나이는 만연한 질병과 사망의 주요 위험 요소입니다. 그러나 노화와 관련된 생리적 변화와 수명 사이의 관계는 잘 알려져 있지 않습니다. 분석 및 기계 학습 도구를 결합하여 대규모 종단 측정 세트에서 노화 과정을 설명했습니다. 유기체 상태의 동적 불안정성으로 인해 노화가 발생한다고 가정하고 자동 인코더 및 자동 회귀(AR) 구성 요소를 포함하는 심층 인공 신경망을 설계했습니다. AR 모델은 단일 변수인 "동적 허약 지표"(dFI)의 확률적 진화와 생리학적 상태의 역학을 연결했습니다. Mouse Phenome Database의 혈액 검사 하위 집합에서 dFI는 기하급수적으로 증가했고 남은 수명을 예측했습니다. 한계 dFI의 관찰은 노년기 사망률 감소와 일치했습니다. dFI는 허약 지수, 염증 분자 표지자, 노화 세포 축적, 수명 단축(고지방 식이요법) 및 수명 연장(라파마이신) 치료에 대한 반응을 포함한 노화의 특징과 함께 변화했습니다.

Cistanche의 배당체는 또한 심장 및 간 조직에서 SOD의 활성을 증가시킬 수 있으며 각 조직에서 리포푸신 및 MDA의 함량을 크게 감소시켜 다양한 활성 산소 라디칼(OH-, H₂O₂ 등)을 효과적으로 제거하고 이로 인한 DNA 손상으로부터 보호합니다. OH-라디칼에 의해. Cistanche phenylethanoid glycosides는 자유 라디칼의 강력한 소거 능력, 비타민 C보다 높은 환원 능력, 정자 현탁액에서 SOD의 활동을 개선하고 MDA의 함량을 감소시키며 정자 막 기능에 대한 특정 보호 효과가 있습니다. Cistanche 다당류는 D-갈락토스에 의해 유발된 실험적으로 노화된 쥐의 적혈구 및 폐 조직에서 SOD 및 GSH-Px의 활성을 향상시킬 수 있을 뿐만 아니라 폐 및 혈장의 MDA 및 콜라겐 함량을 감소시키고 엘라스틴 함량을 증가시킬 수 있습니다. DPPH에 대한 우수한 소거 효과, 노화된 쥐의 저산소증 시간 연장, 혈청 내 SOD 활성 개선, 실험적으로 노화된 쥐의 폐의 생리학적 퇴행 지연 피부 노화 질환을 예방하고 치료하는 약물이 될 가능성이 있습니다. 동시에 Cistanche의 echinacoside는 DPPH 자유 라디칼을 제거하는 상당한 능력이 있으며 활성 산소 종을 제거하고 자유 라디칼로 인한 콜라겐 분해를 방지하는 능력이 있으며 티민 자유 라디칼 음이온 손상에 대한 우수한 복구 효과도 있습니다.

Cistanche 정제 혜택을 클릭하십시오.

【자세한 정보: david.deng@wecistanche.com / WhatApp:86 13632399501】

노화는 유기체 조직의 여러 수준에서 나타납니다. 따라서 DNA 메틸화 패턴 또는 혈액 구성 마커1-5와 같은 다양한 생리적 상태 변수 세트를 사용하여 노화를 정량화할 수 있습니다. 최첨단 노화 바이오마커는 훈련을 위한 레이블로서 연대기적 연령 또는 사망 연령을 요구하는 감독 모델에서 나왔습니다(예: 가장 최근 6개 참조). 또는 축적된 건강 적자 수7 또는 복합 노쇠 지수8,9는 인간과 동물9,10의 질병 부담 및 남은 수명과 상관 관계가 있으며 실험실 실험 및 노화 방지 개입의 임상 시험에서 응용 프로그램을 찾습니다3,11,12. 노화 바이오마커의 향후 사용은 노화 특징, 생물학적 연령 예측자, 노쇠 지수 및 남은 수명 사이의 연결에 대한 더 나은 이해에 달려 있습니다.

여기에서 우리는 현대 기계 학습 기술과 동적 시스템 이론에서 차용한 접근 방식의 조합을 보여 주어 대규모 종단 생물 의학 데이터에서 노화의 징후와 모든 원인 사망률과의 관계를 관리하는 정량적 규칙을 식별합니다. 우리는 노화가 동적 안정성 영역 경계의 분기점 또는 티핑 포인트 근처에서 전개되는 복잡한 시스템의 역학의 특정 사례라고 가정하는 것으로 시작합니다. 상황에서 유기체 상태 변동은 불안정한 단계13-15에 해당하는 순서 매개변수의 의미를 갖는 단일 집단 기능이 아니라면 극소수의 역학에 의해 구동되어야 합니다. 생물학에서 이러한 차원 감소의 예로는 발달16, 노화 및 사망률 가속5,17,18이 있습니다.

우리는 이 이론적 개념을 기반으로 AE(denoising autoencoder)와 AR(auto-regressive) 모델로 구성된 심층 인공 신경망을 생성했습니다. 이는 차수 매개변수의 확률적 동역학에 대한 계산적 은유입니다. 접근 방식을 테스트하기 위해 우리는 표현형 데이터의 가장 큰 공개 액세스 소스인 MPD(Mouse Phenome Database)19에서 전체 혈구 수(CBC) 측정을 기반으로 노화의 설명자를 생성하기 위해 네트워크를 사용했습니다. 네트워크 출력 변수(이후 동적 노쇠 지표(dFI)라고 함)는 유기체 상태 분해와 관련된 차수 매개변수에 대한 최상의 수치 근사치이므로 주어진 데이터에서 노화됩니다. 우리는 dFI의 역학이 사망률 가속화를 주도하고 Gompertz 사망률 법칙에서 노년기 편차를 설명한다는 것을 입증했습니다. dFI는 생물학적 연령 마커의 가장 바람직한 특성을 나타냈습니다. 즉, 나이가 들면 기하급수적으로 증가하고, 동물의 남은 수명을 예측하고, 노화의 여러 특징과 상관관계가 있으며, 가속화(고지방 식이) 및 감속하는 것으로 알려진 개입에 반응했습니다. 라파마이신) 마우스에서 노화.

결과

MPD에서 CBC의 주성분 분석

우리는 공개적으로 사용 가능한 가장 큰 세로 표현형 데이터 소스인 MPD19를 사용했습니다. 이전 연구와의 최상의 호환성을 달성하기 위해 데이터베이스 레코드를 스캔하여 ref에서 생리적 노쇠 지수(PFI)를 구성하는 데 사용되는 공통 측정 수를 최대화했습니다. 3. 그 결과 총 6693마리의 동물을 포함하여 9개의 데이터 세트에서 12개의 CBC 측정 하위 집합을 선택했습니다(이 작업에서 모델 교육에 사용된 전체 데이터 세트 목록은 보충 데이터 1 참조).

MPD에서 {{0}}차원 CBC 데이터를 시각화하기 위해 주성분 분석(PCA)을 수행했습니다. 완전히 성장한 동물을 나타내는 MPD 슬라이스의 PCA(25-주령 초과, 관련 연령 범위 결정에 대한 자세한 내용은 방법 참조)가 특히 간단한 것으로 밝혀졌습니다. 이 경우 데이터의 대부분의 분산(31%)은 첫 번째 PC 점수 z0과 후속 PC 점수(z1, z2 등)로 설명되며 각각 19%, 16% 등을 설명합니다. 각각 데이터의 총 분산). CBC 기능의 계층 적 클러스터링은 처음 두 개의 PC 점수가 각각 그림 1a에 표시된 것처럼 적혈구 및 백혈구 수와 주로 연결될 수 있음을 시사했습니다.

첫 번째 PC 점수인 z0만이 실제 연령과 상당한 상관관계를 보여주었습니다(해당 Pearson의 상관 계수는 r=0.59(p < 10−5 ) 및 r=0 .08(p=0.003) 처음 두 PC 점수에 대해 각각(그림 1b) PC 점수의 분산은 연령에 따라 증가했습니다(그림 1b의 삽화 참조). 확률적 과정.

유기체 상태의 노화 및 임계 역학(이론적 결과 요약)

지배적 인 PC에 따른 변동과 가장 느린 동적 프로세스 (우리의 경우 노화)의 연관성은 동적 시스템 이론 및 임계 현상에 깊은 뿌리를두고 있습니다. 네트워크 그래프가 특정 대칭을 갖지 않는 네트워크에서 안정성에서 불안정성으로의 전환은 일반적으로 codimension 1(또는 안장 노드) 분기와 관련됩니다. 이러한 전이는 상태 벡터 공간에서 단일 방향을 따라 안정성이 손실되는 것을 특징으로 하며, 대략 첫 번째 주성분과 일치합니다. 대조적으로, 다른 모든 주요 구성 요소의 기여도는 안정적으로 유지됩니다(따라서 연령에 무관함). 따라서 충분히 긴 시간 척도에 걸쳐 생리적 지표(예: CBC 기능)의 변동 xi는 불안정성과 관련된 차수 매개변수 z의 역학을 따를 것으로 예상됩니다. xi ≈ biz 더하기 ξi. 여기서 ξi는 노이즈, bi는 벡터, 정수 인덱스 I는 측정된 특징을 열거합니다.

티핑 포인트에 가까워지면 생리학적 상태의 역학은 느리고 거의 선형입니다. 따라서 변수 z는 고차 시간 도함수가 무시된 확률적 Langevin 방정식을 충족합니다.

여기서 방정식의 오른쪽에 있는 선형 항 z는 작은 스트레스에 대한 유기체의 반응을 제어하고 가장 안정적인 위치에서 유기체 상태의 약간의 편차를 생성하는 규제 네트워크 강성의 효과를 나타냅니다. 다음 용어 gz2는 규제 상호 작용의 최저 차수 비선형 결합 효과를 나타냅니다.

확률적 힘 f는 유효 방정식으로 설명되지 않는 외부 응력과 내생 요인의 영향을 나타냅니다. (1). 당연히 우리는 유기체 상태의 무작위 섭동이 직렬로 상관관계가 없다고 가정하므로 ðtÞf ðt0 Þi ~ Bδðt0 tÞ, 여기서 B는 잡음의 힘, δ는 Dirac의 델타 함수입니다. , 〈…〉는 노화 궤적에 따른 평균화를 나타냅니다. 등식 (1)은 식 좌변의 유기체 상태변수 z_=dz=dt의 변화율과 결정론적(z, gz2)의 효과 사이의 수학적 관계이다. 오른쪽의 확률적 힘(f).

강성 계수의 부호에 따라 유기체 상태는 동적으로 안정적(< {{0}}인 경우) 또는 불안정(> 0인 경우)일 수 있습니다. 후자의 경우 유기체 상태의 사소한 편차가 시간이 지남에 따라 기하급수적으로 증폭되므로 평형이 불가능합니다. 이 경우 Eq. (1) 노화 유기체를 설명합니다. 일반적으로 는 작기 때문에 생리학적 지수의 진화는 임계의 특징을 나타냅니다. 순서 매개변수의 역학은 느리지만(임계 감속) z의 변화에 ​​따른 생리학적 상태의 변동은 큽니다. B expð2 tÞ=2 ≫1(임계 변동).

삶의 아주 초기에는 임계점으로부터의 편차가 적고 유기체 상태의 진화는 확산에 의해 지배됩니다. 삶의 후반기에 선형 항이 인계되어 젊음 상태로부터의 편차가 기하급수적으로 가속화됩니다.

여기서 z ~ ðB{0}} Þ 1=2 및 z0는 각각 무작위 및 결정적 힘의 누적된 초기 효과를 나타내는 상수입니다.

마지막으로 차수 매개변수가 충분히 크면 z ≳ Z=/g, 비선형 항이 인계되고 유기체 상태의 분해가 지수보다 빠른 속도로 진행되며 동물은 유한 상태에서 사망합니다. 시간. 등식 (1)은 나이 t까지 살아남은 동물의 비율에 대한 간단한 분석 표현을 얻기 위해 풀 수 있습니다: SðtÞ ≈ ErfðZ=z expð tÞÞ, 여기서 Erf(x)는 오차 함수입니다18. 이론적 생존함수는 모든 연령대에서 기하급수적으로 사망률이 증가한다는 곰페르츠 사망법칙과는 다릅니다.

모델의 모든 원인으로 인한 사망률 MðtÞ =  _ SðtÞ=SðtÞ는 처음에는 확산이 지배하는 정권에서 빠르게 증가한 다음 평균 수명 t {{4 }} logðZ=zÞ. 가장 나이가 많은 동물에서 Gompertz 사망률 법칙에 대한 불일치가 가장 강합니다. 모델의 사망률은 감속하고 Mðt ≫ tÞ ≈ 에서 고원에 도달합니다.

마지막으로, 불안정한 상황에서 유기체 상태 변수의 샘플 공분산 행렬이 순서 매개변수의 역학에 의해 지배된다는 것을 관찰합니다.

여기서 〈…〉는 샘플 평균을 나타냅니다. 약한 비선형 한계인 t ≫ 1에서 이러한 신호의 PCA는 bi와 일치하는 첫 번째 PC 점수에 해당하는 로딩 벡터를 나타냅니다. 첫 번째 PC 점수 z0=(b, x)는 차수 매개변수 z ≈ z0 자체에 대한 근사치입니다.

종단 데이터의 딥 러닝 에이징 디스크립터

임계 노화는 유용한 이론적 개념일 수 있습니다. 그러나 PCA의 근사적 적용 외에 차수 매개변수를 식별하기 위한 실용적인 알고리즘을 제공하지 않습니다. 측정에서 노화 과정을 특성화하기 위해 인공 신경망의 도움을 받아 9개의 MPD 데이터 세트(방법 및 보충 데이터 1 참조)의 6,693개 샘플에서 CBC 측정의 세로 노화 궤적을 분석했습니다. 이 알고리즘에는 차원 축소를 위한 심층 자동 인코더(AE)와 방정식의 솔루션에 대한 후속 측정의 네트워크 표현을 맞추기 위한 간단한 AR 모델의 조합이 포함되었습니다. (1) (AE-AR; 방법 참조).

AR 문제의 솔루션 z는 알고리즘의 출력이며 유기체 상태의 분해와 관련하여 사용 가능한 데이터에서 노화와 관련된 차수 매개변수의 가장 적합한 추정입니다. 아래에서 우리는 노화, 허약함 및 사망률의 특징과 z의 연관성을 설정합니다. 따라서 dFI를 참조하기로 했습니다. z는 dFI입니다.

AR 모델의 성능은 테스트 데이터 세트 MA{{8에서 14주와 28주로 구분된 연령 시점에서 동일한 마우스의 노화 궤적을 따라 측정된 dFI 값 간의 상관 관계인 dFI의 자기 상관 속성을 플로팅하여 입증되었습니다. }}072(그림 2). 각 연령 조정 dFI 추정치 사이의 해당 Pearson 상관 계수는 r=0.71(p < 0.{{20}}01) 및 r=0 .70(p < 0.001). dFI 자동 상관은 동일한 마우스에 대한 첫 번째 PC 점수 z0의 자동 상관보다 우수했습니다(보충 그림 2 참조). 해당 Pearson의 상관관계 값은 14- 및 28-주 시차에 대해 r=0.55(p < 0.001) 및 r=0.71(p < 0.001)이었습니다. .

테스트 데이터 세트에서 CBC 기능의 공분산의 반정량적 계층적 클러스터링은 면역 체계(백혈구 수 및 관련 양), 대사율/산소 소비(적혈구 수 및 헤모글로빈 농도)와 관련된 기능 전반에 걸쳐 상관관계를 생성했습니다. ) 및 혈소판에 의해 형성된 독립적인 서브시스템(보충 그림 6).

dFI는 테스트 세트와 훈련 세트 모두에서 동물의 나이에 따라 증가했습니다 (각각 그림 3 및 보충 그림 3). Eq.의 질적 솔루션에서 예상한 대로. (1) dFI는 동물의 평균 수명(우리의 경우 ~100주)에 해당하는 연령까지 증가했습니다. 식의 형태로 지수 적합을 수행했습니다. (2) 테스트 데이터 세트의 데이터(변종의 평균 수명보다 오래 살았던 동물 및 데이터 세트 MA0073의 수명이 다한 동물 제외). 계산 결과 주당=0.02의 dFI 성장 지수가 반환되었습니다.

훈련 및 테스트 데이터 세트에서 평균 수명을 초과하는 dFI의 포화도는 동물의 생존과 양립할 수 없는 제한 값을 나타냅니다. 이 가능성을 강조하기 위해 우리는 MA0073 실험에서 "건강하지 않은" 마우스의 별도 코호트에서 dFI 범위를 플로팅했으며, 이는 실험실 요구 사항에 따라 안락사 예정인 동물을 나타냅니다(그림 3, 빨간색 별).

연령에 따른 dFI 가속의 특성 및 사망률 가속률과 일치하는 dFI 배증률(주당 0.037과 동일22)은 dFI와 사망률 사이의 연관성을 나타내는 좋은 지표입니다. 관찰은 dFI "가속"(즉, 동물의 dFI와 해당 연령 및 성별 일치 코호트의 평균값 간의 차이)과 사망 순서 사이의 Spearman 순위 상관관계를 계산하여 추가로 뒷받침될 수 있습니다. 같은 나이와 성별의 동물들 사이의 이벤트(표 1 참조). 우리는 모든 코호트에 대해 dFI와 남은 수명 사이에 유의미한 상관관계를 얻었습니다.

벤치마크로서 동일한 데이터에서 동물의 생존을 예측하는 감독된 Cox 비례 위험(PH) 모델도 생성했습니다. 특히, 연령 및 성별 조정된 dFI는 동일한 데이터에서 훈련된 감독 모델의 로그 위험 비율 예측자보다 남은 수명을 동일하게 또는 약간 더 잘 예측했습니다(표에서 "dFI" 및 "HRCBC"에 해당하는 행 참조). 1).

dFI는 체중(BW) 또는 인슐린 유사 성장 인자 1(IGF1) 혈청 수준보다 인생 후반의 남은 수명을 더 잘 예측했습니다. 두 요인 모두 이전에 심판의 사망률과 관련이 있는 것으로 나타났습니다. 23 및 24. 심판에서 지적한 바와 같이. 24 그리고 여기에서 확인한 결과, 혈청 내 IGF1의 농도는 수명(r=− 0.28, p=0.008)과 유의미한 연관성이 있었습니다. 12}}주된 수컷 쥐. 심판에 따르면. 23 및 우리의 계산에 따르면 BW는 가장 어린 동물(26세 및 52주)의 사망률과 더 관련이 있습니다.

노년기 사망률 감소 및 사망률 제한

MPD에서 기록된 수명을 가진 동물의 수는 가장 진보된 연령에서 임계 노화 모델에 의해 예측된 바와 같이 Gompertz 사망 법칙으로부터의 사망률 편차를 이해하기에는 불충분했습니다. 다행히도, 수천 마리의 마우스가 포함된 대규모 실험에서 처리되지 않은 대조군의 데이터를 사용하여 노년기 사망률의 정량적 분석을 수행할 수 있습니다25. Gompertz 사망률 적합은 수명, t, Gompertz 지수 및 초기 사망률 M0에 대해 수컷에 대해 개별적으로 다음과 같은 추정을 생성했습니다: t= 100:3주,=0. 0385 ± 0.0002/주, M0=(4.1 ± 0.1)⋅ 10−4/주; 암컷의 경우: t=115:8주,=0.0568 ± 0.0003/주, M0=(3.4 ± 0.1)⋅ 10−5/주.

남녀 노년기에 경험적 생존 곡선은 Gompertz 사망률 법칙의 예측보다 느리게 떨어집니다 (각각 그림 4a 및 보충 그림 4a의 파란색 점선과 주황색 점선 참조). 이것은 사망률 감소의 신호입니다. 그림 4b와 보충 그림 4b의 파란색 선은 경험적 사망률 곡선입니다. 회색 점선은 이론적 제한 사망률 Mðt ≫ tÞ =에 해당하는 고원에서의 사망률 수준에 대한 이론적 기대치에 해당합니다. 여기서 는 Gompertz 적합도의 사망률 배가율입니다.

사망률의 평준화는 여성 코호트에서 더 잘 나타나며(그림 4) 우리 모델에서 노년기 고원 사망률의 이론적 예측과 일치합니다. 수컷 코호트에서 동물은 고원에 도달하기 전에 만료됩니다(보충 그림 4). 이는 아마도 40주에서 100주 사이의 초기 배경 사망률 증가 때문일 수 있습니다. 그럼에도 불구하고 관찰된 최대 사망률은 여전히 ​​그리 멀지 않습니다(및 남성 코호트에서도 예측된 제한 값과 확실히 같은 차수입니다.

dFI 및 노화의 특징

노화의 바이오마커로서 dFI를 추가로 검증하기 위해 우리는 최근 ref에서 제안된 노화 및 허약함의 정량적 측정인 PFI와의 관계를 조사했습니다. 3. dFI와 PFI는 강한 상관관계를 보였다(Pearson's r=0.64, p < 0.001), Fig. 5a. PFI는 복합 노쇠 점수이며 결정을 위해 CBC 측정에 따라 달라집니다. 그러나 PFI 계산에는 악력, 심혈관 건강, 염증 지표 등과 같은 동물과 인간의 전통적인 노쇠 측정을 포함하여 더 많은 요인이 포함됩니다. 보충 그림 5, Pearson의 r=0.59, p < 0.001).

그림 5b 및 보충 그림 6, 7에 설명된 바와 같이 dFI가 독립적인 기능 하위 시스템(가장 두드러지지만 이에 국한되지는 않음)에 걸쳐 확장된 CBC 기능 세트와 유의미하게 연관되어 있음을 관찰했습니다. dFI와 골수 세포 특징 사이의 상관 관계는 여러 균주를 포함하는 훈련 세트에서 덜 심오했습니다 (보충 그림 7). 상관 계수는 개별 CBC 기능 변화에 대한 dFI의 반응을 측정한 값이며 다양한 마우스 계통에서 다릅니다(때로는 반대 기호일 수도 있음)(보조 그림 8). 개별 기능과 dFI의 연관성 변화는 모든 선형 모델에 대한 중요한 도전이 될 것이며 AE의 비선형 특성을 보여줍니다.

dFI는 적혈구 분포 폭(RDW) 및 BW(그림 5b)와 밀접한 관련이 있으며, 마우스26 및 인간27 모두에서 허약함을 예측하는 것으로 알려져 있습니다. dFI는 또한 C-반응성 단백질(CRP,r=0.39, p < 0.001) 및 쥐의 케모카인 CXCL1(KC, r {{ 9}}.28, p < 0.001), 둘 다 전신 염증 및 사망률의 알려진 마커입니다28,29.

노화는 노화 세포30-32의 증가하는 부담과 관련이 있으며 만성 무균 전신 염증의 원인으로 널리 간주되는 "염증"33. 노화 세포(SC)는 일반적으로 p16/Ink4a 프로모터 기반 리포터의 활동으로 인식되는 연령34. 우리는 반딧불이 루시페라제 cDNA35로 노크된 하나의 p16/Ink4a 대립유전자가 있는 동형접합 p16/Ink4a 리포터 마우스를 활용했습니다. 그림 6a는 p16/Ink4a 프로모터 구동 루시페라제 활성(r= 0.54, p= 0.008)의 플럭스로 측정한 동물 연령과 노화 세포의 존재 사이의 상관관계를 보여줍니다.

이 SC 프록시(총 루시퍼라제 플럭스)와 dFI의 상관관계는 훨씬 더 강했습니다(r {{0}}.69, p < 0.001; 그림 6b). 관찰은 우리의 이론적 예측과 잘 맞습니다: 차수 매개변수(dFI)에 ​​대한 동역학 방정식은 자율적입니다(그 계수는 시간에 의존하지 않음). 이것은 노화 세포 부하 측정을 포함한 유기체 상태 변수가 연령에 명시적으로 의존하지 않을 수 있으므로 연령 의존성은 dFI에 대한 의존성을 통해서만 올 수 있음을 의미합니다.

dFI는 수명 조절 중재에 응답합니다.

노화에 대한 개입의 효과 분석을 위한 dFI의 유용성을 평가하기 위해, 우리는 이전 실험의 데이터를 사용하여 고지 방식(HFD)에 대한 반응으로 dFI와 남은 수명과의 관계를 후향적으로 평가했습니다3. 50주령부터 일반 식이(RD) 대신 HFD를 먹인 수컷 마우스는 수명이 크게 감소했으며(보조 그림 9a) 78주에 측정된 평균 dFI도 크게 증가했습니다(p= 0). 05, Student's two-tailed t-test, 그림 6c) 대조군 RD 공급 수컷과 비교. 대조적으로 암컷 마우스의 HFD 공급은 수명이나 평균 dFI에 영향을 미치지 않았습니다 (보충 그림 9b 및 그림 6d). 따라서 dFI는 HFD에 대한 유기체의 성별 의존적 차이를 잘 예측할 수 있는 것으로 나타났으며, 이에 대한 근본적인 이유는 아직 설명되지 않았습니다.

우리의 계산은 dFI에 의해 포착된 노화 가속이 수컷의 PFI에서 이전에 보고된 이득(Student's t-test에 따른 p=0.02)과 일치하고 동일한 실험에서 78주차에 암컷 마우스에는 아무런 영향이 없음을 보여주었습니다. 실험. 이것은 PFI가 MA0071 실험에서 개발(훈련)되었고 그 결정을 위해 단순한 CBC보다 더 많은(18 대 12) 변수를 사용하기 때문에 dFI의 민감도에 관한 주목할만한 진술입니다. 반대로 dFI 모델을 교육하기 위해 MA0071-73 데이터 세트의 데이터를 사용하지 않았습니다. 그림 6c, d는 외부 데이터 세트에서 독립적으로 개발된 PFI와 관련된 dFI 성능을 보여줍니다.

또 다른 실험에서 우리는 확립된 수명 연장제인 라파마이신36,37을 사용한 단기 치료에 대한 dFI의 반응을 테스트했습니다. 여기서 우리는 60 60-주 된 C57BL/6 수컷 마우스 코호트를 사용한 실험 결과를 제시합니다. 48마리의 동물(처리군)을 8주 동안 매일 12mg/kg의 용량으로 라파마이신으로 처리하였다. 다른 12마리의 동물(대조군)은 동일한 일정으로 비히클을 받았다.

BW는 매주 측정되었고 대조군에서 예상대로 증가했습니다 (그림 6e). 대조적으로, 라파마이신 처리군의 BW는 10주의 관찰 기간 동안 초기 값 근처에서 거의 일정하게 유지되었습니다. 낮은 BW는 대조군3,38에 비해 라파마이신 처리 마우스에 일반적입니다. 이 실험에서 마우스에 대한 dFI 값을 생성하기 위해 우리는 2주마다 각 동물의 혈액 샘플에서 CBC를 수집하고 생성했습니다(그림 6f).

실험에서 샘플링의 종단 특성을 통해 자동 회귀 분석을 사용하여 dFI의 역학 및 노화에 대한 약물의 가능한 영향을 감지할 수 있습니다. 무작위가 아닌 힘(즉, 약물의 효과)이 Eq. (1), 동일한 동물의 결과 측정 사이의 dFI 점프는 수정된 방정식을 충족해야 합니다. (7):

여기서 J는 측정 사이의 노화 궤적을 따라 약물의 누적 효과입니다. 시간 간격은 일반적으로 매우 작습니다(Δt ≪ 1). 따라서 자기회귀 계수 r ≈ 1입니다. 따라서 dFI 증분의 분포를 비교하여 라파마이신의 효과를 확인할 것으로 예상됩니다. ΔdFI=z(t 더하기 Δt) - z(t), 치료군과 대조군 모두에서 측정치 사이에 치료를 받거나 받지 않은 동물에서(통계 분석의 세부 사항은 방법 참조). dFI 증분의 통계적 분석은 라파마이신 치료와 관련된 현저한 노화 감속을 입증했습니다(그림 6g, p=0.05, 학생의 양측 테스트).

논의

우리는 세로 측정, 즉 노화 궤적을 따라 수집된 동일한 동물의 여러 샘플을 포함하는 큰 생의학 데이터에서 연령 및 노쇠의 바이오마커를 밝히는 새로운 방법을 도입했습니다. 이 접근 방식은 연령, 사망률 및 이환율과 관련된 레이블이 필요하지 않은 비지도 학습 알고리즘 클래스에 속합니다. CBC의 기존 및 자동 측정에서 dFI라는 쥐의 노화 바이오마커를 발견하고 특성화하고 MPD의 데이터에서 훈련한 것이 그 예가 될 수 있습니다.

노화는 유기체의 기능적 하위 시스템의 분자 과정 또는 작동과 관련된 시간을 훨씬 초과하는 특징적인 시간 척도에서 발생하는 매우 느린 과정입니다. 일반적으로 이러한 규모의 계층 구조는 안정한 영역과 불안정한 영역을 분리하는 티핑 포인트에 가깝게 작동하는 동적 시스템의 특수한 경우인 임계성에서 발생합니다. 심판에서 18, 우리는 노화가 기본 규제 네트워크의 고유한 동적 불안정성으로 인해 발생하며 유기체 상태 변수(생리학적 지표)의 작은 편차가 기하급수적으로 증폭되어 사망률의 기하급수적 가속으로 이어짐에 따라 그 자체가 나타난다고 제안했습니다. 첫 번째 주성분 점수는 불안정한 단계를 특징짓는 순서 매개변수에 대한 근사치이며 동물17의 삶의 과정에서 누적된 규제 오류의 총 수를 의미합니다. 따라서 우리는 임계 노화 추측이 노화 연구40-42에서 반정량적 도구로서 주성분 분석(PCA)의 성공에 대한 좋은 설명을 제공한다고 믿습니다.

불안정성과 관련된 차수 매개변수의 아이디어는 열역학의 상전이를 설명하기 위해 Ginzburg-Landau 이론에 처음 도입된 개념의 일반화입니다. 이 아이디어는 비평형 시스템을 여는 응용 프로그램을 위해 "예속 원리"13의 형태로 개발되었으며, 임계점 옆에 있는 시스템의 빠른 이완(안정적인) 구성 요소의 역학은 완전히 다음에 의해 결정됩니다. 몇 가지 '순서 매개변수'의 '느린' 역학. 순서 매개변수에 대한 근사치로 식별된 dFI는 특정 예측을 위해 개발된 단순한 기계 학습 도구가 아니라 비평형 시스템으로서 노화 유기체의 근본적인 거시적 특성입니다.

그러나 에이징의 정확한 동적 설명을 풀기 위한 PCA와 같은 선형 순위 감소 기술의 능력은 다음과 같은 이유로 제한됩니다. 첫째, 서로 다른 동적 하위 시스템 간의 비선형 상호 작용의 영향이 작다고 믿을 이유가 없습니다. 그렇기 때문에 이러한 선형 분석에서 생성된 바이오마커는 다양한 생물학적 맥락(균주, 실험실 조건 또는 약물과 같은 치료 개입)에서 잘 수행될 것으로 기대할 수 없습니다. 둘째, 생물학적 측정은 종종 시끄럽습니다. 따라서 효율적인 정규화가 결여된 간단한 기술은 엄청나게 많은 수의 샘플을 얻지 않는 한 잠재 변수의 공간을 올바르게 재구성하지 못할 수 있습니다43. 마지막으로 첫 번째 주성분과 순서 매개변수의 연관성은 대략적인 설명일 뿐입니다. 기본적으로 데이터에서 시스템의 역학을 식별할 수 있는 방법이 없습니다. 여기에는 노화 궤적을 따라 동일한 유기체의 여러 측정에서 역학 자체가 포함되지 않습니다.

PCA의 단점을 보완하고 데이터에서 dFI에 대한 정확한 근사값을 생성하는 효율적인 방법을 입증하기 위해 심층 노이즈 제거 AE와 AR 모델의 조합인 인공 신경망을 사용했습니다. 알고리즘의 AE 부분은 PCA의 비선형 일반화이며 상호 연관되고 필연적으로 잡음이 많은 생물학적 측정을 유기체 상태의 저차원 표현인 잠재 변수의 압축 세트로 압축하는 데 사용되었습니다. 네트워크의 AR 암은 현재 측정에서 동일한 동물의 미래 상태를 가장 잘 예측할 수 있습니다. 네트워크가 제공하는 AR 문제에 대한 솔루션은 주어진 데이터인 dFI(dynamic frailty Indicator)의 차수 매개변수에 대한 추정치입니다.

여기에 적용된 네트워크 아키텍처는 최근 대규모 비선형 동적 시스템44,45의 수치 솔루션을 특성화하는 데 사용되는 깊은 순위 감소 아키텍처에서 영감을 받았습니다. 더 넓은 의미에서 우리는 심층 학습의 도움으로 데이터에서 기본 동적 시스템의 운동 방정식을 식별하는 특정 예인 완전히 해석 가능한(모델 기반) 알고리즘의 개발 및 특성화를 보고합니다46,47. 물리 과학의 기준에 따르면 생쥐의 노화는 "정확히 해결할 수 있는" 것으로 밝혀졌습니다. 우리는 생리학적 상태의 역학 및 모든 원인의 생존을 단일 연령 종속 수량의 진화, 불안정 단계의 차수 매개변수에 연결하고 간단한 1차 확률적 미분 방정식을 따르는 분석적으로 다루기 쉬운 모델을 시연했습니다.

CBC 특징과 dFI 사이의 심오한 상관관계는 전체 유기체의 노화를 결정하는 조혈 조직의 노화에서 중요한 역할을 반영할 수 있습니다. 이 개념은 혈액의 보편적 전신 생리학적 기능을 고려할 때 직관적으로 받아들일 수 있습니다. 다른 설명으로, 혈액 매개변수의 연령에 따른 변화는 유기체의 나머지 부분(즉, 다양한 고형 조직)의 노화에 의해 유도된 이차적 사건일 수 있습니다. 그러나 축적된 실험적 증거는 이에 반대합니다. 여러 보고서에서 골수 이식 또는 병체결합(참조 48에서 검토)에 의해 전달된 늙은 동물에 대한 젊은 조혈 시스템의 "회춘" 효과를 입증하고 있습니다. 더욱이 젊은 기증자 대 노인 기증자로부터 조혈 줄기 세포(HSC) 이식을 통한 마우스 조혈 복원은 노화된 조혈 줄기 세포가 젊은 신체의 환경에 의해 젊어지게 할 수 없음을 입증했습니다49. 또한 HSC 유래 기능의 연령 의존성을 노화의 2차 효과로 해석하는 것은 이러한 요인의 역학이 dFI 및 사망률 배가 시간보다 더 짧은, 실제로는 적어도 두 배 짧은 두 배 시간을 나타내야 하기 때문에 형식적인 어려움에 직면할 것입니다.

우리 분석의 독특한 결과는 우리의 데이터가 림프 계통 매개변수보다 생물학적 연령의 훨씬 더 정확한 예측 변수를 제공하는 골수 계통을 강력하게 가리키고 있다는 것입니다. 이것은 일반적으로 노화가 면역노화로 알려진 면역의 전반적인 감소와 관련이 있는 것으로 받아들여지기 때문에 직관에 반하는 것입니다. 이러한 현상은 예방접종의 효율성 감소51와 노인 유기체에서 감염성 질병 및 암의 빈도와 치사율 증가로 설명됩니다52. 그럼에도 불구하고 골수 매개변수가 생물학적 연령 지표로서 림프구 매개변수보다 더 무겁다는 우리의 발견에 대한 기계론적 설명을 뒷받침하고 제공하는 강력한 실험적 증거가 있습니다. HSC 노화의 후생유전학적 메커니즘에 대한 포괄적인 연구에서 Beerman 등은49 노화된 HSC 자손의 골수 계통 분화를 향한 상당한 변화로 이어지는 연령 의존적 후성유전적 재프로그래밍을 설명했습니다49,53. 이 변화는 마우스 노화 동안 발생하는 HSC DNA의 메틸화의 특정 변화에 의해 구동됩니다. 놀랍게도, 유전자 발현을 변경하는 이러한 메틸화의 변화는 HSC 표현형을 제어하는 ​​게놈 부분에서 발생하지 않고 오히려 다운스트림 분화 단계를 제어하는 ​​유전자를 암호화하는 DNA 영역을 수정합니다. 놀랍게도, HSC의 노화와 관련된 DNA 메틸화 변화의 패턴은 이전에 DNA 메틸화 기반 시계1,49로 기술된 것과 동일한 과정을 나타내는 것으로 보이며, 따라서 동일한 후생유전학적으로 제어되는 근본적인 노화 메커니즘의 일부일 수 있습니다. 생물학적 연령 마커로서 림프계통 관련 매개변수의 영향을 감소시킬 수 있는 또 다른 요인은 바이러스 또는 박테리아 감염, 상처 및 기타 유형의 스트레스와 같은 산발적 사건에 신속하게 대응하는 역할을 하는 조혈의 이 분지의 반응성입니다. 일반적으로 급성 염증 형태의 응급 반응. 이러한 사건의 발생 시간을 예측할 수 없기 때문에 연령 관련 변화는 림프구 구획의 대규모 연령 관련 변동에서 오는 소음으로 가려질 수 있습니다.

이러한 관찰은 혈액이 노화의 단일 결정 요인이라는 것을 의미하지는 않지만(그렇지 않으면 생물학적 연령은 HSC의 연령으로 정의되는 100%가 됩니다) 적어도 노화 과정의 주요 동인 중 하나이며 우리의 성공을 확실하게 설명합니다. 혈액 검사 데이터에서 생물학적 연령을 결정합니다. 우리 모델의 노화는 협력적으로 나타나므로 주문 매개변수의 형태로 "노화 시계"가 나타나거나 데이터로부터의 추정치인 dFI에도 불구하고 동물의 특정 하위 시스템 추적 시간(또는 연령)이 없습니다.

유기체 상태의 역학은 자율 방정식으로 설명됩니다. (1) 여기서 모델 계수는 명시적으로 시간에 의존하지 않습니다. 따라서 어떤 생리학적 상태 변수도 동물의 나이에 명시적으로 의존할 수 없으며, 집단 변수인 dFI에 대한 의존성을 통해서만 암시적으로만 의존할 수 있습니다. 그렇기 때문에 한편으로는 dFI와 일반적으로 노화의 특징54으로 알려진 다중 노화 및 노쇠 측정 사이의 상관관계를 관찰했습니다. 여기에는 그립 강도, BW, RDW, CRP 및 KC(IL-8)와 같은 염증 마커가 포함됩니다. dFI는 또한 p16-루시퍼라제 플럭스(p16-luciferase flux)와 잘 연관되어 있으며, 이는 노화된 쥐의 노화 세포 수에 대한 프록시입니다. 반대로, 우리는 dFI를 변경하는 노화 방지 치료가 동시에 노화의 다른 특징을 크게 완화해야 한다고 예측합니다. 이 속성은 잠재적으로 수명 연장 효과가 있는 중재에서 드문 일이 아닙니다55.

또한, 유기체 상태의 불안정성은 동물이 짧은 동요 후에도 평형 상태로 이완될 수 없음을 의미합니다(공식적으로 이 속성은 장기간에 걸쳐 dFI의 강력한 자기 상관으로 나타남). 따라서 짧은 치료의 효과는 수명이 다할 때까지 지속될 가능성이 높습니다. 따라서 이러한 과도 치료의 효과는 원칙적으로 몇 주 만에 세로 dFI 측정을 포함하는 짧은 실험에서 감지될 수 있습니다. 짧은 관점의 라파마이신 치료 실험에서 효과 크기와 신호 대 잡음비는 그다지 크지 않지만, 이 작업에서 관찰된 노화 감속은 이전에 보고된 일시적인 라파마이신 치료의 수명 연장 효과와 호환됩니다37.

노화의 일반적인 바이오마커는 유기체가 젊은 상태에서 벗어나는 개인 또는 복합 측정에 의존합니다. 주목할만한 예는 사용 가능한 신호8,9 또는 보다 구체적으로 혈액 검사 데이터9-11,56,57에서 축적된 적자의 비율로 정의된 노쇠 지수(FI)의 형태입니다. 차수 매개변수에 대한 의존성 외에 연령에 대한 생리적 상태 변수의 의존성을 기대하지 않기 때문에 노화와 dFI의 복합 마커 간에 좋은 일치가 있어야 합니다. 실제로 우리는 ref에서 dFI와 PFI 사이에 매우 높은 수준의 일치성을 관찰했습니다. 3은 노년 상태에서 젊은 상태로의 Mahalanobis 거리의 예7이며 CBC, 체력, 심혈관 건강 및 생화학을 포함한 다양한 기능에서 파생됩니다.

이러한 모든 측정 중에서 dFI만이 설정된 운동 방정식(1)과 함께 제공되므로 개별 노화 궤적을 따라 최고의 자동 상관 속성을 갖습니다(예: 그림 2의 dFI와 첫 번째 PC의 자동 상관 참조). 및 보충 그림 2, 각각). 이 속성은 치료 전과 치료 중 동일한 동물의 유기체 상태를 비교하는 실험에서 노화에 대한 약물 또는 기타 개입의 효과를 결정하는 데 편리합니다.

【자세한 정보: david.deng@wecistanche.com / WhatApp:86 13632399501】