Возраст является ведущим фактором риска распространенных заболеваний и смерти. Однако связь между возрастными физиологическими изменениями и продолжительностью жизни изучена недостаточно. Мы объединили аналитические инструменты и инструменты машинного обучения, чтобы описать процесс старения в больших наборах продольных измерений. Предполагая, что старение является результатом динамической нестабильности состояния организма, мы разработали глубокую искусственную нейронную сеть, включающую компоненты автокодировщика и авторегрессии (АР). Модель AR связала динамику физиологического состояния со стохастической эволюцией одной переменной, «индикатора динамической слабости» (dFI). В подмножестве анализов крови из базы данных феноменов мышей показатель dFI увеличивался экспоненциально и предсказывал оставшуюся продолжительность жизни. Наблюдение предельного dFI согласуется с замедлением смертности в пожилом возрасте. dFI менялся вместе с признаками старения, включая индекс слабости, молекулярные маркеры воспаления, накопление стареющих клеток и реакцию на сокращающее (диета с высоким содержанием жиров) и продлевающее жизнь (рапамицин) лечение.

Гликозид цистанхе также может повышать активность СОД в тканях сердца и печени и значительно снижать содержание липофусцина и МДА в каждой ткани, эффективно удаляя различные активные кислородные радикалы (ОН-, Н₂О₂ и др.) и защищая от повреждения ДНК, вызванного ОН-радикалами. Цистанхефенилэтаноидные гликозиды обладают сильной акцепторной способностью свободных радикалов, более высокой восстановительной способностью, чем витамин С, улучшают активность СОД в суспензии сперматозоидов, снижают содержание МДА и оказывают определенное защитное действие на функцию мембран сперматозоидов. Полисахариды цистанхе могут усиливать активность СОД и GSH-Px в эритроцитах и ​​тканях легких экспериментально стареющих мышей, вызванную D-галактозой, а также снижать содержание МДА и коллагена в легких и плазме, повышать содержание эластина, хороший очищающий эффект на DPPH, продлевает время гипоксии у стареющих мышей, улучшает активность SOD в сыворотке и задерживает физиологическую дегенерацию легких у экспериментально стареющих мышей Эксперименты с клеточной морфологической дегенерацией показали, что Cistanche обладает хорошей антиоксидантной способностью и потенциально может стать лекарством для профилактики и лечения заболеваний кожи, вызывающих старение. В то же время эхинакозид в цистанхе обладает значительной способностью улавливать свободные радикалы DPPH и обладает способностью улавливать активные формы кислорода и предотвращать вызванную свободными радикалами деградацию коллагена, а также оказывает хорошее восстанавливающее действие на повреждение свободных радикалов тимина.

Нажмите на преимущества таблеток Cistanche

【Для получения дополнительной информации: david.deng@wecistanche.com / WhatApp:86 13632399501】

Старение проявляется на многих уровнях организации организма. Соответственно, различные наборы переменных физиологического состояния, такие как паттерны метилирования ДНК или маркеры состава крови1–5, могут использоваться для количественной оценки старения. Современные биомаркеры старения были получены из контролируемых моделей, которые требуют хронологического возраста или возраста смертности в качестве меток для обучения (см., например, самые последние 6). В качестве альтернативы, количество накопленных нарушений здоровья7 или составные индексы слабости8,9 коррелируют с бременем болезни и оставшейся продолжительностью жизни людей и животных9,10 и находят применение в лабораторных экспериментах и ​​клинических испытаниях антивозрастных вмешательств3,11,12. Будущее использование биомаркеров старения будет зависеть от лучшего понимания связи между признаками старения, предикторами биологического возраста, показателями слабости и оставшейся продолжительностью жизни.

Здесь мы демонстрируем сочетание современных методов машинного обучения и подходов, заимствованных из теории динамических систем, работающих вместе для выявления количественных правил, управляющих проявлениями старения и их связи со смертностью от всех причин в больших лонгитюдных биомедицинских данных. Начнем с предположения, что старение — это частный случай динамики сложной системы, разворачивающейся вблизи бифуркации или переломного момента на границе области динамической устойчивости. В этих условиях флуктуации состояния организма должны определяться динамикой очень немногих, если не единого коллективного признака, имеющего смысл параметра порядка, соответствующего нестабильной фазе13–15. Примеры такого уменьшения размерности в биологических науках включают ускорение развития16, старения и смертности5,17,18.

Мы опирались на эту теоретическую концепцию и создали глубокую искусственную нейронную сеть, состоящую из шумоподавляющего автоэнкодера (AE) и авторегрессионной (AR) модели — вычислительная метафора стохастической динамики параметра порядка. Чтобы протестировать подход, мы использовали сеть для создания дескриптора старения на основе измерений общего анализа крови (CBC) из крупнейшего источника фенотипических данных с открытым доступом, Базы данных феноменов мышей (MPD)19. Выходная переменная сети, именуемая в дальнейшем индикатором динамической слабости (dFI), является наилучшей численной аппроксимацией для параметра порядка, связанного с дезинтеграцией состояния организма и, следовательно, старением из любых заданных данных. Мы продемонстрировали, что динамика dFI приводит к ускорению смертности и объясняет отклонения в пожилом возрасте от закона смертности Гомперца. dFI продемонстрировал наиболее желательные свойства маркера биологического возраста: он экспоненциально увеличивался с возрастом, предсказывал оставшуюся продолжительность жизни животных, коррелировал с многочисленными признаками старения и реагировал на вмешательства, которые, как известно, ускоряют (диета с высоким содержанием жиров) и замедляют (диета с высоким содержанием жиров). рапамицин) старение у мышей.

Полученные результаты

Анализ основных компонентов CBC в MPD

Мы использовали крупнейший общедоступный источник продольных фенотипических данных MPD19. Чтобы достичь наилучшей совместимости с более ранними исследованиями, мы просмотрели записи базы данных, чтобы максимально увеличить количество доступных измерений, общих для тех, которые использовались при построении индекса физиологической слабости (PFI) в исх. 3. В результате мы выбрали подмножество из 12 измерений CBC из девяти наборов данных, в общей сложности включающих 6693 животных (полный список наборов данных, использованных для обучения моделей в этой работе, см. в дополнительных данных 1).

Чтобы визуализировать {{0}}размерные данные CBC из MPD, мы выполнили анализ основных компонентов (PCA). PCA среза MPD, представляющего полностью взрослых животных (в возрасте старше 25-недельного возраста, подробности относительно определения соответствующего возрастного диапазона см. в разделе «Методы»), оказалась особенно простой. В этом случае большая часть дисперсии данных (31 процент) объясняется первой оценкой ПК, z0, с последующими оценками ПК (z1, z2 и т. д., каждая из которых объясняет 19 %, 16 % и т. д.) общая дисперсия данных соответственно). Иерархическая группировка признаков CBC предполагает, что первые два балла PC могут быть преимущественно связаны с количеством эритроцитов и лейкоцитов, как показано на рис. 1a соответственно.

Только первый показатель ПК, z0, продемонстрировал заметную корреляцию с хронологическим возрастом (соответствующие коэффициенты корреляции Пирсона были r=0,59 (p < 10−5) и r=0). 0,08 (p=0,003) для первых двух баллов ПК соответственно (рис. 1б).Дисперсия баллов ПК увеличивалась с возрастом (см. вставку на рис. 1б), что является признаком стохастический процесс.

Старение и критическая динамика состояния организма (обобщение теоретических результатов)

Связь флуктуаций вдоль доминирующего ПК с самым медленным динамическим процессом (в нашем случае старением) имеет глубокие корни в теории динамических систем и критических явлениях14. Переход от устойчивости к неустойчивости в сетях с сетевыми графами, не обладающими определенной симметрией, обычно связан с бифуркациями коразмерности 1 (или седло-узлом)20,21. Такие переходы характеризуются потерей устойчивости по одному направлению в пространстве вектора состояния, примерно совпадающему с первой главной компонентой. Напротив, вклады всех других главных компонентов остаются стабильными (и, следовательно, не зависят от возраста). Соответственно, ожидается, что на достаточно длительных временных масштабах флуктуации физиологических показателей (таких как характеристики ОАК) xi будут следовать динамике параметра порядка z, связанного с нестабильностью: xi ≈ biz плюс ξi. Здесь ξi — шум, bi — вектор, а целочисленный индекс I нумерует измеренные признаки.

Вблизи критической точки динамика физиологического состояния медленная и приблизительно линейная. Следовательно, переменная z удовлетворяет стохастическому уравнению Ланжевена с пренебрежением членами производной по времени более высокого порядка:

Здесь линейный член z в правой части уравнения представляет собой эффект жесткости регуляторной сети, управляющей ответами организма на малые стрессы и вызывающей незначительные отклонения состояния организма от его наиболее устойчивого положения. Следующий термин, gz2, представляет эффекты нелинейной связи регуляторных взаимодействий низшего порядка.

Стохастические силы f представляют собой внешние напряжения и влияние эндогенных факторов, не описываемых эффективным уравнением. (1). Естественно, мы предполагаем, что случайные возмущения состояния организма являются последовательно некоррелированными, так что ðtÞf ðt0 Þi ~ Bδðt0 tÞ, где B - мощность шума, δ - дельта-функция Дирака , а 〈…〉 – усреднение по траектории старения. уравнение (1) представляет собой математическую связь между скоростью изменения переменной состояния организма, z_=dz=dt, в левой части уравнения, и эффектами детерминированного ( z, gz2 ) и стохастические силы (f) справа.

В зависимости от знака коэффициента жесткости состояние организма может быть динамически устойчивым (если < {{0}}) или неустойчивым (если > 0). В последнем случае незначительные отклонения состояния организма экспоненциально усиливаются с течением времени, так что равновесие невозможно. В этом случае решение уравнения (1) описывает старение организма. Как правило, мало, и, следовательно, эволюция физиологических показателей имеет признаки критичности: динамика параметра порядка медленная (критическое замедление), тогда как флуктуации физиологического состояния вслед за изменением z велики, z2 ~ B expð2 tÞ=2 ≫1 (критические флуктуации).

В самом начале жизни отклонения от критической точки невелики, и в эволюции состояния организма преобладает диффузия. Позже в жизни линейный член вступает во владение, так что отклонения от юношеского состояния ускоряются экспоненциально:

где z ~ ðB{{0}} Þ 1=2 и z0 — константы, представляющие накопленные ранние эффекты случайных и детерминированных сил соответственно.

Наконец, как только параметр порядка становится достаточно большим, z ≳ Z=/g, начинают действовать нелинейные члены, распад состояния организма происходит со скоростью, превышающей экспоненциальную, и животное умирает за конечное время. время. уравнение При решении уравнения (1) можно получить простое аналитическое выражение для доли животных, доживших до возраста t: SðtÞ ≈ ErfðZ=z expð tÞÞ, где Erf(x) — функция ошибок18. Теоретическая функция выживания отличается от функции закона смертности Гомперца, предполагающего экспоненциальное ускорение смертности во всех возрастах.

Смертность от всех причин в модели MðtÞ =  _ SðtÞ=SðtÞ сначала быстро возрастает в диффузионно-доминированном режиме, а затем замедляется с возрастом, примерно совпадая со средней продолжительностью жизни t {{4 }} logðZ=zÞ. У старших животных нарушение закона смертности Гомперца наиболее сильное: смертность в модели замедляется и выходит на плато при Mðt ≫ tÞ ≈ .

Наконец, заметим, что в выборочной ковариационной матрице переменных состояния организма в неустойчивом режиме преобладает динамика параметра порядка:

где 〈…〉 означает выборочное среднее. В пределе слабой нелинейности, t ≫ 1, PCA такого сигнала выявит вектор нагрузки, соответствующий первому показателю PC, совпадающему с bi. Тогда первая оценка ПК z0=(b, x) является приближением к самому параметру порядка z ≈ z0.

Дескрипторы старения для глубокого обучения на основе продольных данных

Старение при достижении критичности может быть полезной теоретической концепцией. Однако он не предоставляет практического алгоритма для определения параметра порядка, кроме приблизительного применения PCA. Чтобы охарактеризовать процесс старения на основе измерений, мы проанализировали продольные траектории старения измерений CBC из 6693 образцов в девяти наборах данных MPD (см. Методы и дополнительные данные 1) с помощью искусственной нейронной сети. Алгоритм включал комбинацию глубокого автокодировщика (AE) для уменьшения размерности и простой модели AR для подгонки сетевых представлений последующих измерений к решениям уравнения. (1) (AE-AR; см. Методы).

Решение задачи AR, z, является результатом работы алгоритма и является наилучшей оценкой параметра порядка, связанного с дезинтеграцией состояния организма и, следовательно, старением из доступных данных. Ниже мы устанавливаем ассоциации z с признаками старения, слабости и смертности. Соответственно, мы решили обратиться к dFI. z как dFI.

Эффективность модели AR была продемонстрирована путем построения автокорреляционного свойства dFI, которое представляет собой корреляцию между значениями dFI, измеренными вдоль траекторий старения одних и тех же мышей в возрастных точках, разделенных 14 и 28 неделями в тестовом наборе данных MA{{8 }}072 (рис. 2). Соответствующие коэффициенты корреляции Пирсона между соответствующими скорректированными по возрасту оценками dFI были r=0,71 (p < 0, {{20}}}01) и r=0 0,70 (р < 0,001). Автокорреляции dFI были лучше, чем автокорреляции первой оценки ПК z0 для тех же мышей, см. Дополнительный рисунок 2; соответствующие значения корреляции Пирсона составляли r=0,55 (p < 0,001) и r=0,71 (p < 0,001) для временных лагов 14- и 28-недель соответственно .

Полуколичественная иерархическая кластеризация ковариаций признаков CBC в тестовом наборе данных выявила корреляции между признаками, связанными с иммунной системой (количество лейкоцитов и связанные с ними количества), скоростью метаболизма/потреблением кислорода (количеством эритроцитов и концентрацией гемоглобина). ) и независимая подсистема, образованная тромбоцитами (дополнительная рис. 6).

dFI увеличивался с возрастом животных как в тестовой, так и в тренировочной выборках (рис. 3 и дополнительная рис. 3 соответственно). Как и ожидалось от качественного решения уравнения. (1), dFI возрастал до возраста, соответствующего средней продолжительности жизни животных (в нашем случае ~100 недель). Мы выполнили экспоненциальную подгонку в виде уравнения. (2) на данных тестовых наборов данных (исключая животных, проживших дольше средней продолжительности жизни штамма, и животных в конце жизни из набора данных MA0073). Расчет показал показатель роста dFI, равный=0,02 в неделю.

Насыщение dFI за пределами средней продолжительности жизни в обучающих и тестовых наборах данных выявило предельное значение, несовместимое с выживаемостью животных. Чтобы подчеркнуть эту возможность, мы построили диапазоны dFI для отдельной когорты «нездоровых» мышей из эксперимента MA0073, представляющих животных, запланированных для эвтаназии в соответствии с лабораторными требованиями (рис. 3, красные звездочки).

Характер ускорения dFI с возрастом и скорость удвоения dFI, соответствующая скорости ускорения смертности (равная 0,037 в неделю22), являются хорошими индикаторами связи между dFI и смертностью. Наблюдение может быть дополнительно подтверждено вычислением ранговой корреляции Спирмена между «ускорением» dFI (т. е. разницей между dFI животного и его средним значением в соответствующих возрастных и половых когортах) и порядком смерти. событий среди животных одного возраста и пола (см. табл. 1). Мы получили значимые корреляции между dFI и оставшейся продолжительностью жизни для всех когорт.

В качестве эталона мы также создали контролируемую модель пропорциональных рисков Кокса (PH), предсказывающую выживаемость животных на тех же данных. Примечательно, что dFI с поправкой на возраст и пол предсказал оставшуюся продолжительность жизни так же хорошо или немного лучше, чем предсказатель логарифмического отношения рисков из контролируемой модели, обученной на тех же данных (ср. строки, соответствующие «dFI» и «HRCBC» в таблице). 1).

dFI предсказал оставшуюся продолжительность жизни в более позднем возрасте лучше, чем вес тела (МТ) или уровень инсулиноподобного фактора роста 1 (IGF1) в сыворотке. Ранее было показано, что оба фактора связаны со смертностью у рефери. 23 и 24. Как указано в исх. 24 и проверено здесь, концентрация IGF1 в сыворотке была значимо связана с продолжительностью жизни (r=- 0,28, p=0,008) только в одной когорте более молодых, {{ 12}}недельные мыши-самцы. Согласно исх. 23 и в наших расчетах МТ лучше связана со смертностью у самых молодых животных (возраст 26 и 52 недели).

Замедление смертности в пожилом возрасте и ограничение смертности

Количество животных с зарегистрированной продолжительностью жизни в МПЗ было недостаточным для понимания отклонений смертности от закона смертности Гомперца, предсказываемого моделью старения при критичности в наиболее старших возрастах. К счастью, количественный анализ смертности в пожилом возрасте можно провести, используя данные необработанных контролей в большом эксперименте с участием тысяч мышей25. Подборки смертности по Гомперцу дали следующие оценки продолжительности жизни, t, показателя Гомперца, и начального уровня смертности, M0 отдельно для мужчин: t=100:3 недели,=0. 0385 ± 0.0002 в неделю, M0=(4,1 ± 0,1)⋅ 10−4 в неделю; и для женщин: t=115:8 недель,=0,0568 ± 0,0003 в неделю, M0=(3,4 ± 0,1)⋅ 10-5 в неделю.

В более позднем возрасте у обоих полов эмпирические кривые выживания падают медленнее, чем предсказания закона смертности Гомперца (см. сплошную синюю и оранжевую пунктирные линии на рис. 4а и дополнительный рис. 4а соответственно). Это признак замедления смертности. Синие линии на рис. 4b и дополнительном рис. 4b — это эмпирические кривые смертности. Серые пунктирные линии соответствуют теоретическому ожиданию уровня смертности на плато, соответствующему теоретическому предельному уровню смертности Mðt ≫ tÞ=, где - коэффициент удвоения коэффициента смертности из аппроксимации Гомперца.

Выравнивание смертности более выражено в женских когортах (рис. 4) и согласуется с теоретическим прогнозом плато смертности в позднем возрасте в нашей модели. В когортах самцов животные умирают до того, как достигается плато (дополнительный рис. 4), возможно, из-за повышенной фоновой смертности в начале жизни между 40 и 100 неделями. Тем не менее, максимальная наблюдаемая смертность все еще не очень далеко от (и определенно того же порядка, что и предсказанное предельное значение даже в мужских когортах.

dFI и признаки старения

Чтобы дополнительно подтвердить dFI как биомаркер старения, мы изучили его связь с PFI, количественным показателем старения и слабости, недавно предложенным в ссылке. 3. Было обнаружено, что dFI и PFI сильно коррелированы (r=0.64 Пирсона, p < 0.001), рис. 5а. PFI представляет собой составную оценку слабости, и ее определение также зависит от показателей CBC. Однако расчет PFI включает больше факторов, в том числе традиционные показатели слабости у животных и людей, такие как сила захвата, состояние сердечно-сосудистой системы, маркеры воспаления и т. д. Примечательно, что корреляция между PFI и dFI оставалась значимой после корректировки по полу и возрасту ( Дополнительный рисунок 5, r=0 Пирсона, 59, p <0,001).

Как показано на рис. 5b и дополнительных рис. 6, 7, мы заметили, что dFI был в значительной степени связан с расширенным набором признаков CBC в независимых функциональных подсистемах (в первую очередь, но не ограничиваясь, миелоидной клеточной линией). Корреляция между dFI и характеристиками миелоидных клеток была менее глубокой в ​​тренировочном наборе с участием нескольких штаммов (дополнительная рис. 7). Коэффициент корреляции является мерой реакции dFI на вариации отдельных признаков CBC и отличается (иногда даже противоположного знака) у разных линий мышей (дополнительная рис. 8). Изменение ассоциаций отдельных признаков и dFI было бы серьезной проблемой для любой линейной модели и является демонстрацией нелинейного характера AE.

dFI был тесно связан с шириной распределения эритроцитов (RDW) и BW (рис. 5b), известными предикторами слабости как у мышей 26, так и у людей 27. dFI также был тесно связан с уровнями C-реактивного белка (CRP,r=0.39, p < 0.001) и мышиного хемокина CXCL1 (KC, r {{ 9}}.28, p < 0,001), оба из которых являются известными маркерами системного воспаления и смертности28,29.

Старение связано с увеличением количества стареющих клеток30–32, которые широко считаются источником хронического стерильного системного воспаления, «воспаления»33. возраст определяется активностью репортеров, управляемых промотором p16/Ink4a34. Мы использовали гомозиготных репортерных мышей p16/Ink4a с одним аллелем p16/Ink4a, нокаутированным кДНК35 люциферазы светлячка. На рис. 6а показана корреляция между возрастом животных и наличием стареющих клеток, измеренная по потоку активности люциферазы, управляемой промотором p16/Ink4a (r=0,54, p=0,008).

Корреляция этого прокси SC (общий поток люциферазы) с dFI была еще сильнее (r {{0}},69, p <0,001; рис. 6b). Наблюдение хорошо согласуется с нашим теоретическим предсказанием: кинетическое уравнение для параметра порядка (dFI) является автономным (его коэффициенты не зависят от времени). Это означает, что переменные состояния организма, включая показатели нагрузки стареющими клетками, могут не зависеть явно от возраста, поэтому зависимость от возраста может проявляться только через зависимость от dFI.

dFI реагирует на вмешательства, модулирующие продолжительность жизни

Чтобы оценить полезность dFI для анализа влияния вмешательств на старение, мы ретроспективно оценили dFI и его отношение к оставшейся продолжительности жизни в ответ на диету с высоким содержанием жиров (HFD), используя данные более раннего эксперимента3. Самцы мышей, которых кормили HFD вместо обычной диеты (RD), начиная с 50-недельного возраста, значительно сократили продолжительность жизни (дополнительная рис. 9a), а также показали значительное увеличение среднего dFI, измеренного на 78-й неделе (p=0. 05, двусторонний t-критерий Стьюдента, рис. 6c) по сравнению с контрольными самцами, которых кормили RD. Напротив, кормление самок мышей HFD не влияло ни на продолжительность жизни, ни на средний dFI (дополнительные рис. 9b и рис. 6d). Таким образом, dFI оказался хорошим предиктором гендерно-зависимых различий в организме до HFD, основные причины которых еще предстоит объяснить.

Наши расчеты показали, что ускорение старения, зарегистрированное с помощью dFI, согласуется с ранее зарегистрированным увеличением PFI (p=0,02 в соответствии с t-критерием Стьюдента) у самцов и отсутствием эффекта у самок мышей на 78-й неделе в том же исследовании. эксперимент. Это примечательное заявление относительно чувствительности dFI, поскольку PFI был разработан (обучен) в эксперименте MA0071 и использует для его определения больше (18 против 12) переменных, чем простой CBC. Напротив, мы не использовали данные из наборов данных MA0071-73 для обучения модели dFI. Рисунок 6c, d демонстрирует производительность dFI по сравнению с независимо разработанным PFI во внешнем наборе данных.

В другом эксперименте мы проверили реакцию dFI на кратковременное лечение известным продлевающим жизнь агентом, рапамицином36,37. Здесь мы представляем результаты эксперимента с когортой 60 60- недельных самцов мышей C57BL/6. 48 животных (группа лечения) получали рапамицин ежедневно в дозе 12 мг/кг в течение 8 недель. Остальные 12 животных (контрольная группа) получали носитель по той же схеме.

BW измеряли каждую неделю и увеличивали, как и ожидалось, в контрольной группе (рис. 6e). Напротив, масса тела в группе, получавшей рапамицин, оставалась примерно постоянной около исходного значения в течение периода наблюдения в 10 недель. Для мышей, получавших рапамицин, характерна более низкая масса тела по сравнению с контрольной группой3,38. Чтобы получить значения dFI для мышей в этом эксперименте, мы собирали и получали ОАК из образцов крови от каждого животного каждые две недели (рис. 6f).

Лонгитюдный характер выборки в эксперименте позволяет использовать авторегрессионный анализ для выявления возможного влияния препарата на динамику dFI и, следовательно, на старение. Всякий раз, когда в уравнении присутствует неслучайная сила (то есть эффект наркотика). (1), скачок dFI между любыми последующими измерениями одного и того же животного должен удовлетворять модифицированному уравнению. (7):

где J — накопленный эффект препарата по траектории старения между измерениями. Временные интервалы обычно очень малы, Δt ≪ 1, и, следовательно, коэффициент авторегрессии r ≈ 1. Поэтому мы ожидали выявить эффект рапамицина путем сравнения распределений приращений dFI, ΔdFI=z(t плюс Δt) - z(t) у животных, получавших или не получавших лечение, между измерениями как в леченых, так и в контрольных группах (подробности статистического анализа см. в разделе «Методы»). Статистический анализ приращений dFI продемонстрировал значительное замедление старения, связанное с лечением рапамицином (рис. 6g, p=0.05, двусторонний критерий Стьюдента).

Обсуждение

Мы представили новый способ выявления биомаркеров возраста и слабости на основе больших биомедицинских данных, включающих лонгитюдные измерения, т. е. множественные образцы одних и тех же животных, собранные вдоль траекторий старения. Подход относится к классу алгоритмов обучения без учителя, так что он не требует меток, связанных с возрастом, смертностью и заболеваемостью. Примером этого может служить открытие и характеристика биомаркера старения у мышей, dFI, на основе обычных и автоматических измерений CBC и обучения на основе данных MPD.

Старение — очень медленный процесс, происходящий в характерные временные масштабы, намного превышающие времена, связанные с молекулярными процессами или работой функциональных подсистем организма. Как правило, такая иерархия масштабов возникает из-за критичности, которая является частным случаем динамической системы, работающей вблизи критической точки, разделяющей стабильную и нестабильную области15–17,39. В исх. 18, мы предположили, что старение является результатом врожденной динамической нестабильности лежащих в основе регуляторных сетей и проявляется в том, что небольшие отклонения переменных состояния организма (физиологических показателей) экспоненциально усиливаются и приводят к экспоненциальному ускорению смертности. В этом случае оценка первой главной компоненты является приближением к параметру порядка, характеризующему нестабильную фазу и имеющему смысл общего количества регуляторных ошибок, накопленных в течение жизни животного17. Следовательно, мы считаем, что гипотеза о старении при достижении критичности дает хорошее объяснение успеха анализа основных компонентов (АГК) как полуколичественного инструмента в исследованиях старения40–42.

Представление о параметре порядка, связанном с неустойчивостью, является обобщением понятия, первоначально введенного в теории Гинзбурга-Ландау для описания фазовых переходов в термодинамике. Идея получила дальнейшее развитие для приложений к открытым неравновесным системам в виде «принципа порабощения» 13, утверждающего, что вблизи критической точки динамика быстро релаксирующих (устойчивых) компонентов системы полностью определяется «медленная» динамика лишь нескольких «параметров порядка». Таким образом, dFI, идентифицированный как приближение к параметру порядка, является не просто инструментом машинного обучения, разработанным для конкретных прогнозов, а скорее фундаментальным макроскопическим свойством стареющего организма как неравновесной системы.

Однако возможности методов линейного понижения ранга, таких как PCA, для получения точного динамического описания старения ограничены по следующим причинам. Во-первых, нет оснований полагать, что эффекты нелинейных взаимодействий между различными динамическими подсистемами малы. Вот почему нельзя ожидать, что биомаркер, полученный в результате такого линейного анализа, будет хорошо работать в различных биологических контекстах (штаммы, лабораторные условия или терапевтические вмешательства, такие как лекарства). Во-вторых, биологические измерения часто зашумлены. Следовательно, простые методы, лишенные эффективной регуляризации, могут быть не в состоянии правильно реконструировать пространство скрытых переменных, если только не будет получено непомерно большое количество выборок43. Наконец, связь первой главной компоненты с параметром порядка является лишь приблизительным утверждением. Принципиально невозможно идентифицировать динамику системы по данным, которые не включают саму динамику в многократных измерениях одного и того же организма на траектории старения.

Чтобы компенсировать недостатки PCA и продемонстрировать эффективный способ получения точной аппроксимации dFI на основе данных, мы использовали искусственную нейронную сеть, комбинацию AE с глубоким шумоподавлением и модель AR. Часть алгоритма AE представляет собой нелинейное обобщение PCA и использовалась для сжатия коррелированных и обязательно зашумленных биологических измерений в компактный набор скрытых переменных, низкоразмерное представление состояния организма. Рукав сети AR — это не что иное, как наилучший прогноз будущего состояния того же животного на основе текущих измерений. Решением проблемы AR, предоставляемым сетью, является оценка параметра порядка по заданным данным, динамический индикатор хрупкости (dFI).

Применяемая здесь сетевая архитектура была вдохновлена ​​архитектурами с глубоким рангом, которые недавно использовались для характеристики численных решений больших нелинейных динамических систем44,45. В более широком смысле, мы сообщаем о разработке и характеристике полностью интерпретируемого (основанного на модели) алгоритма, конкретного примера идентификации уравнений движения базовой динамической системы по данным с помощью глубокого обучения46,47. По стандартам физических наук старение у мышей оказывается «точно решаемым». Мы продемонстрировали аналитически поддающуюся обработке модель, связывающую динамику физиологического состояния и общей выживаемости с эволюцией одной возрастной величины, параметра порядка нестабильной фазы, и следуя простому стохастическому дифференциальному уравнению первого порядка.

Глубокие корреляции между показателями CBC и dFI могут отражать ключевую роль старения кроветворной ткани в определении старения всего организма. Эта концепция интуитивно приемлема, учитывая универсальную системную физиологическую функцию крови. В качестве альтернативного объяснения возрастные изменения параметров крови могут быть вторичными событиями, вызванными старением остальных частей организма (т. е. различных твердых тканей). Однако накопленные экспериментальные данные говорят против этого. Многочисленные сообщения демонстрируют «омолаживающие» эффекты молодой кроветворной системы на старых животных, доставленных с помощью трансплантации костного мозга или парабиоза (обзор в ссылке 48). Более того, восстановление гемопоэза у мышей путем трансплантации гемопоэтических стволовых клеток (ГСК) от молодых доноров по сравнению со старыми донорами показало, что состарившиеся ГСК не могут омолодиться в среде молодого организма49. Кроме того, интерпретация зависимости признаков ГСК от возраста как вторичных эффектов старения столкнулась бы с формальными трудностями, поскольку динамика таких факторов должна демонстрировать более короткие, а фактически как минимум в два раза более короткие времена удвоения, чем времена удвоения dFI и коэффициента смертности.

Своеобразным результатом нашего анализа является то, что наши данные четко указывают на миелоидную линию, которая обеспечивает гораздо более точные предикторы биологического возраста, чем параметры лимфоидной линии. Это противоречит здравому смыслу, поскольку общепринято считать, что старение связано с хорошо задокументированным общим снижением иммунитета, известным как иммуностарение50, явлением, иллюстрируемым снижением эффективности вакцинации51 и увеличением частоты и смертности от инфекционных заболеваний и рака у пожилых организмов52. Тем не менее, есть убедительные экспериментальные данные, которые поддерживают и обеспечивают механистическое объяснение нашего открытия, что миелоидные параметры имеют больший вес, чем лимфоидные, как индикаторы биологического возраста. В комплексном исследовании эпигенетических механизмов старения ГСК Beerman et al.49 описали зависимое от возраста эпигенетическое перепрограммирование, которое приводит к значительному сдвигу в сторону дифференциации миелоидных линий потомства стареющих ГСК49,53. Этот сдвиг обусловлен специфическими изменениями в метилировании ДНК HSCs, происходящими при старении мышей. Удивительно, но эти изменения в метилировании, которые изменяют экспрессию генов, происходят не в той части генома, которая контролирует фенотип HSC, а скорее модифицируют участки ДНК, кодирующие гены, которые контролируют последующие стадии дифференцировки. Примечательно, что характер изменений метилирования ДНК, связанных со старением HSCs, по-видимому, представляет собой тот же процесс, который ранее был описан как часы, основанные на метилировании ДНК1,49, и, следовательно, может быть частью того же эпигенетически контролируемого фундаментального механизма старения. Другим фактором, который может уменьшить влияние параметров, связанных с лимфоидными линиями, как маркеров биологического возраста, является реактивный характер этой ветви кроветворения, которая служит для быстрой реакции на спорадические события, такие как вирусная или бактериальная инфекция, ранение и другие виды стресса, требующие экстренная реакция обычно в виде острого воспаления. Поскольку время возникновения таких событий непредсказуемо, возрастные изменения могут быть замаскированы шумом, исходящим от крупномасштабных не связанных с возрастом колебаний в лимфоидном компартменте.

Эти наблюдения не означают, что кровь является единственной детерминантой старения (иначе биологический возраст на 100 % определялся бы возрастом ГСК), но, по крайней мере, помещают ее в число основных движущих сил процесса и объясняют наши успехи в надежном определение биологического возраста по данным анализа крови. Старение в нашей модели возникает кооперативно, так что, несмотря на появление «часов старения» в виде параметра порядка или его оценки по данным, dFI, у животного нет определенного подсистемного отслеживания времени (или возраста).

Динамика состояния организма описывается автономным уравнением (1), где ни один из коэффициентов модели явно не зависит от времени. Соответственно никакая переменная физиологического состояния не может явно зависеть от возраста животных, а только неявно через зависимость от коллективной переменной dFI. Вот почему мы наблюдали корреляции между dFI, с одной стороны, и множественными показателями старения и слабости, широко известными как признаки старения54, с другой. К ним относятся сила захвата, BW, RDW и маркеры воспаления, такие как CRP и KC (IL-8). dFI также хорошо коррелирует с потоком p16-люциферазы, показателем количества стареющих клеток у старых мышей. И наоборот, мы прогнозируем, что омолаживающая терапия, изменяющая dFI, должна одновременно значительно ослаблять другие признаки старения. Это свойство нередко встречается среди вмешательств с потенциально продлевающими жизнь эффектами55.

Более того, неустойчивость состояния организма означает, что животные не могут прийти в какое-либо равновесие даже после кратковременного возмущения (формально это свойство проявляется в сильных автокорреляциях dFI в течение длительных периодов времени). Следовательно, эффекты кратковременного лечения, вероятно, должны сохраняться до конца жизни. Соответственно, эффекты таких временных обработок, в принципе, могут быть обнаружены в коротких экспериментах, включающих продольные измерения dFI всего за несколько недель. Хотя размер эффекта и отношение сигнал-шум в краткосрочном эксперименте по лечению рапамицином не очень велики, замедление старения, наблюдаемое в этой работе, совместимо с ранее сообщавшимися эффектами кратковременного лечения рапамицином на продолжительность жизни в течение всей жизни37.

Общие биомаркеры старения основаны на индивидуальных или комплексных мерах отклонения организма от его юношеского состояния. Яркими примерами являются формы индекса слабости (FI), определяемые как доля накопленного дефицита в любом доступном сигнале8,9 или, более конкретно, в данных анализа крови9–11,56,57. Поскольку мы не ожидаем какой-либо зависимости переменных физиологического состояния от возраста, кроме зависимости от параметра порядка, должна быть хорошая согласованность между составными маркерами старения и dFI. Действительно, мы наблюдали очень высокую степень соответствия между dFI и PFI из ссылки. 3, который является примером расстояния Махаланобиса от старых до молодых состояний7 и получен из широкого спектра характеристик, включая общий анализ крови, физическую подготовку, здоровье сердечно-сосудистой системы и биохимию.

Из всех таких мер только dFI соответствует установленному уравнению движения (1) и, следовательно, обладает лучшим свойством автокорреляции вдоль отдельных траекторий старения (см., например, автокорреляцию dFI и первого ПК на рис. 2). и дополнительный рис. 2 соответственно). Это свойство удобно для определения влияния лекарств или других вмешательств на старение в экспериментах, включающих сравнение состояния организма одних и тех же животных до и во время лечения.

【Для получения дополнительной информации: david.deng@wecistanche.com / WhatApp:86 13632399501】