применение разработанной модели — оценка воздействия разных клинических и терапевтических действий, предположительно увеличивающих длительность жизни — к примеру, диеты (Диета — совокупность правил употребления пищи человеком) либо какого-нибудь фармацевтического продукта. Лонгитюдные исследования в этом случае должны бы продолжаться около трёх лет (среднее время жизни мыши) для хоть какого продукта. Потому таковая предсказательная биометрика — инструмент, позволяющий уменьшить время исследования, получив хотя бы подготовительные выводы, как выбранное направление перспективно.
На последующем шаге предсказательные модели проверялись на группах мышей, на которых ранее испытывали действие продлевающих жизнь ферментов с измерением индекса FI. Исследователи говорят, что предложенная модель машинного обучения смогла верно предсказать действенность соответственной терапии (терапия — процесс, для снятия или устранения симптомов и проявлений заболевания) для роста длительности жизни.
Система ИИ также дозволила заключить, что определённые характеристики старения наиболее коррелированы с состоянием здоровья и перспективами длительности жизни мыши в будущем. К примеру, степень утраты слуха и тремор тела оказались в большей степени соединены с биологическим возрастом, чем утрата зрения и выпадение волос. Необходимо ещё раз выделить, что эти выводы относятся лишь к лабораторным мышам. Пока что искусственный ум не умеет предвещать длительность жизни человека. Тут в игру вступает существенно больше решающих причин, чем для мышей и они оказываются взаимосвязаны еще посильнее.
Подобные характеристики старения FI есть и для людей. Наиболее того, сама методика FI для мышей и является адаптацией вначале разработанных для человека характеристик. Но в распоряжении биологов нет надёжной подборки данных с схожим периодическим контролем здоровья людей в возрасте от 60 до 90 лет, включая данные по смертности. Но в будущем они рассчитывают создать аналогичную систему машинного обучения для экспресс-оценки длительности жизни и эффективности разных терапевтических мероприятий для продления жизни.
Исследователям, работающим в данной нам области и экспериментирующим с мышами, создатели работы дают пользоваться их инвентарем на особом сайте-калькуляторе индексов FI и соответственных предсказываемых моделями ИИ характеристик био возраста и ожидаемого времени жизни мыши.
Методика определения разных характеристик, входящих в «индекс старения» для мышей.