La riduzione dell'invecchiamento alla dinamica di una singola variabile rende il modello quantitativo dell'invecchiamento nella forma dell'equazione stocastica. (1) dal rif. 18 e questo studio è distinto dalle precedenti proposte per derivare la mortalità dalla dinamica di uno stato fisiologico58,59. Tali modelli sono metafore matematiche di passeggiate casuali in spazi dimensionali molto elevati e quindi possono essere difficili da interpretare o dedurre da segnali biologici senza ulteriori ipotesi. Riteniamo che la criticità sia un'utile osservazione teorica e il deep learning sia un ottimo strumento pratico, che può essere utilizzato insieme per semplificare l'identificazione dei parametri del modello e le loro relazioni con le proprietà dell'organismo. Notiamo che la spiegazione della legge di mortalità di Gompertz è una prova insufficiente di una teoria dell'invecchiamento. Abbinare la dinamica longitudinale stocastica degli indici fisiologici a una previsione del modello è una sfida molto più difficile e dovrebbe essere utilizzata come strumento efficace per la convalida del modello.

Il glicoside di cistanche può anche aumentare l'attività della SOD nei tessuti del cuore e del fegato e ridurre significativamente il contenuto di lipofuscina e MDA in ciascun tessuto, eliminando efficacemente vari radicali reattivi dell'ossigeno (OH-, H₂O₂, ecc.) e proteggendo dai danni al DNA causati da radicali OH. I glicosidi feniletanoidi di Cistanche hanno una forte capacità di scavenging dei radicali liberi, una maggiore capacità riducente rispetto alla vitamina C, migliorano l'attività della SOD nella sospensione dello sperma, riducono il contenuto di MDA e hanno un certo effetto protettivo sulla funzione della membrana dello sperma. I polisaccaridi Cistanche possono migliorare l'attività di SOD e GSH-Px negli eritrociti e nei tessuti polmonari di topi sperimentalmente senescenti causati dal D-galattosio, nonché ridurre il contenuto di MDA e collagene nei polmoni e nel plasma e aumentare il contenuto di elastina, hanno un buon effetto scavenging su DPPH, prolunga il tempo di ipossia nei topi senescenti, migliora l'attività della SOD nel siero e ritarda la degenerazione fisiologica del polmone nei topi senescenti sperimentalmente Con la degenerazione morfologica cellulare, gli esperimenti hanno dimostrato che Cistanche ha la buona capacità antiossidante e ha il potenziale per essere un farmaco per prevenire e curare le malattie dell'invecchiamento cutaneo. Allo stesso tempo, l'echinacoside in Cistanche ha una significativa capacità di eliminare i radicali liberi DPPH e ha la capacità di eliminare le specie reattive dell'ossigeno e prevenire la degradazione del collagene indotta dai radicali liberi, e ha anche un buon effetto di riparazione sul danno dell'anione dei radicali liberi della timina.

Clicca su Cistanche Powder Bulk

【Per maggiori informazioni: david.deng@wecistanche.com / WhatApp:86 13632399501】

dFI è aumentato in modo esponenziale con l'età a un tasso di raddoppio caratteristico di {{0}},02 a settimana. Questa stima è leggermente inferiore (ma comunque dello stesso ordine) al tasso di accelerazione della mortalità di Gompertz previsto di 0,037 a settimana22 per il ceppo SWR/J. Dati i tassi di raddoppio dFI osservati nei topi, t ~ 3 e quindi i cambiamenti fenotipici deterministici dominano gli effetti casuali di un fattore 3 (vedi Eq. (2) e Fig. 3).

Più interessante, nel set di dati cross-sectional, il dFI è saturato a un valore limite, che viene raggiunto all'età corrispondente alla durata media della vita nel gruppo. Tuttavia, abbiamo osservato che il massimale dFI corrisponde ai livelli dFI nelle coorti di animali programmati per l'eutanasia a causa dell'eccessiva morbilità secondo gli attuali protocolli di laboratorio, che è il più vicino alla morte per cause naturali come potrebbero esserlo gli animali in un laboratorio moderno.

Entrambe le caratteristiche delle traiettorie di invecchiamento in MPD sono compatibili con le soluzioni analitiche dell'Eq. (1) per la dinamica del parametro d'ordine. Nel rif. 18, abbiamo spiegato che all'inizio della vita dFI aumenta in modo esponenziale (vedi Eq. (2)). All'età approssimativamente corrispondente alla durata media della vita nella popolazione, gli effetti non lineari prendono il sopravvento sulla dinamica del dFI e lo stato dell'organismo devia dal suo stato giovanile anche più velocemente che esponenzialmente. Tale situazione è incompatibile con la sopravvivenza e quindi non può essere osservata nei dati. Nel nostro modello e nell'esperimento, la morte si verifica rapidamente una volta raggiunto il livello massimo di dFI a un certo punto della storia della vita dell'animale.

L'eq. stocastica (1) stabilisce la "legge del moto" per lo stato fisiologico dell'organismo e prevede la decelerazione della mortalità in tarda età sotto forma di saturazione della mortalità a livello di plateau, Mðt ≫ tÞ ≈ . La relazione prevista tra il limite di mortalità e il tempo di raddoppio del tasso di mortalità tenutosi in una varietà di specie60 e gli esperimenti in condizioni multiple nella stessa specie, come i nematodi42. Qui riportiamo la convalida della previsione di mortalità limitante in coorti molto ampie di topi dal rif. 25.

Il buon accordo semi-quantitativo tra le curve di mortalità empiriche in grandi esperimenti e la previsione teorica fornisce un test indipendente e sensibile dell'invecchiamento al modello critico come quadro teorico qui proposto per l'analisi dei dati in esperimenti che coinvolgono animali che invecchiano. Più specificamente, la conferma sperimentale per la previsione della decelerazione della mortalità in tarda età convalida l'equazione stocastica di base. (1) e l'associazione tra la sua soluzione sotto forma di dFI e la mortalità per tutte le cause. Notiamo anche che la decelerazione della mortalità nel modello deriva dalla natura stocastica della dinamica dei parametri dell'ordine e dovrebbe essere prevista anche in una coorte di animali geneticamente identici (vedere la discussione in rif. 61).

Si verificano anche deviazioni dalla legge di Gompertz nelle coorti umane, ma in età superiori alla vita media quando la mortalità è già ben oltre il limite teorico corrispondente al tasso di mortalità che raddoppia di quasi un ordine di grandezza60. Ciò significa che il carattere delle dinamiche di stato dell'organismo nel corso dell'invecchiamento umano è qualitativamente diverso da quello dei topi o dei nematodi. Nel rif. 5, abbiamo osservato che le fluttuazioni degli indici fisiologici nell'uomo sono anche dominate da una variabile collettiva caratterizzata da un tempo di autocorrelazione relativamente lungo ma finito (nell'ordine di poche settimane) e associata all'età e alla mortalità per tutte le cause. Il numero di individui che mostrano segni di perdita di stabilità dinamica (misurati da tempi di autocorrelazione eccessivamente lunghi) è aumentato esponenzialmente con l'età a un tasso corrispondente al tasso di raddoppio della mortalità dalla legge sulla mortalità di Gompertz61.

L'intima relazione tra le proprietà di autocorrelazione delle variabili dello stato fisiologico e le caratteristiche dell'invecchiamento suggerisce che l'analisi AR potenziata dal deep learning può aiutare a scoprire le firme dell'invecchiamento umano e della progressione delle malattie croniche. Il vantaggio può essere particolarmente enorme negli studi che coinvolgono grandi serie di misurazioni longitudinali ma spesso mancano informazioni di follow-up sulla mortalità e sulla morbilità. Mentre le caratteristiche dell'invecchiamento nei topi sono correlate e principalmente reversibili, gran parte dei cambiamenti fisiologici associati all'invecchiamento negli esseri umani è stocastica e può essere termodinamicamente irreversibile62. Pertanto, ci aspettiamo che l'applicazione sistematica dei principi della teoria dei sistemi dinamici all'analisi dei dati biomedici aiuterà a identificare fenotipi di invecchiamento attuabili e quindi faciliterà la scoperta e lo sviluppo di terapie anti-invecchiamento che producono effetti di ringiovanimento duraturi.

Metodi

Set di dati

Il set di dati di addestramento è stato preparato dalle nove fonti di dati disponibili nell'MPD19. Un elenco delle fonti incluse è presentato in Dati supplementari 1 con riferimenti ai record inclusi e mancanti raggruppati per coorti di sesso ed età. Abbiamo utilizzato i test che fornivano solo i dati CBC, i test con altri biomarcatori non sono stati considerati a causa del numero insufficiente di campioni. Il nostro modello è stato addestrato utilizzando la migliore sovrapposizione delle funzionalità CBC disponibili da tutte le fonti. L'elenco finale conteneva 12 caratteristiche dell'emocromo: differenziale dei granulociti (percentuale GR), conta dei granulociti (GR), emoglobina (HB), ematocrito (percentuale HCT), differenziale dei linfociti (percentuale LY), conta dei linfociti (LY), contenuto medio di emoglobina corpuscolare ( MCHC), concentrazione media di emoglobina (MCH), volume corpuscolare medio (MCV), conta piastrinica (PLT), conta dei globuli rossi (RBC) e conta dei globuli bianchi (WBC). Vedere Dati supplementari 2 per l'elenco di tutte le abbreviazioni. Se l'origine dati mancava di misurazioni dei granulociti, veniva recuperata utilizzando le formule:

Tutti gli animali con uno o più parametri mancanti sono stati esclusi dall'addestramento. La percentuale dei record esclusi era<2% and should not have affected the results.

Animali

Tutti gli esperimenti sugli animali sono stati approvati dall'Institutional Animal Care and Use Committee del Roswell Park Cancer Institute o dall'Explora BioLabs, Inc Animal Use Committee.

Abbiamo ricevuto topi maschi e femmine NIH Swiss di 4–5-settimane dai Charles River Laboratories (Wilmington, MA). Gli è stato permesso di invecchiare all'interno della struttura per animali del Roswell Park Comprehensive Cancer Center (RPCCC). Durante questo periodo i topi sono stati alloggiati 1-3 per gabbia e sono stati nutriti a volontà con cibo standard (Tekland Global 18% Protein Rodent Diet). I campioni di sangue sono stati ottenuti a età diverse come parte della creazione del PFI3. I campioni di sangue sono stati raccolti da un singolo sanguinamento venoso sottomandibolare in provette Vacutainer trattate con EDTA (volume totale di 20 ul) e utilizzati per la conta delle cellule del sangue intero e le misurazioni del glucosio utilizzando l'analizzatore Hemavet 950 (Drew Scientific). Altri 75 ul di sangue sono stati raccolti in tubi separatori di plasma trattati con Li-Eparina; il plasma è stato purificato mediante centrifugazione a 5000 × g per 5 minuti e utilizzato per misurare la concentrazione di citochine pro-infiammatorie circolanti e trigliceridi.

Il set di dati MA0071 è stato costruito in un esperimento trasversale utilizzando topi NIH Swiss maschi e femmine. Il sangue è stato raccolto da topi maschi all'età di 26 (n=20), 64 (n=18), 78 (n=17), 92 (n=14), e 132 (n=6) settimane. I gruppi di età femminile erano rappresentati dalle età di 30 (n=20), 56 (n=20), 68 (n=19), 82 (n=19), 95 (n=18), 108 (n=20) e 136 (n=7) settimane. Il set di dati MA0072 è stato ottenuto da un esperimento longitudinale. I campioni di sangue sono stati raccolti all'età di 66 (n=27), 81 (n=22), 94 (n=21), 109 (n=16) e 130 (n=7) settimane. Il set di dati MA0073 include campioni di sangue raccolti da 97 topi maschi e 127 femmine di età diverse quando gli animali hanno raggiunto gli endpoint sperimentali approvati e hanno richiesto l'eutanasia umana. Tutte le procedure sugli animali sono state eseguite secondo il protocollo IACUC (Institutional Animal Care and Use Committee). I topi sono stati monitorati quotidianamente per lo sviluppo di patologie legate all'età. Ogni volta che venivano segnalati problemi di salute, il personale di ricerca contattava il personale veterinario e seguiva le loro raccomandazioni per il trattamento o l'eutanasia. I topi sono stati trattati fino a quando la condizione non è stata migliorata o soppressa quando è stato raggiunto l'endpoint per ciascuna condizione di salute descritta nel protocollo. L'eutanasia è stata eseguita mediante asfissia da CO2 seguita da dislocazione cervicale. Vedere Dati supplementari 3 per il numero totale di animali in questi set di dati.

I topi femmina p16/INK4a-LUC (p16-}Luc) di età compresa tra 44 e 106 settimane sono stati ottenuti dal laboratorio N. Sharpless presso l'Università della Carolina del Nord (Chapel Hill, NC). Tutti gli animali sono stati alloggiati in condizioni di luce 12:12: oscurità (12 ore di luce seguite da 12 ore di oscurità) presso la risorsa condivisa per animali da laboratorio presso RPCCC. Tutti gli esperimenti sugli animali sono stati approvati dalla IACUC del Roswell Park Cancer Institute. L'imaging della bioluminescenza è stato eseguito utilizzando un sistema di imaging IVIS Spectrum (Caliper LifeSciences, Inc, Waltham, MA). I topi p16/Ink4a-Luc plus /- sono stati iniettati per via intraperitoneale con D-luciferina (150 mg/kg, Gold Biotechnology), 3 minuti dopo anestetizzati con isoflurano e sottoposti a imaging utilizzando un tempo di integrazione di 20- secondi e binning medio. Le immagini sono state elaborate e quantificate come la somma del flusso di fotoni registrato da entrambi i lati di ciascun mouse utilizzando il software Living Image (Perkin Elmer, Waltham, MA.).

Per l'esperimento di trattamento con rapamicina, 60-topi maschi C57BL/6J di una settimana sono stati ottenuti dai Jackson Laboratories (USA). La coorte di 60 60- topi maschi C57BL/6 di una settimana è stata divisa in gruppi di trattamento (n=12) ​​e di controllo (n=48) utilizzando una tecnica di randomizzazione stratificata per produrre distribuzioni indistinguibili di dFI valori prima dell'esperimento. I campioni di sangue (volume totale di 120 μL) sono stati raccolti in tubi EDTA tramite vena sottomandibolare o facciale utilizzando una lancetta. Tutte le procedure sugli animali sono state approvate dal comitato per l'uso degli animali di Explora BioLabs, Inc (IACUC SP17-004-035B) e dalle politiche di Explora BioLabs, Inc sulla cura, il benessere e il trattamento degli animali da laboratorio. La rapamicina è stata acquistata da LC Laboratories (MA, USA). La rapamicina è stata somministrata giornalmente a 12 mg/kg tramite sonda gastrica orale per 8 settimane. Il gruppo di controllo è stato trattato con veicolo (5% Tween-80, 5% PEG-400, 3% DMSO).

Riduzione della dimensionalità con PCA

Abbiamo eseguito il PCA con l'aiuto di Python e Scikit-learn package63. Innanzitutto, abbiamo applicato la trasformazione PCA all'intero set di dati di addestramento. Tuttavia, i componenti principali erano dominati dalla differenza nei ceppi di topi. Abbiamo rimosso la differenza di ceppo sottraendo i valori medi delle caratteristiche CBC calcolati per la prima età disponibile per il ceppo selezionato dai valori delle caratteristiche CBC di tutti gli animali per questo ceppo:

dove gli indici i e j enumerano rispettivamente le caratteristiche e i ceppi CBC ed è l'età di un animale. Per semplicità, abbiamo filtrato i ceppi di topi, che non erano presentati nel set di dati Peters464.

La maggior parte della varianza nei dati che rappresentano l'intero set di dati era associata alla crescita e alla maturazione degli animali. Il primo punteggio PC è aumentato con l'età degli animali in particolare dopo 25 settimane (Figura 1 supplementare). Al contrario, il secondo e il terzo punteggio PC acquisiscono medie diverse da zero alla stessa età di 25 settimane. Ciò suggerisce che l'invecchiamento e lo sviluppo precoce nei topi sono fenotipi diversi. Successivamente, abbiamo eseguito tutti i nostri calcoli utilizzando i dati di animali di età superiore a 25 settimane.

Analisi statistica dei dati di mortalità

I record di morte per gli animali collegati al set di dati MPD Peters4 erano disponibili anche nel MPD come set di dati separato denominato Yuan223. Questi set di dati contengono diverse coorti di animali con una vasta sovrapposizione. Abbiamo trovato record di mortalità per 487 animali nel set di dati Peters4, mentre mancavano 393 animali. Il motivo della scomparsa è sconosciuto. Per creare record di censura, abbiamo incluso tutti gli animali con almeno due misurazioni CBC sequenziali. Abbiamo ipotizzato che gli animali forniti di una singola misurazione CBC fossero probabilmente sacrificati dopo la raccolta del sangue. Quindi, se un animale ha più di una misurazione CBC, lo consideriamo perso all'ultima misurazione. Complessivamente, abbiamo trovato 79 animali che soddisfano questa condizione. I restanti 314 animali con date di mortalità sconosciute sono stati esclusi dall'analisi.

Il test di correlazione del rango di Spearman è stato eseguito separatamente per le due coorti di topi. La prima coorte includeva tutti gli animali del set di dati Peters4 con record di mortalità non censurati. La seconda coorte includeva animali dal set di dati Peters4 con le misurazioni di BW e il livello sierico di IGF1 prelevati dal set di dati MPD denominato Yuan1 24.

Abbiamo eseguito l'analisi di regressione di Cox PH con l'aiuto del pacchetto 65 di Python e Lifelines. Innanzitutto, abbiamo prodotto il modello Cox-PH multivariato supervisionato utilizzando le caratteristiche di età, sesso e CBC come covariate e utilizzando i dati di tutti gli animali del Peters4 set di dati, inclusi gli eventi di mortalità censurati e non censurati. L'output del modello, il log-hazard ratio (HRCBC) è il prodotto scalare del vettore comprendente le caratteristiche CBC e i rispettivi coefficienti del modello Cox-PH. Successivamente, abbiamo testato l'associazione della funzione HRCBC in un modello Cox-PH univariato insieme al punteggio dFI in coorti di animali della stessa età e sesso (vedi Dati supplementari 6) come alternativa al test di correlazione di rango di Spearman. Entrambi i test erano in buon accordo tra loro.

Addestramento della rete neurale AE/AR

Abbiamo utilizzato una combinazione di un modello AE profondo e un semplice modello AR per l'analisi modale (modello AE-AR). Al suo collo di bottiglia, il braccio del codificatore dell'AE ha prodotto una rappresentazione 4-dimensionale compressa y dell'input, il 12-vettore dello stato fisiologico dimensionale x costruito dalle misurazioni CBC disponibili. Il braccio del decodificatore ha ricostruito lo 12-stato dimensionale ~ x originale dalle caratteristiche del collo di bottiglia.

Contemporaneamente all'AE, abbiamo addestrato la rete per adattare la fetta longitudinale di MPD (compresi gli animali completamente cresciuti di età compresa tra 26 e 104 settimane con un intervallo di campionamento di Δt=26 settimane) alla soluzione del linearizzato (g=0) versione dell'Eq. (1),

dove z è la migliore combinazione lineare possibile delle caratteristiche del collo di bottiglia AE, r=expð ΔtÞ ≈ 1 e z0 sono rispettivamente i valori di miglior adattamento del coefficiente di autoregressione e dello spostamento costante. Qui, ξ è l'errore dell'adattamento (la combinazione del rumore del sistema e degli errori di misurazione).

Abbiamo adottato l'architettura della rete neurale proposta in rif. 45. La nostra implementazione ha gestito misurazioni trasversali e longitudinali contemporaneamente con uno squilibrio a favore dei dati trasversali, tipico dei dati clinici del mondo reale. Come input, la rete ha tre vettori 12-dimensionali rappresentati dai parametri CBC: uno per il set di dati trasversale (x) e altri due per il set di dati longitudinale corrispondente al presente (xn) e al futuro (xn più 1 ) stati di un campione (Fig. 7a).

I campioni trasversali sono serviti come input nell'AE. Anche i campioni longitudinali nella rappresentazione compressa (yn, yn più 1) hanno partecipato alla parte di autoregressione dell'addestramento. Il vantaggio principale dell'inclusione di AE nella rete neurale è la sua capacità di un'efficace riduzione della dimensionalità non lineare66, necessaria per quantità correlate come i componenti CBC (Fig. 1a). La dimensione ridotta delle dimensioni latenti funziona come regolarizzazione e aiuta ad addestrare senza overfitting su un piccolo set di dati longitudinali utilizzando più campioni da un set di dati trasversale più grande.

Il blocco AE codifica l'input (x) nel 4-vettore dimensionale y=ϕ(x) e poi ricostruisce il segnale originale e x=ϕ 1 ðyÞ. AE è stato implementato come uno stack di strati densi completamente connessi e blocchi di rete residui (ResNet)67. Gli strati densi hanno una matrice di peso addestrabile W, vettore di polarizzazione b e una funzione di attivazione lineare per impostazione predefinita. Il blocco ResNet, mostrato in Fig. 7b, è una pila di due strati densi con una funzione di attivazione di un'unità lineare rettificata che perde (Leaky ReLU). L'input e l'output sono collegati applicando l'aggiunta per elemento. I blocchi ResNet aggiungono trasformazioni di rettifica non lineari all'input originale, aiutando ad apprendere le trasformazioni non lineari. L'AE viene addestrato simultaneamente su set di dati trasversali e longitudinali.

Il blocco del proiettore prende un 4-vettore dimensionale come input e lo trasforma in uno scalare z=A ⋅ y, che chiamiamo dFI. Durante l'addestramento, agli input viene fornita una coppia di vettori: uno in per lo stato attuale del sistema e uno yn più 1 per lo stato futuro. Il blocco di dinamica lineare risolve il problema dell'autoregressione (7) e predice lo stato futuro Zn più 1=ξ(rZn)=rzn più b. Il blocco del decodificatore ausiliario ricostruisce il vettore CBC di 12-dimensione originale dall'output del blocco di dinamiche lineari ezn plus 1 utilizzando il decodificatore ϕ−1 dal blocco AE: e xn plus 1=ϕ 1 ðB ezn plus 1Þ.

Per forzare le matrici di A e B nel proiettore e i blocchi di dinamica lineare ad essere autovettori sinistro e destro nella soluzione dell'Eq. (7) abbiamo aggiunto i seguenti vincoli:

Qui, LAE è la perdita di ricostruzione AE, Lpred è la perdita di ricostruzione dello stato futuro, LAR la perdita di auto-regressione, LC è la perdita per forzare i vincoli dall'Eq. (8), e il termine k Wk2 2 è la regolarizzazione L2 dei pesi NN per evitare il problema dell'overfitting.

I pesi 1, 3 e 4 sono stati assegnati rispettivamente ai valori 1, 100 e 0.01. Il peso 2 è stato gradualmente aumentato da 0 a 1 durante l'allenamento. Il modello è stato addestrato per 600 epoche con un tasso di apprendimento di 0,001 e l'ottimizzatore Adam 68. Le ultime 200 epoche sono state addestrate con un tasso di apprendimento di 0,0001. L'architettura AE/AR NN è stata implementata con Python e il framework TensorFlow69.

La dinamica non lineare del parametro d'ordine è cruciale per spiegare la mortalità. Allo stesso tempo, gli effetti della non linearità possono essere trascurati quasi sempre nel corso della vita di un animale se il parametro adimensionale che esprime la durata della vita dell'animale t in unità del tempo di raddoppio del tasso di mortalità è grande, t ≫ {{1} }. Dati i tassi di raddoppio dFI osservati nei topi, t ~ 3 e quindi il modello AR lineare è solo un'approssimazione ragionevole. Si dovrebbero ottenere migliori varianti dFI in futuro aumentando il rango nei modelli AR, possibilmente includendo gli effetti dell'accoppiamento di modalità con dFI.

Valutazione del modello

Il modello è stato convalidato in set di dati di test (vedere Dati supplementari 3), che sono stati completamente esclusi dall'addestramento del modello AE-AR. I set di dati del test sono stati ottenuti da esperimenti indipendenti raccogliendo campioni di CBC da coorti di topi NIH Swiss di diverse età e sesso (set di dati MA0071), una coorte di topi maschi NIH Swiss osservati per 15 mesi (set di dati MA0072) e coorti di maschi naive e topi femmina NIH Swiss che sono stati soppressi umanamente dopo aver raggiunto gli endpoint sperimentali approvati (set di dati MA0073).

Abbiamo stimato l'errore di ricostruzione dell'AE mediante il calcolo dell'errore quadratico medio (RMSE) e il coefficiente di determinazione R2 per ciascuna caratteristica CBC nei set di addestramento e test (dati supplementari 4 e dati supplementari 5). L'RMSE medio nel set di test era 229,6 con R2=0,55; nel training set, RMSE era 106.4 e R2=0.77. La migliore ricostruzione è stata ottenuta per ematocrito (R2=0.95), globuli rossi (R2=0.92) e linfociti (R2=0.87); i risultati peggiori sono stati per la concentrazione media di emoglobina corpuscolare (R2=− 0.82) e piastrine (R2=− 0.14) nel set di test. Notiamo che secondo la definizione, −1 < R2 < 1 (si veda, ad esempio, 70), la quantità può essere negativa sia nel treno che negli insiemi di validazione, il che indica casi di adattamento particolarmente scadente.

Determinazione degli effetti di un farmaco su dFI

Abbiamo eseguito l'indagine sugli effetti della rapamicina sulle traiettorie dFI nei singoli animali. Tecnicamente, abbiamo confrontato gli incrementi dei livelli dFI lungo le storie di vita individuali in intervalli di tempo a seconda della quantità di trattamento tra i punti temporali successivi. Tale analisi si basa esplicitamente sull'equazione del moto (7) per il parametro d'ordine, che è approssimato da dFI. L'effetto del farmaco si manifesta come il termine "forza" che riduce gli incrementi dFI tra le misurazioni quando il farmaco viene somministrato e non ha alcun effetto (nessuna forza) quando il farmaco non viene somministrato, sia nel gruppo di trattamento che in quello di controllo.

La determinazione dell'effetto di un farmaco sul processo di invecchiamento è quindi equivalente alla determinazione del termine "forza" nel problema dell'autoregressione nell'Eq. (4). Poiché la variazione naturale dei livelli dFI tra gli animali è spesso elevata, gli studi longitudinali dovrebbero avere più potere statistico rispetto ai confronti di gruppo standard. Il dFI è stato addestrato con il modello AR (7). Di conseguenza, è adatto per massimizzare il rapporto segnale-rumore in un'analisi longitudinale degli effetti di un intervento antietà. Se necessario, il modello di autoregressione può accogliere qualsiasi numero di fattori confondenti, come il lotto sperimentale o il sesso degli animali. Tecnicamente, si può raggiungere l'obiettivo aggiungendo le rispettive covariate al lato destro di Eq (4).

Analisi della mortalità e della sopravvivenza in tarda età

I dati per la mortalità dei topi sono stati presi dal rif. 25. Per l'analisi sono stati selezionati solo gruppi di controllo. I topi rimossi dallo studio sono stati rimossi anche dall'attuale analisi di sopravvivenza. I topi sono stati raggruppati insieme da tutti e tre i centri di studio e le coorti e separati in due gruppi in base al sesso. Complessivamente, c'erano 3249 topi maschi e 2978 topi femmine.

L'analisi della mortalità viene eseguita con l'aiuto dell'installatore Nelson-Aalen dal pacchetto 65 di lifelines python. Per l'adattamento Gompertz delle sopravvivenze e altre analisi di sopravvivenza, abbiamo utilizzato il codice personalizzato pubblicato su GitHub.

Riepilogo dei rapporti

Ulteriori informazioni sulla progettazione della ricerca sono disponibili nel Nature Research Reporting Summary collegato a questo articolo.

Disponibilità dei dati

I dati a supporto dei risultati di questo studio sono disponibili presso l'MPD (RRID: SCR_003212). I file di dati grezzi e gli script per riprodurre tutti i risultati sono disponibili sul sito Web GitHub. Ulteriori dati sono disponibili dagli autori corrispondenti su ragionevole richiesta. I dati di origine sono forniti in questo documento.

Disponibilità del codice

Il codice sarà disponibile sul sito Web GitHub.

Riferimenti

1. Horvath, S. Età di metilazione del DNA di tessuti umani e tipi di cellule. Genoma Biol. 14, R115 (2013).

2. Levine, ME et al. Un biomarcatore epigenetico dell'invecchiamento per la durata della vita e la durata della salute. Invecchiamento 10.573 (2018).

3. Antoch, MP et al. Indice di fragilità fisiologica (pdf): una stima quantitativa in vita dell'età biologica individuale nei topi. Invecchiamento 9.615 (2017).

4. Putin, E. et al. Biomarcatori profondi dell'invecchiamento umano: applicazione di reti neurali profonde allo sviluppo di biomarcatori. Invecchiamento 8, 1021 (2016).

5. Pyrkov, TV et al. L'analisi longitudinale dei marcatori del sangue rivela la progressiva perdita di resilienza e prevede il limite ultimo della durata della vita umana. Nat. Comune. 12, 2765 (2019).

6. Schultz, MB et al. Orologi dell'età e dell'aspettativa di vita basati sull'analisi dell'apprendimento automatico della fragilità del topo. Nat. Comune. 11, 1 (2020).

7. Cohen, AA et al. Un nuovo approccio statistico mostra prove di disregolazione fisiologica multisistemica durante l'invecchiamento. Meccanismi Aging Dev. 134, 110 (2013).

8. Mitnitski, AB, Mogilner, AJ & Rockwood, K. Accumulo di deficit come misura sostitutiva dell'invecchiamento. ScientificWorldJournal 1, 323–336 (2001).

9. Mitnitski, A. et al. Fragilità legata all'età e sua associazione con i marcatori biologici dell'invecchiamento. BMC Med. 13, 161 (2015).

10. Blodgett, JM, Theou, O., Mitnitski, A., Howlett, SE & Rockwood, K. Associazioni tra un indice di fragilità di laboratorio ed esiti avversi per la salute per età e sesso. Invecchiamento Med. 2, 11 (2019).

11. Giustizia, J. et al. Senolytics nella fibrosi polmonare idiopatica: risultati di uno studio pilota in aperto, first-in-human. ebiomedicina 40, 554–563 (2019).

12. Fahy, GM et al. Inversione dell'invecchiamento epigenetico e delle tendenze immunosenescenti negli esseri umani. Cella di invecchiamento 18, e13028 (2019).

13. Herman Haken. Fis. Astron. in linea Libr.

14. Scheffer, M. et al. Segnali di preallarme per transizioni critiche. Natura 461, 53 (2009).

15. Scheffer, M. et al. Quantificare la resilienza degli esseri umani e di altri animali. Proc. Nazionale Acad. Sci. USA 115, 11883 (2018).

16. Krotov, D., Dubuis, JO, Gregor, T. & Bialek, W. Morphogenesis alla criticità. Proc. Nazionale Acad. Sci. 111, 3683 (2014).

17. Kogan, V., Molodtsov, I., Menshikov, LI, Reis, RJS & Fedichev, P. L'analisi della stabilità di una rete genica modello collega la resistenza allo stress dell'invecchiamento e la senescenza trascurabile. Sci. Rep. 5, 13589 (2015).

18. Podolskiy, D. La dinamica critica delle reti geniche è un meccanismo alla base dell'invecchiamento e della legge di Gompertz.

19. Bogue, MA et al. Accesso alle risorse di dati nel database del fenomeno del topo per l'analisi genetica della durata della vita e della salute del topo. J. Gerontologia. Ser. A 71, 170 (2016).

20. Fiedler, BE Handbook of Dynamical Systems, vol. 2 (Gulf Professional Publishing, 2002).

21. Seydel, R. Analisi pratica di biforcazione e stabilità, vol. 1, pag. 477 (Springer Science & Business Media, 2009).

22. Hughes, BG & Hekimi, S. Diversi meccanismi di longevità nei mutanti di topo longevi e Caenorhabditis elegans rivelati dall'analisi statistica dei tassi di mortalità. Genetica 204, 905 (2016).

23. Yuan, R. et al. Coregolazione genetica dell'età della maturazione sessuale femminile e della durata della vita attraverso l'igf1 circolante tra ceppi di topi consanguinei. Proc. Nazionale Acad. Sci. 109, 8224 (2012).

24. Yuan, R. et al. Invecchiamento di ceppi di topi consanguinei: disegno dello studio e relazione provvisoria sulla durata della vita mediana e sui livelli di igf1 circolanti. Cellula di invecchiamento 8, 277 (2009).

25. Harrison, DE et al. La rapamicina somministrata in tarda età prolunga la durata della vita nei topi geneticamente eterogenei. Natura 460, 392 (2009).

26. O'Connell, KE et al. Ematopatologia murina pratica: una rassegna comparativa e implicazioni per la ricerca. comp. Med. 65, 96 (2015).

27. Patel, KV et al. Ampiezza della distribuzione dei globuli rossi e mortalità negli anziani: una meta-analisi. J. Gerontol. 65 A, 258 (2010).

28. Baggiolini, M. Chemokines, and leukocyte traffic.

29. Harris, TB et al. Associazioni di livelli elevati di interleuchina-6 e proteina C-reattiva con la mortalità negli anziani. Sono. J.Med. 106, 506 (1999).

30. Mahmoudi, S., Xu, L. & Brunet, A. Tornando indietro nel tempo con strategie di ringiovanimento emergenti. Nat. Cell Biol. 21, 32 (2019).

31. Kuilman, T., Michaloglou, C., Mooi, WJ & Peeper, DS L'essenza della senescenza. Geni Dev. 24, 2463 (2010).

32. van Deursen, JM Il ruolo delle cellule senescenti nell'invecchiamento. Natura 509, 439 (2014).

33. Sala, BM et al. L'invecchiamento dei topi è associato all'accumulo di macrofagi positivi p16(Ink4a)- e -galattosidasi che può essere indotto nei topi giovani dalle cellule senescenti. Invecchiamento 8, 1294 (2016).

34. Kim, WY e Sharpless, NE La regolazione di INK4/ARF nel cancro e nell'invecchiamento. Cella 127, 265 (2006).

35. Burd, CE et al. Monitoraggio della tumorigenesi e della senescenza in vivo con un modello p16 INK4a-luciferasi. Cella 152, 340 (2013).

36. Wilkinson, JE et al. La rapamicina rallenta l'invecchiamento nei topi. Cella di invecchiamento 11, 675 (2012).

37. Bitto, A. et al. Il trattamento transitorio con rapamicina può aumentare la durata della vita e la durata della salute nei topi di mezza età. vita 5, e16351 (2016).

38. Miller, RA et al. L'aumento della durata della vita mediato dalla rapamicina nei topi è dipendente dalla dose e dal sesso e metabolicamente distinto dalla restrizione dietetica. Cella di invecchiamento 13, 468 (2014).

39.Balleza, E. et al. Dinamiche critiche nelle reti di regolazione genetica: esempi da quattro regni. PLoS One 3, e2456 (2008).

40. Nakamura, E., Miyao, K. & Ozeki, T. Valutazione dell'età biologica mediante analisi delle componenti principali. Mecc. Invecchiamento Dev. 46, 1 (1988).

41. Park, J., Cho, B., Kwon, H. & Lee, C. Sviluppo di un'equazione di valutazione dell'età biologica utilizzando l'analisi dei componenti principali e biomarcatori clinici dell'invecchiamento negli uomini coreani. Arco. Gerontolo. geriatria 49, 7 (2009).

42. Tarchov, AE et al. Una firma trascrittomica universale dell'età rivela il ridimensionamento temporale delle traiettorie di invecchiamento di Caenorhabditis elegans. Sci. Rapp. 9, 1 (2019).

43. Johnstone, IM & Lu, AY Sulla consistenza e la scarsità per l'analisi dei componenti principali in dimensioni elevate. Marmellata. Statistica. Assoc. 104, 682 (2009).

44. Mardt, A., Pasquali, L., Wu, H. & Noé, F. VAMPnets per l'apprendimento profondo della cinetica molecolare. Nat. Comune. 9, 5 (2018).

45. Lusch, B., Kutz, JN & Brunton, SL Deep learning per incorporamenti lineari universali di dinamiche non lineari. Nat. Comune. 9, 4950 (2018).

46. ​​Wu, T. & Tegmark, M. Verso un fisico dell'intelligenza artificiale per l'apprendimento senza supervisione. Fis. Rev. E 100, 033311 (2019).

47. Liu, Z. & Tegmark, M. Ai poinca\'e: leggi di conservazione dell'apprendimento automatico dalle traiettorie. Fis. Rev. Lett. 126, 180604 (2020).

48. Hofmann, B. Youngblood ringiovanisce i vecchi corpi: un invito alla riflessione quando si passa dai topi agli uomini. Karger 1, 45 (2018).

49. Beerman, I. et al. Le alterazioni dipendenti dalla proliferazione del panorama della metilazione del DNA sono alla base dell'invecchiamento delle cellule staminali ematopoietiche. Cellula staminale cellulare 12, 413 (2013).

50. Franceschi, C. et al. Inflamm-aging: una prospettiva evolutiva sull'immunosenescenza. Anna. NY Acad. Sci. 908, 244 (2006).

51. Pawelec, G. Immunosenescenza e cancro. Biogerontologia 18, 717 (2017).

52. Crooke, SN, Ovsyannikova, IG, Poland, GA & Kennedy, RB Immunosenescence e risposte immunitarie del vaccino umano. Imm. 16, 25 anni (2019).

53. Pang, WW et al. Le cellule staminali ematopoietiche del midollo osseo umano sono aumentate in frequenza e mieloidi con l'età. Proc. Nazionale Acad. Sci. USA 108, 20012 (2011).

54. López-Otín, C., Blasco, MA, Partridge, L., Serrano, M. & Kroemer, G. I tratti distintivi dell'invecchiamento. Cella 153, 1194 (2013).

55. Partridge, L., Fuentealba, M. & Kennedy, BK La ricerca per rallentare l'invecchiamento attraverso la scoperta di farmaci. Nat. Rev. Drug Discov. 19, 513–532 (2020).

56. Wang, Y. et al. Previsione delle reazioni avverse alla chemioterapia e della mortalità nei pazienti anziani con carcinoma polmonare primario attraverso l'indice di fragilità basato su dati di laboratorio di routine. Clino. Interv. Invecchiamento 14, 1187 (2019).

57. Kane, AE, Keller, KM, Heinze-Milne, S., Grandy, SA & Howlett, SE Un indice di fragilità murina basato su misurazioni cliniche e di laboratorio: i collegamenti tra fragilità e citochine pro-infiammatorie differiscono in modo specifico per sesso . J. Gerontol. Ser. A 74, 275 (2019).

58. Sacher, G. & Trucco, E. La teoria stocastica della mortalità. Anna. NY Acad. Sci. 96, 985 (1962).

59. Yashin, AI, Manton, KG & Vaupel, JW Mortalità e invecchiamento in una popolazione eterogenea: un modello di processo stocastico con variabili osservate e non osservate. Teorico. Popul. Biol. 27, 154 (1985).

60. Vaupel, JW et al. Traiettorie biodemografiche della longevità. Scienza 280, 855 (1998).

61. Pyrkov, TV, Sokolov, IS & Fedichev, PO La fenotipizzazione longitudinale profonda dei dati dei sensori indossabili rivela marcatori indipendenti di longevità, stress e resilienza. Invecchiamento 13, 7900 (2021).

62. Tarkhov, AE, Denisov, KA e Fedichev, PO Orologi di invecchiamento, entropia e limiti dell'inversione dell'età. bioRxiv (McGraw-Hill, 2022).

63. Pedregosa, F. et al. Scikit-learn: apprendimento automatico in {P}ython. J.Mach. Imparare. Ris. 12, 2825 (2011).

64. Peterset, LL al. Screening su larga scala e ad alto rendimento per coagulazione e fenotipi ematologici nei topi. Fisiolo. Genomics.11, 185–193 (2002).

65. Davidson-Pilon, C. Lifelines.

66. Hinton, GE & Salakhutdinov, RR Ridurre la dimensionalità dei dati con reti neurali. Scienza 313, 504 (2006).

67. He, K., Zhang, X., Ren, S. & Sun, J. Apprendimento residuo profondo per il riconoscimento delle immagini. nel 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770–778 (IEEE Computer Society, 2016).

68. Kingma, DP & Ba, JL Adam: un metodo per l'ottimizzazione stocastica.

69. Abadi, M. TensorFlow: apprendimento automatico su larga scala su sistemi eterogenei.

70. Steel, RGD & Torrie, JH Principi e procedure della statistica: con particolare riferimento alle scienze biologiche. (McGraw Hill, 1960). 71. Avchaciov, K. AI per l'apprendimento senza supervisione dei principi dell'invecchiamento da dati longitudinali.

Ringraziamenti

Ringraziamo Norman Sharpless per aver generosamente fornito i topi reporter p16-Luc. Questo lavoro è stato sostenuto in parte dalla sovvenzione P30 CA016056 del National Cancer Institute (NCI) per l'uso delle risorse condivise per l'imaging da laboratorio e traslazionale del Roswell Park Comprehensive Cancer Center (MPA e AVG) e da un contratto di Genome Protection, Inc. (MPA e AVG). Gli autori sono grati a M. Kholin di Gero per gli utili commenti e discussioni.

Contributi d'autore

MPA e EIA hanno progettato e condotto esperimenti, analizzato e interpretato i dati e rivisto il manoscritto. KA e AET hanno eseguito calcoli e analisi dei dati e hanno scritto il manoscritto. OG, LIM, AVG e POF hanno discusso i risultati e scritto e rivisto il manoscritto.

Interessi conflittuali

POF è azionista di Gero PTE. srl. AVG è membro di Gero PTE. srl. Comitato consultivo. KA, AET, LIM, OB e POF sono dipendenti di Gero PTE. srl. AVG è co-fondatore e azionista di Genome Protection. EIA è un dipendente di Genome Protection. MPA non ha interessi concorrenti. Lo studio è stato finanziato da Gero PTE. srl.

Informazioni aggiuntive

Informazione supplementareLa versione online contiene materiale supplementare disponibile.

Corrispondenza e richiesteper i materiali dovrebbe essere indirizzato a Peter O. Fedichev.

Informazioni sulla revisione tra pariNature Communications ringrazia Konstantin Arbeev, Arnold Mitnitski e i revisori anonimi per il loro contributo alla revisione tra pari di questo lavoro.

Nota dell'editoreSpringer Nature rimane neutrale riguardo alle rivendicazioni giurisdizionali nelle mappe pubblicate e nelle affiliazioni istituzionali.

Accesso liberoQuesto articolo è concesso in licenza con una licenza Creative Commons Attribution 4.0 internazionale, che consente l'uso, la condivisione, l'adattamento, la distribuzione e la riproduzione in qualsiasi mezzo o formato, a condizione che tu dia il merito appropriato all'autore o agli autori originali ) e la fonte, fornire un collegamento alla licenza Creative Commons e indicare se sono state apportate modifiche. Le immagini o altro materiale di terze parti in questo articolo sono inclusi nella licenza Creative Commons dell'articolo se non diversamente indicato in una linea di credito al materiale. Se il materiale non è incluso nella licenza Creative Commons dell'articolo e l'uso previsto non è consentito dalla normativa legale o eccede l'uso consentito, sarà necessario ottenere l'autorizzazione direttamente dal detentore del copyright.

Per maggiori informazioni: david.deng@wecistanche.com / WhatApp:86 13632399501