新论文提出了衰老生物标志物的标准和可行的临床工具

哈佛大学研究人员领导的一篇新论文利用基于人群的研究的组学数据将注意力集中在衰老的生物标志物上。该团队包括衰老和长寿专家、人工智能驱动的药物发现公司 Insilico Medicine 的创始人兼首席执行官 Alex Zhavoronkov 博士，他们提供了一个框架，用于标准化衰老生物标志物的开发和验证，以更好地预测寿命和生活质量。研究结果发表在《自然医学》杂志上。

生物标志物是可以测量并用于评估各种生物过程的生物特征，包括疾病进展和对治疗的反应。衰老与许多生物变化有关，包括分子和细胞损伤的增加，但研究人员尚未有标准化的方法来评估和验证与衰老相关的生物标志物。

对于这项研究，研究团队着手创建这些标准以及可行的临床工具。他们分析了基于血液衰老生物标志物的组学数据(与生物分子相关的数据，包括蛋白质组学、转录组学、基因组学和表观基因组学)的人群队列研究。研究人员随后比较了不同生物标志物的预测强度，包括研究设计和数据收集方法，并研究了这些生物标志物在不同人群中的表现。

为了更好地利用生物标志物评估衰老的影响，研究人员发现临床医生需要扩大关注范围——不仅要考虑死亡率这一结果，还要考虑衰老的生物标志物与许多其他健康结果的关系，包括功能衰退、虚弱、慢性疾病和残疾。他们还呼吁对组学数据进行标准化以提高可靠性。

“组学和生物标志物的协调工作，例如Biolearn 项目，有助于验证衰老生物标志物，”遗传学部门的共同第一作者 Mahdi Moqri 博士说。Biolearn 是一个针对衰老生物标志物的开源项目，正在帮助协调现有的衰老生物标志物、统一公共数据集并提供计算方法。

研究人员指出，研究小组之间在“大规模纵向研究上持续合作也很重要，这些研究可以跟踪不同人群的长期生理变化和对治疗的反应”。需要进一步的工作来了解在临床试验中实施生物标志物评估如何改善患者的生活质量和生存率。

“如果我们希望进行延长人类健康寿命的干预措施的临床试验，我们需要可靠、经过验证的衰老生物标志物，”共同第一作者、遗传学部的 Jesse Poganik 博士说。“我们希望我们的框架将有助于优先考虑最有前途的生物标志物，并为医疗保健提供者提供具有临床价值和可操作的工具。”

Insilico Medicine 自 2014 年成立以来一直致力于开发衰老的多模式生物标志物。该公司的端到端生成人工智能平台 Pharma.AI 首次经过训练，可以使用不同的数据类型(包括图片、血液测试、PBMC)来预测年龄以及组织特异性转录组、蛋白质组、成像数据、微生物组、可穿戴数据等。该公司的深度神经网络 (DNN) 捕获了最具生物学相关性的特征，并将这些特征用作针对各种疾病重新训练 DNN 的目标。Insilico 的科学家发表了许多与使用这些深度学习方法识别衰老生物标志物相关的论文，包括识别特定人群的生物标志物;开发基于深度学习的衰老和长寿生物标志物;以及使用 Insilico 的人工智能驱动的发现引擎PandaOmics发现了许多针对衰老和疾病的双重目标。