影响寿命的罪魁祸首？AI算法告诉你答案
实际年龄只能表示我们从出生到现在的时间，不一定能准确反映我们的身体状况，就像生活轻松、经常锻炼的老年人可能比每天为生存奔波的年轻人身体更好一样。这时候就需要生理年龄来表征我们的健康状况。
虽然在不同的研究中，生理年龄的计算方法各不相同，但大家统一的认知是，生理年龄比实际年龄更加准确得反映了身体的衰老情况。生理年龄更大意味着身体各器官和系统更加衰老，健康状况更差。
这篇法国RESTORE 研究中心Louis Casteilla研究团队的文章用新兴的人工智能技术创建了一个个性化生理年龄（PPA）的预测模型。该模型所得出的生理年龄可以预测死亡率和慢性病的危险因素[1]，对了解身体衰老状况很有帮助。
AI，AI，告诉我是什么让我老得这样快
我能否通过医院血检、尿检、肝功能等检查的指标就确定我的生理年龄并且找到让我加速衰老的罪魁祸首呢？这个可解释的生理年龄预测模型给了我们答案，可以！
这个生理年龄预测模型发现，对生理年龄影响最大的因素的前20个因素大部分与氮代谢（例如，肌酐和尿代谢物），碳代谢（糖化血红蛋白、甘油三酯、葡萄糖）和肝功能（例如白蛋白、丙氨酸转氨酶（ALT）、谷氨酰转移酶（GGT）有关。
有趣的是，这个人工智能模型所筛选出来的影响生理年龄的因素与时光派一直推崇的五维衰老检测（代谢衰老、免疫与炎性衰老、细胞衰老、器官衰老、表型衰老）刚好有重叠。
AI所筛选出来的碳代谢、氮代谢指标与我们所提出的代谢衰老都说明了糖脂代谢紊乱、营养感知失调会加速衰老甚至引起代谢疾病，如Ⅱ型糖尿病、心脏病等。而白蛋白、ALT、GGT、尿肌酐、碱性磷酸酶等肝、肾功能相关的指标也说明了器官的健康状况切实影响着生理年龄。
另外，该研究还发现，在不同的年龄阶段影响生理年龄的主要因素不同。其中糖化血红蛋白、血尿氮素、平均细胞体积和尿肌酐在各个年龄阶段都显著影响着生理年龄，而碱性磷酸酶在12-18岁，丙氨酸转移酶（ALT）和胆固醇在20-40岁，淋巴细胞数量和叶酸在60岁及以上对生理年龄影响更大。
图注：在不同实际年龄时，生理指标对个性化生理年龄的影响程度，其中影响程度越大颜色越浅。横轴为实际年龄，纵轴为生理指标。
研究团队用部分生理指标对个性化生理年龄预测的模型进行了解释。发现生理年龄的增加与高水平的糖化血红蛋白、血尿素氮、平均细胞体积、胆固醇、甘油三酯、红细胞分布宽度和低水平的尿肌酐、磷有关。
图注：部分生理指标对个性化生理年龄的影响。横轴为生理指标（依次为糖化血红蛋白、尿肌酐、血尿素氮、平均细胞体积、胆固醇、甘油三酯、红细胞分布宽度、磷）；纵轴表示对个性化生理年龄的影响，负值为降低生理年龄，正值为增加生理年龄；图中点的颜色表示实际年龄。
无独有偶，在其他研究中也发现了葡萄糖、血尿素氮、肌酐、胆固醇含量的升高与早期心血管衰老密切相关[2]。可以说这个AI生理年龄预测模型不用实验和医学知识积累，仅靠大量数据就得出了其他衰老研究相似的结论。
AI算法预测生理年龄，亮点在哪？
就像实际年龄的计算需要以纪年法为基础一样，生理年龄的测量也需要工具，目前研究最多的工具是表观遗传时钟。
最早的表观遗传时钟是发源于对DNA甲基化模式的观察，后续发展出的生理时钟可以分为两代[3]。第一代时钟最常用的是Hannum的血液特异性时钟[4]和Horvath的泛组织时钟[5]，它们只能表现出与生理失调的微弱关联。
第二代表观遗传时钟以PhenoAge[6]和GrimAge[7]为代表，能够将DNA甲基化与疾病发病率和死亡率关联起来，在预测疾病和寿命中优于第一代时钟。
图注：AI预测生理年龄
而这篇发表在Aging Cell上的文章对生理年龄的预测与以往的表观遗传时钟大不相同，他基于大量人群的健康数据（60322个样本），用机器学习算法训练出一个可以预测个性化生理年龄（PPA）的模型，并且通过验证发现PPA可以预测死亡率和慢性病的危险因素。
这个生理年龄的预测方法不仅脱离了DNA甲基化数据（这意味着可以省下做基因检测的成本），而且采用了可解释的人工智能框架。这对于机器学习、深度学习算法在医学领域的应用来说都是一个不小的进步。
时光派点评
最后，派派大胆畅想，未来的人工智能将实现，只要提供一份医院的生化检测报告，就能自动计算出我的生理年龄，并且能告诉我损害生理年龄的指标和调节该指标的方法。不需要昂贵的基因检测、端粒检测等项目，也不需要找费时费力咨询专家，在家就能实现生理年龄的测量和个性化抗衰方案的制定。到那时，抗衰延寿将不再只是富豪的追求，也是普通人能承受的延长健康的方式。
——TIMEPIE——
这里是只做最硬核续命学研究的时光派，专注“长寿科技”科普。日以继夜翻阅文献撰稿只为给你带来最新、最全前沿抗衰资讯，欢迎评论区留下你的观点和疑惑；日更动力源自你的关注与分享，抗衰路上与你并肩同行！
参考文献
[1] Bernard D, Doumard E, Ader I, et al. Explainable machine learning framework to predict personalized physiological aging [published online ahead of print, 2023 Jun 10]. Aging Cell. 2023;e13872. doi:10.1111/acel.13872
[2] Kılıç A, Baydar O, Elçik D, Apaydın Z, Can MM. Role of dyslipidemia in early vascular aging syndrome. Turk J Med Sci. 2021;51(2):727-734. Published 2021 Apr 30. doi:10.3906/sag-2008-165
[3] McCrory C, Fiorito G, Hernandez B, et al. GrimAge Outperforms Other Epigenetic Clocks in the Prediction of Age-Related Clinical Phenotypes and All-Cause Mortality. J Gerontol A Biol Sci Med Sci. 2021;76(5):741-749. doi:10.1093/gerona/glaa286
[4] Hannum G, Guinney J, Zhao L, et al.. Genome-wide methylation profiles reveal quantitative views of human aging rates. Mol Cell. 2013;49:359–367. doi: 10.1016/j.molcel.2012.10.016
[5] Horvath S. DNA methylation age of human tissues and cell types. Genome Biol. 2013;14:R115. doi: 10.1186/gb-2013-14-10-r115
[6] Levine ME, Lu AT, Quach A, et al.. An epigenetic biomarker of aging for lifespan and healthspan. Aging (Albany NY). 2018;10:573–591. doi: 10.18632/aging.101414
[7] Lu AT, Quach A, Wilson JG, et al.. DNA methylation GrimAge strongly predicts lifespan and healthspan. Aging (Albany NY). 2019;11:303–327. doi: 10.18632/aging.101684
