В Гарвардской школе медицины разработали систему искусственного интеллекта, которая может предсказывать продолжительность жизни мышей, исходя из различных «показателей старения» организма. Методику можно использовать для экспресс-оценки влияния различных оперативных воздействий и генетических особенностей на продолжительность жизни и в конечном итоге — для разработки медицинских и терапевтических инструментов для замедления старения.
Статья по результатам долговременных исследований в Гарвардской школе медицины вышла в Nature Communications в свободном доступе (также доступна как препринт на BioRxiv). На первом этапе авторы отслеживали состояние здоровья 60 лабораторных мышей до их естественной смерти. Более года производились замеры различных показателей здоровья и физической формы мышей, например, потеря остроты зрения и слуха, походка, кривизна спины и т. д. Этот набор обучающих данных использовался для разработки двух моделей машинного обучения. Одна из них на основании «показателей старения» определяет биологический возраст мыши, другая используется для предсказания оставшейся продолжительности жизни организма. Дальнейшие наблюдения показали, что модели дают прогноз с точностью до двух месяцев.
Индексы старения (Frailty Index FI) — это некоторые комплексные показатели ухудшения здоровья с возрастом. Они неинвазивны, то есть не влияют на объект и не требуют чрезмерных ресурсов для использования. Для мышей есть адаптированные методики определения физического состояния и вычисления показателей старения. Однако неизвестно, насколько точно те или иные их разновидности определяют состояние организма в целом и предсказывают время его жизни. Коэффициент FI для мышей вычисляется из 31 пунктов оценки здоровья, каждому из которых присваивается значение 0, 0,5 и 1 (1 обозначает соответствующий связанный с возрастом физический недостаток, 0 — его отсутствие). В числе таких индикаторов, например, сила хватки лапы, эластичность хвоста, ослабление зрения/слуха по сравнению с молодой мышью и т. д. Интересующиеся или работающие в этой области биологи могут глубже изучить эту методику по видео от авторов статьи в конце этой заметки.
Использованная методика машинного обучения основана на решающих деревьях (decision trees) — конструкциях в виде древесных (разветвляющихся) графов, в узлах которых расположены отдельные параметры, составляющие индекс FI. Такие деревья создаются на основе обучающего набора, то есть всех измеренных параметров для мышей и реальных данных по их продолжительности жизни, и затем позволяют делать предсказания продолжительности жизни для новых особей исходя из их показателей здоровья. Авторы применили усовершенствованный алгоритм обучения на решающих деревьях под названием random forest, или классификатор на основе ансамбля решающих деревьев. Его суть заключается в том, что используется не одно дерево решений, которое на небольшой выборке может быть не вполне точным, а несколько (большое число) таких деревьев, каждое из которых строится на случайной выборке исходного набора данных. Предсказательная модель в этом случае строится в виде усреднения по множеству таких деревьев (комитет решающих деревьев), что позволяет улучшить качество предсказаний. Так, в алгоритме использовалось 1000 таких решающих деревьев исходя из такого же количества случайных выборок обучающих данных.
Примеры двух разных деревьев принятия решений по случайным выборкам обучающих данных. Schultz, M.B. et al., Nat Commun 11, 4618 (2020).
Основное предполагаемое применение разработанной модели — оценка влияния различных клинических и терапевтических воздействий, предположительно увеличивающих продолжительность жизни — например, диеты или какого-либо лекарственного препарата. Лонгитюдные исследования в этом случае должны бы длиться около трёх лет (среднее время жизни мыши) для любого препарата. Поэтому такая предсказательная биометрика — инструмент, позволяющий сократить время исследования, получив хотя бы предварительные выводы, насколько выбранное направление перспективно.
На следующем этапе предсказательные модели проверялись на группах мышей, на которых ранее испытывали действие продлевающих жизнь ферментов с измерением индекса FI. Исследователи утверждают, что предложенная модель машинного обучения смогла правильно предсказать действенность соответствующей терапии для увеличения продолжительности жизни.
Система ИИ также позволила заключить, что определённые показатели старения более коррелированы с состоянием здоровья и перспективами продолжительности жизни мыши в будущем. Например, степень потери слуха и тремор тела оказались в большей степени связаны с биологическим возрастом, чем потеря зрения и выпадение волос. Нужно ещё раз подчеркнуть, что эти выводы относятся только к лабораторным мышам. Пока что искусственный интеллект не умеет предсказывать продолжительность жизни человека. Здесь в игру вступает значительно больше решающих факторов, чем для мышей и они оказываются взаимосвязаны гораздо сильнее.
Аналогичные показатели старения FI существуют и для людей. Более того, сама методика FI для мышей и является адаптацией изначально разработанных для человека показателей. Но в распоряжении биологов нет надёжной выборки данных с подобным систематическим контролем здоровья людей в возрасте от 60 до 90 лет, включая данные по смертности. Однако в будущем они рассчитывают разработать аналогичную систему машинного обучения для экспресс-оценки продолжительности жизни и эффективности различных терапевтических мероприятий для продления жизни.
Исследователям, работающим в этой области и экспериментирующим с мышами, авторы работы предлагают воспользоваться их инструментом на специальном сайте-калькуляторе индексов FI и соответствующих предсказываемых моделями ИИ показателей биологического возраста и ожидаемого времени жизни мыши.
Методика определения различных показателей, входящих в «индекс старения» для мышей.
Источник: