Redukce stárnutí na dynamiku jedné proměnné vytváří kvantitativní model stárnutí ve formě stochastické rovnice. (1) z čj. 18 a tato studie se liší od předchozích návrhů odvodit mortalitu z dynamiky fyziologického stavu58,59. Takové modely jsou matematickými metaforami náhodných procházek ve velmi vysokorozměrných prostorech, a proto může být obtížné je interpretovat nebo odvodit z biologických signálů bez dalších předpokladů. Věříme, že kritičnost je užitečné teoretické pozorování a hluboké učení je skvělý praktický nástroj, který lze společně použít ke zjednodušení identifikace parametrů modelu a jejich vztahů k vlastnostem organismu. Poznamenáváme, že vysvětlení Gompertzova zákona úmrtnosti není dostatečným důkazem teorie stárnutí. Přiřazení stochastické longitudinální dynamiky fyziologických indexů k modelové predikci je mnohem těžší výzvou a mělo by být použito jako účinný nástroj pro validaci modelu.

Glykosid cistanche může také zvýšit aktivitu SOD v srdeční a jaterní tkáni a významně snížit obsah lipofuscinu a MDA v každé tkáni, účinně zachycovat různé reaktivní kyslíkové radikály (OH-, H₂O₂ atd.) a chránit před způsobeným poškozením DNA. OH-radikály. Cystanche fenylethanoidové glykosidy mají silnou schopnost vychytávání volných radikálů, vyšší redukční schopnost než vitamín C, zlepšují aktivitu SOD v suspenzi spermií, snižují obsah MDA a mají určitý ochranný účinek na funkci membrány spermií. Polysacharidy Cistanche mohou zvýšit aktivitu SOD a GSH-Px v erytrocytech a plicních tkáních experimentálně senescentních myší způsobených D-galaktózou, stejně jako snížit obsah MDA a kolagenu v plicích a plazmě a zvýšit obsah elastinu. dobrý čisticí účinek na DPPH, prodlužuje dobu hypoxie u senescentních myší, zlepšuje aktivitu SOD v séru a oddaluje fyziologickou degeneraci plic u experimentálně senescentních myší Experimenty prokázaly, že Cistanche má dobrou antioxidační schopnost s buněčnou morfologickou degenerací a má potenciál být lékem k prevenci a léčbě nemocí stárnutí kůže. Zároveň má echinakosid v Cistanche významnou schopnost vychytávat volné radikály DPPH a má schopnost vychytávat reaktivní formy kyslíku a bránit volnými radikály indukované degradaci kolagenu a má také dobrý opravný účinek na poškození aniontů volnými radikály thyminu.

Klikněte na Cistanche Powder Bulk

【Další informace: david.deng@wecistanche.com / WhatApp:{0}}】

dFI rostlo exponenciálně s věkem při charakteristické míře zdvojnásobení {{0}},02 za týden. Tento odhad je poněkud menší než (ale stále stejného řádu jako) očekávaná Gompertzova míra zrychlení úmrtnosti 0,037 za týden22 pro kmen SWR/J. Vzhledem k pozorované rychlosti zdvojnásobení dFI u myší, t ~ 3, a tedy deterministické fenotypové změny dominují náhodným efektům faktorem 3 (viz rovnice (2) a obr. 3).

Zajímavější je, že v průřezovém souboru dat je dFI saturován na limitní hodnotě, které je dosaženo ve věku odpovídajícím průměrné délce života ve skupině. Pozorovali jsme však, že strop dFI odpovídá hladinám dFI v kohortách zvířat plánovaných k eutanazii kvůli nadměrné nemocnosti podle současných laboratorních protokolů, která je tak blízko smrti z přirozených příčin, jak by zvířata mohla být v moderní laboratoři.

Obě vlastnosti trajektorií stárnutí v MPD jsou kompatibilní s analytickými řešeními rov. (1) pro dynamiku parametru objednávky. V čj. 18, vysvětlili jsme, že v raném věku se dFI zvyšuje exponenciálně (viz rovnice (2)). Ve věku přibližně odpovídajícím průměrné délce života v populaci přebírají dynamiku dFI nelineární efekty a stav organismu se odchyluje od svého mládí ještě rychleji než exponenciálně. Taková situace je neslučitelná s přežitím, a proto ji nelze v datech pozorovat. V našem modelu a experimentu nastává smrt rychle, jakmile je dosaženo maximální hladiny dFI v určitém okamžiku v životní historii zvířete.

Stochastická Eq. (1) stanoví "zákon pohybu" pro fyziologický stav organismu a předpovídá zpomalení úmrtnosti v pozdním věku ve formě saturace úmrtnosti na úrovni plató, Mðt ≫ tÞ ≈ . Předpokládaný vztah mezi limitní úmrtností a dobou zdvojnásobení úmrtnosti u různých druhů60 a experimenty ve více podmínkách u stejného druhu, jako jsou háďátka42. Zde uvádíme ověření limitující predikce úmrtnosti u velmi velkých kohort myší z ref. 25.

Dobrá semikvantitativní shoda mezi empirickými křivkami úmrtnosti ve velkých experimentech a teoretickou predikcí poskytuje nezávislý a citlivý test modelu stárnutí při kritičnosti jako teoretického rámce navrženého zde pro analýzu dat v experimentech zahrnujících stárnoucí zvířata. Konkrétněji, experimentální potvrzení pro predikci zpomalení úmrtnosti v pozdním věku potvrzuje základní stochastickou Eq. (1) a souvislost mezi jeho řešením ve formě dFI a mortalitou ze všech příčin. Poznamenáváme také, že zpomalení úmrtnosti v modelu vyplývá ze stochastické povahy dynamiky parametrů řádu a mělo by být očekáváno i u kohorty geneticky identických zvířat (viz diskuse v odkazu 61).

K odchylkám od Gompertzova zákona v lidských kohortách dochází také, ale ve věku přesahujícím průměrnou délku života, kdy je úmrtnost již značně za teoretickou hranicí odpovídající zdvojnásobení míry úmrtnosti téměř o řád60. To znamená, že charakter stavové dynamiky organismu v průběhu lidského stárnutí je kvalitativně jiný než u myší nebo háďátek. V čj. 5 jsme pozorovali, že kolísání fyziologických indexů u lidí také dominuje kolektivní proměnná charakterizovaná relativně dlouhou, ale konečnou dobou autokorelace (v rozmezí několika týdnů) a spojená s věkem a mortalitou ze všech příčin. Počet jedinců vykazujících známky ztráty dynamické stability (měřené mimořádně dlouhými autokorelačními časy) rostl exponenciálně s věkem rychlostí odpovídající zdvojnásobení úmrtnosti podle Gompertzova zákona o úmrtnosti61.

Důvěrný vztah mezi autokorelačními vlastnostmi proměnných fyziologického stavu a charakteristickými znaky stárnutí naznačuje, že analýza AR rozšířená o hluboké učení může pomoci objevit známky lidského stárnutí a progrese chronických onemocnění. Přínos může být zvláště obrovský ve studiích zahrnujících velké soubory longitudinálních měření, ale často bez následných informací o mortalitě a morbiditě. Zatímco znaky stárnutí u myší jsou korelované a primárně reverzibilní, velká část fyziologických změn spojených se stárnutím u lidí je stochastická a může být termodynamicky nevratná62. Očekáváme proto, že systematická aplikace principů teorie dynamických systémů na analýzu biomedicínských dat pomůže identifikovat akční fenotypy stárnutí, a tak usnadní objev a vývoj terapeutik proti stárnutí, která mají trvalé omlazující účinky.

Metody

Datové sady

Tréninkový soubor dat byl připraven z devíti zdrojů dat dostupných v MPD19. Seznam zahrnutých zdrojů je uveden v doplňkových datech 1 s odkazy na zahrnuté a chybějící záznamy seskupené podle pohlaví a věkových kohort. Použili jsme testy poskytující pouze data CBC, testy s jinými biomarkery nebyly zvažovány kvůli nedostatečnému počtu vzorků. Náš model byl trénován pomocí nejlepšího překrytí dostupných funkcí CBC ze všech zdrojů. Konečný seznam obsahoval 12 znaků CBC: diferenciál granulocytů (GR procento), počet granulocytů (GR), hemoglobin (HB), hematokrit (HCT procento), diferenciál lymfocytů (LY procento), počet lymfocytů (LY), průměrný obsah korpuskulárního hemoglobinu ( MCHC), střední koncentrace hemoglobinu (MCH), střední korpuskulární objem (MCV), počet krevních destiček (PLT), počet červených krvinek (RBC) a počet bílých krvinek (WBC). Seznam všech zkratek viz Doplňkové údaje 2. Pokud zdroj dat postrádal měření granulocytů, byl načten pomocí vzorců:

Všechna zvířata s jedním nebo více chybějícími parametry byla z tréninku vyloučena. Procento vyloučených záznamů bylo<2% and should not have affected the results.

Zvířata

Všechny pokusy na zvířatech byly schváleny Institutional Animal Care and Use Committee of Roswell Park Cancer Institute nebo Explora BioLabs, Inc Animal Use Committee.

Od Charles River Laboratories (Wilmington, MA) jsme obdrželi 4–{1}}týdenní samce a samice myší NIH Swiss. Bylo jim umožněno stárnout ve zvířecím zařízení Roswell Park Comprehensive Cancer Center (RPCCC). Během této doby byly myši umístěny 1–3 na klec a byly krmeny podle potřeby standardním krmivem (Tekland Global 18% Protein Rodent Diet). Vzorky krve byly získány v různém věku jako součást vytváření PFI3. Vzorky krve byly odebrány z jediného krvácení z podčelistní žíly do zkumavek Vacutainer ošetřených EDTA (celkový objem 20 ul) a použity pro počítání celých krvinek a měření glukózy pomocí analyzátoru Hemavet 950 (Drew Scientific). Dalších 75 ul krve bylo odebráno do zkumavek pro separaci plazmy ošetřené Li-Heparinem; Plazma byla purifikována centrifugací při 5000 x g po dobu 5 minut a použita pro měření koncentrace cirkulujících prozánětlivých cytokinů a triglyceridů.

Dataset MA0071 byl vytvořen v průřezovém experimentu s použitím samců a samic NIH Swiss myší. Krev byla odebrána myším samcům ve věku 26 (n=20), 64 (n=18), 78 (n=17), 92 (n=14), a 132 (n=6) týdnů. Ženské věkové skupiny byly zastoupeny ve věku 30 (n=20), 56 (n=20), 68 (n=19), 82 (n=19), 95 (n=18), 108 (n=20) a 136 (n=7) týdnů. Datový soubor MA0072 byl získán z longitudinálního experimentu. Vzorky krve byly odebrány ve věku 66 (n=27), 81 (n=22), 94 (n=21), 109 (n=16) a 130 (n=7) týdnů. Soubor dat MA0073 zahrnuje vzorky krve odebrané od 97 samců a 127 samic myší různého věku, když zvířata dosáhla schválených experimentálních koncových bodů a vyžadovala humánní eutanazii. Všechny postupy na zvířatech byly prováděny podle schváleného protokolu Institutional Animal Care and Use Committee (IACUC). U myší byl denně sledován vývoj patologických stavů souvisejících s věkem. Kdykoli byly hlášeny zdravotní problémy, výzkumní pracovníci kontaktovali veterinární personál a řídili se jejich doporučeními pro léčbu nebo eutanazii. Myši byly léčeny, dokud se stav nezlepšil nebo nebyly usmrceny, když bylo dosaženo koncového bodu pro každý zdravotní stav popsaný v protokolu. Eutanazie byla provedena asfyxií CO2 s následnou cervikální dislokací. Viz doplňková data 3 pro celkový počet zvířat v těchto souborech dat.

Samice myší p16/INK4a-LUC (p16-Luc) ve věku 44 až 106 týdnů byly získány z laboratoře N. Sharpless na University of North Carolina (Chapel Hill, NC). Všechna zvířata byla chována v podmínkách 12:12 světlo:tma (12 hodin světla následovaných 12 hodinami tmy) v Laboratory Animal Shared Resource v RPCCC. Všechny pokusy na zvířatech byly schváleny IACUC z Roswell Park Cancer Institute. Bioluminiscenční zobrazování bylo prováděno pomocí zobrazovacího systému IVIS Spectrum (Caliper LifeSciences, Inc, Waltham, MA). Myším p16/Ink4a-Luc plus /- byl intraperitoneálně injikován D-Luciferin (150 mg/kg, Gold Biotechnology), o 3 minuty později byly anestetizovány isofluranem a zobrazeny pomocí 20-sekundového integračního času a binningu média. Obrázky byly zpracovány a kvantifikovány jako součet toku fotonů zaznamenaných z obou stran každé myši pomocí softwaru Living Image (Perkin Elmer, Waltham, MA).

Pro experiment s léčbou rapamycinem byli 60-týdenní samci myší C57BL/6J získáni od Jackson Laboratories (USA). Kohorta 60 60-týdenních myších samců C57BL/6 byla rozdělena do léčebné (n=12) ​​a kontrolní (n=48) skupiny pomocí stratifikované randomizační techniky k vytvoření nerozlišitelné distribuce dFI hodnoty před experimentem. Vzorky krve (celkový objem 120 ul) byly odebrány do EDTA zkumavek pomocí submandibulární nebo obličejové žíly pomocí lancety. Všechny postupy na zvířatech byly schváleny komisí pro používání zvířat Explora BioLabs, Inc (IACUC SP17-004-035B) a podle zásad Explora BioLabs, Inc pro péči, dobré životní podmínky a zacházení s laboratorními zvířaty. Rapamycin byl zakoupen od LC Laboratories (MA, USA). Rapamycin byl podáván denně v dávce 12 mg/kg perorální sondou po dobu 8 týdnů. Kontrolní skupina byla léčena vehikulem (5 procent Tween-80, 5 procent PEG-400, 3 procenta DMSO).

Redukce rozměrů pomocí PCA

Provedli jsme PCA s pomocí Pythonu a Scikit-learn package63. Nejprve jsme aplikovali PCA transformaci na celý tréninkový datový soubor. Mezi hlavní složky však dominoval rozdíl v kmenech myší. Rozdíl mezi kmeny jsme odstranili odečtením středních hodnot znaků CBC vypočítaných pro nejranější věk dostupný pro vybraný kmen od hodnot znaků CBC všech zvířat pro tento kmen:

kde indexy i a j vyjmenovávají znaky a kmeny CBC, v tomto pořadí, a je věk zvířete. Pro jednoduchost jsme odfiltrovali myší kmeny, které nebyly prezentovány v Peters4 dataset64.

Většina rozptylů v datech představujících úplný soubor dat byla spojena s růstem a dospíváním zvířat. První PC skóre se zvýšilo s věkem zvířat nejvýrazněji po 25 týdnech (doplňkový obrázek 1). Naopak druhé a třetí skóre PC získávají nenulové průměry ve stejném věku 25 týdnů. To naznačuje, že stárnutí a časný vývoj u myší jsou různé fenotypy. Následně jsme provedli všechny naše výpočty s použitím dat od zvířat starších 25 týdnů.

Statistická analýza dat úmrtnosti

Záznamy o úmrtí zvířat spojené s datovým souborem MPD Peters4 byly také dostupné v MPD jako samostatný soubor dat s názvem Yuan223. Tyto datové soubory obsahují různé kohorty zvířat s rozsáhlým překrýváním. Našli jsme záznamy o úmrtnosti pro 487 zvířat v Peters4 datasetu, zatímco 393 zvířat chybělo. Důvod nezvěstnosti není znám. Abychom vytvořili cenzorské záznamy, zahrnuli jsme všechna zvířata, která mají alespoň dvě sekvenční měření CBC. Předpokládali jsme, že zvířata, kterým bylo provedeno jediné měření CBC, byla pravděpodobně po odběru krve utracena. Pokud má tedy zvíře více než jedno měření CBC, považujeme ho za ztracené při posledním měření. Celkem jsme našli 79 zvířat splňujících tuto podmínku. Zbývajících 314 zvířat s neznámým datem úmrtnosti bylo z analýzy vyloučeno.

Spearmanův test korelace pořadí byl proveden samostatně pro dvě kohorty myší. První kohorta zahrnovala všechna zvířata z datového souboru Peters4 s necenzurovanými záznamy úmrtnosti. Druhá kohorta zahrnovala zvířata z datového souboru Peters4 s měřeními BW a sérové ​​hladiny IGF1 převzatými z datového souboru MPD s názvem Yuan1 24.

Provedli jsme Cox PH regresní analýzu s pomocí Pythonu a Lifelines balíčku 65. Nejprve jsme vytvořili kontrolovaný multivariační Cox-PH model s použitím věku, pohlaví a funkcí CBC jako kovariát a s využitím dat od všech zvířat z Peters4 datový soubor, včetně cenzurovaných i necenzurovaných událostí úmrtnosti. Výstup modelu, log-hazard ratio (HRCBC) je bodový součin vektoru obsahujícího CBC rysy a příslušné koeficienty z Cox-PH modelu. Dále jsme testovali asociaci funkce HRCBC v jednorozměrném modelu Cox-PH vedle skóre dFI u kohort zvířat stejného věku a pohlaví (viz doplňková data 6) jako alternativu pro Spearmanův test korelace pořadí. Oba testy byly ve vzájemné shodě.

Trénink neuronové sítě AE/AR

Pro modální analýzu jsme použili kombinaci hlubokého AE a jednoduchého modelu AR (model AE-AR). Ve svém úzkém místě vytvořilo kodérové ​​rameno AE komprimovanou 4-rozměrnou reprezentaci y vstupu, 12-rozměrný vektor fyziologického stavu x vytvořený z dostupných měření CBC. Rameno dekodéru rekonstruovalo původní 12-rozměrový stav ~ x z funkcí úzkého hrdla.

Současně s AE jsme trénovali síť tak, aby se podélný řez MPD (včetně plně dospělých zvířat ve věku od 26 do 104 týdnů s intervalem vzorkování Δt=26 týdnů) přizpůsobil řešení linearizovaného (g=0) verze Eq. (1),

kde z je nejlepší možná lineární kombinace AE úzkých rysů, r=expð ΔtÞ ≈ 1 az0 jsou nejlépe odpovídající hodnoty autoregresního koeficientu a konstantního posunu. Zde je ξ chyba přizpůsobení (kombinace šumu systému a chyb měření).

Přijali jsme architekturu neuronové sítě navrženou v ref. 45. Naše implementace řešila průřezová a podélná měření současně s nerovnováhou ve prospěch průřezových dat, která je typická pro reálná klinická data. Jako vstupy má síť tři 12-rozměrné vektory reprezentované parametry CBC: jeden pro průřezovou datovou sadu (x) a dva další pro podélnou datovou sadu odpovídající současnosti (xn) a budoucnosti (xn plus 1 ) stavy vzorku (obr. 7a).

Vzorky průřezu sloužily jako vstupy v AE. Tréninkové autoregresní části se účastnily i longitudinální vzorky v komprimovaném zobrazení (yn, yn plus 1). Hlavní výhodou zahrnutí AE do neuronové sítě je její schopnost efektivního nelineárního snižování rozměrů66, což je nezbytné pro takové korelované veličiny, jako jsou složky CBC (obr. 1a). Zmenšená velikost latentních rozměrů funguje jako regularizace a pomáhá trénovat bez přepínání na malém podélném souboru dat pomocí více vzorků z většího souboru průřezových dat.

Blok AE zakóduje vstup (x) do 4-rozměrného vektoru y=ϕ(x) a poté zpětně rekonstruuje původní signál e x=ϕ 1 ðyÞ. AE byl implementován jako zásobník plně propojených hustých vrstev a zbytkových síťových bloků (ResNet)67. Husté vrstvy mají ve výchozím nastavení trénovatelnou hmotnostní matici W, vektor zkreslení b a lineární aktivační funkci. Blok ResNet, znázorněný na obr. 7b, je svazek dvou hustých vrstev s aktivační funkcí netěsné rektifikované lineární jednotky (Leaky ReLU). Vstup a výstup jsou propojeny aplikací sčítání po jednotlivých prvcích. Bloky ResNet přidávají k původnímu vstupu nelineární rektifikační transformace, což pomáhá naučit se nelineární transformace. AE se trénuje současně na souborech průřezových a podélných dat.

Blok projektoru bere jako vstup 4-rozměrný vektor a transformuje jej na skalární z=A ⋅ y, který nazýváme dFI. Během tréninku je na vstupy přiváděna dvojice vektorů: jeden in pro současný stav systému a jeden yn plus 1 pro budoucí stav. Blok lineární dynamiky řeší problém autoregrese (7) a předpovídá budoucí stav Zn plus 1=ξ(rZn)=rzn plus b. Blok pomocného dekodéru rekonstruuje původní vektor 12-dimenze CBC z výstupu bloku lineární dynamiky ezn plus 1 pomocí dekodéru ϕ−1 z bloku AE: e xn plus 1=ϕ 1 ðB ezn plus 1Þ.

Vynutit, aby matice A a B v projektoru a blocích lineární dynamiky byly levým a pravým vlastním vektorem v řešení rovnice. (7) přidali jsme následující omezení:

Zde je LAE ztráta rekonstrukce AE, Lpred je ztráta rekonstrukce budoucího stavu, LAR ztráta autoregrese, LC je ztráta pro vynucení omezení z rov. (8) a výraz k Wk2 2 je regularizace L2 vah NN, aby se předešlo problému s přesazením.

Váhy 1, 3 a 4 byly přiřazeny hodnotám 1, 100 a 0.01, v tomto pořadí. Váha 2 byla během tréninku postupně zvyšována z 0 na 1. Model byl trénován pro 600 epoch s rychlostí učení 0,001 a optimalizátor Adam 68. Posledních 200 epoch bylo trénováno s rychlostí učení 0,0001. Architektura AE/AR NN byla implementována pomocí frameworku Python a TensorFlow69.

Pro vysvětlení mortality je zásadní nelineární dynamika parametru řádu. Vlivy nelinearity lze přitom v průběhu života zvířete téměř vždy zanedbat, pokud je bezrozměrný parametr vyjadřující délku života zvířete t v jednotkách doby zdvojnásobení úmrtnosti velký, t ≫ {{1} }. Vzhledem k pozorované rychlosti zdvojnásobení dFI u myší, t ~ 3, a tedy lineární model AR je pouze rozumnou aproximací. V budoucnu by se měly získat lepší varianty dFI zvýšením úrovně v modelech AR, případně včetně efektů spojení režimů s dFI.

Hodnocení modelu

Model byl ověřen v testovacích souborech dat (viz doplňková data 3), které byly zcela vyloučeny z tréninku modelu AE-AR. Soubory testovacích dat byly získány z nezávislých experimentů sběrem vzorků CBC od kohort NIH Swiss myší různého věku a pohlaví (datový soubor MA0071), kohorty samců NIH Swiss pozorovaných po dobu 15 měsíců (dataset MA0072) a kohort naivních samců a samice myší NIH Swiss, které byly humánně usmrceny po dosažení schválených experimentálních koncových bodů (datový soubor MA0073).

Odhadli jsme chybu rekonstrukce AE výpočtem střední kvadratické chyby (RMSE) a koeficientu determinace R2 pro každý znak CBC v trénovacích a testovacích sadách (doplňková data 4 a doplňková data 5). Průměrná RMSE v testovací sadě byla 229,6 s R2=0,55; v tréninkové sadě byla RMSE 106,4 a R2=0,77. Nejlepší rekonstrukce bylo dosaženo pro hematokrit (R2=0.95), červené krvinky (R2=0.92) a lymfocyty (R2=0.87); nejhorší výsledky byly pro průměrnou koncentraci korpuskulárního hemoglobinu (R2=− 0.82) a krevní destičky (R2=− 0,14) v testovaném souboru. Všimli jsme si, že podle definice −1 < R2 < 1 (viz např. 70) může být množství záporné buď ve vlaku, nebo ve validačních sadách, což ukazuje na případy zvláště špatného přizpůsobení.

Stanovení účinků léčiva na dFI

Provedli jsme výzkum účinků rapamycinu na trajektorie dFI u jednotlivých zvířat. Technicky jsme porovnávali přírůstky hladin dFI podél jednotlivých životních historií v časových intervalech v závislosti na množství léčby mezi následujícími časovými body. Taková analýza se explicitně opírá o pohybovou rovnici (7) pro parametr řádu, který je aproximován dFI. Účinek léku se projevuje jako výraz "síla", který snižuje přírůstky dFI mezi měřeními, když je lék podáván, a nemá žádný účinek (žádná síla), kdykoli není lék podáván, a to jak v léčené, tak v kontrolní skupině.

Stanovení účinku léku na proces stárnutí je tedy ekvivalentní určení „silového“ členu v autoregresním problému v rov. (4). Protože přirozené kolísání hladin dFI mezi zvířaty je často vysoké, longitudinální studie by měly mít větší statistickou sílu než standardní skupinová srovnání. dFI byl trénován s modelem AR (7). V souladu s tím se dobře hodí k maximalizaci poměru signálu k šumu v longitudinální analýze účinků intervence proti stárnutí. V případě potřeby může autoregresní model pojmout libovolný počet matoucích faktorů, jako je experimentální šarže nebo pohlaví zvířat. Technicky lze cíle dosáhnout přidáním příslušných kovariát na pravou stranu Eq (4).

Analýza úmrtnosti a přežití v pozdním věku

Údaje o úmrtnosti myší byly převzaty z ref. 25. Pro analýzu byly vybrány pouze kontrolní skupiny. Myši vyřazené ze studie byly také odstraněny ze současné analýzy přežití. Myši byly shromážděny ze všech tří studijních center a kohort a rozděleny do dvou skupin podle pohlaví. Celkově bylo 3249 myších samců a 2978 myších samic.

Analýza úmrtnosti se provádí pomocí Nelsona-Aalena montéra z balíčku Lifelines python 65. Pro Gompertzovo fitování přežití a další analýzy přežití jsme použili vlastní kód publikovaný na GitHubu.

Shrnutí hlášení

Další informace o designu výzkumu jsou k dispozici v souhrnu zpráv o výzkumu přírody propojeném s tímto článkem.

Dostupnost dat

Údaje podporující zjištění této studie jsou k dispozici na MPD (RRID: SCR_003212). Soubory nezpracovaných dat a skripty pro reprodukci všech zjištění jsou k dispozici na webu GitHub. Další údaje jsou k dispozici od příslušných autorů na rozumné vyžádání. Zdrojová data jsou uvedena v tomto dokumentu.

Dostupnost kódu

Kód bude k dispozici na webu GitHub.

Reference

1. Horvath, S. Stáří metylace DNA lidských tkání a typů buněk. Genome Biol. 14, R115 (2013).

2. Levine, ME a kol. Epigenetický biomarker stárnutí pro délku života a zdraví. Stárnutí 10 573 (2018).

3. Antoch, MP a kol. Fyziologický index křehkosti (pdf): kvantitativní odhad individuálního biologického věku u myší během života. Stárnutí 9 615 (2017).

4. Putin, E. a kol. Hluboké biomarkery lidského stárnutí: aplikace hlubokých neuronových sítí na vývoj biomarkerů. Stárnutí 8, 1021 (2016).

5. Pyrkov, TV a kol. Podélná analýza krevních markerů odhaluje progresivní ztrátu odolnosti a předpovídá konečnou hranici délky lidského života. Nat. Commun. 12, 2765 (2019).

6. Schultz, MB a kol. Hodiny věku a očekávané délky života založené na analýze strojového učení křehkosti myši. Nat. Commun. 11, 1 (2020).

7. Cohen, AA a kol. Nový statistický přístup ukazuje důkazy pro multisystémovou fyziologickou dysregulaci během stárnutí. Mechanismy stárnutí Dev. 134, 110 (2013).

8. Mitnitski, AB, Mogilner, AJ & Rockwood, K. Akumulace deficitů jako zástupné měřítko stárnutí. ScientificWorldJournal 1, 323–336 (2001).

9. Mitnitski, A. a kol. Věkem podmíněná křehkost a její souvislost s biologickými markery stárnutí. BMC Med. 13, 161 (2015).

10. Blodgett, JM, Theou, O., Mitnitski, A., Howlett, SE & Rockwood, K. Asociace mezi laboratorním indexem křehkosti a nepříznivými zdravotními výsledky napříč věkem a pohlavím. Aging Med. 2, 11 (2019).

11. Justice, J. a kol. Senolytika u idiopatické plicní fibrózy: výsledky první otevřené, pilotní studie u člověka. ebiomedicína 40, 554–563 (2019).

12. Fahy, GM a kol. Zvrat epigenetického stárnutí a imunosenescentních trendů u lidí. Stárnoucí buňka 18, e13028 (2019).

13. Hermann Haken. Phys. Astron. online Libr.

14. Scheffer, M. a kol. Včasné varovné signály pro kritické přechody. Nature 461, 53 (2009).

15. Scheffer, M. a kol. Kvantifikace odolnosti lidí a jiných zvířat. Proč. Natl Acad. Sci. USA 115, 11883 (2018).

16. Krotov, D., Dubuis, JO, Gregor, T. & Bialek, W. Morfogeneze v kritickém stavu. Proč. Natl Acad. Sci. 111, 3683 (2014).

17. Kogan, V., Molodtsov, I., Menshikov, LI, Reis, RJS & Fedichev, P. Analýza stability modelové genové sítě spojuje odolnost vůči stresu stárnutí a zanedbatelnou senescenci. Sci. Rep. 5, 13589 (2015).

18. Podolskiy, D. Kritická dynamika genových sítí je mechanismem stárnutí a Gompertzovým zákonem.

19. Bogue, MA a kol. Přístup ke zdrojům dat v databázi myších jevů pro genetickou analýzu délky života a zdraví myší. J. Gerontologie. Ser. A 71, 170 (2016).

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

21. Seydel, R. Praktická analýza bifurkace a stability, sv. 1, str. 477 (Springer Science & Business Media, 2009).

22. Hughes, BG & Hekimi, S. Statistická analýza míry úmrtnosti odhalila různé mechanismy dlouhověkosti u dlouhověkých myší a mutantů Caenorhabditis elegans. Genetika 204, 905 (2016).

23. Yuan, R. a kol. Genetická koregulace věku ženského pohlavního zrání a délky života prostřednictvím cirkulujícího igf1 mezi inbredními myšími kmeny. Proč. Natl Acad. Sci. 109, 8224 (2012).

24. Yuan, R. a kol. Stárnoucí inbrední kmeny myší: návrh studie a průběžná zpráva o střední délce života a cirkulujících hladinách igf1. Aging Cell 8, 277 (2009).

25. Harrison, DE a kol. Rapamycin podávaný v pozdním věku prodlužuje životnost u geneticky heterogenních myší. Nature 460, 392 (2009).

26. O'Connell, KE a kol. Praktická myší hematopatologie: srovnávací přehled a důsledky pro výzkum. Comp. Med. 65, 96 (2015).

27. Patel, KV a kol. Šířka distribuce červených krvinek a mortalita u starších dospělých: metaanalýza. J. Gerontol. 65 A, 258 (2010).

28. Baggiolini, M. Chemokiny a provoz leukocytů.

29. Harris, TB a kol. Asociace zvýšených hladin interleukinu-6 a C-reaktivního proteinu s mortalitou u starších osob. Dopoledne. J. Med. 106, 506 (1999).

30. Mahmoudi, S., Xu, L. & Brunet, A. Vracení času s nově vznikajícími omlazovacími strategiemi. Nat. Cell Biol. 21, 32 (2019).

31. Kuilman, T., Michaloglou, C., Mooi, WJ & Peeper, DS Podstata stárnutí. Genes Dev. 24, 2463 (2010).

32. van Deursen, JM Role senescentních buněk ve stárnutí. Nature 509, 439 (2014).

33. Hall, BM a kol. Stárnutí myší je spojeno s akumulací makrofágů pozitivních na p16(Ink4a)- a -galaktosidázu, která může být indukována u mladých myší senescentními buňkami. Stárnutí 8, 1294 (2016).

34. Kim, WY & Sharpless, NE Regulace INK4/ARF u rakoviny a stárnutí. Cell 127, 265 (2006).

35. Burd, CE a kol. Monitorování tumorigeneze a stárnutí in vivo s modelem p16 INK4a-luciferázy. Cell 152, 340 (2013).

36. Wilkinson, JE a kol. Rapamycin zpomaluje stárnutí u myší. Stárnoucí buňka 11, 675 (2012).

37. Bitto, A. a kol. Přechodná léčba rapamycinem může prodloužit životnost a zdraví u myší středního věku. elife 5, e16351 (2016).

38. Miller, RA a kol. Rapamycinem zprostředkované prodloužení života u myší je závislé na dávce a pohlaví a metabolicky odlišné od dietního omezení. Stárnoucí buňka 13, 468 (2014).

39. Balleza, E. a kol. Kritická dynamika v genetických regulačních sítích: příklady ze čtyř království. PLoS One 3, e2456 (2008).

40. Nakamura, E., Miyao, K. & Ozeki, T. Hodnocení biologického věku analýzou hlavních složek. Mech. Aging Dev. 46, 1 (1988).

41. Park, J., Cho, B., Kwon, H. & Lee, C. Vývoj rovnice pro hodnocení biologického věku pomocí analýzy hlavních složek a klinických biomarkerů stárnutí u korejských mužů. Oblouk. Gerontol. geriatrie 49, 7 (2009).

42. Tarkhov, AE a kol. Univerzální transkriptomický podpis věku odhaluje časové škálování trajektorií stárnutí Caenorhabditis elegans. Sci. Rep. 9, 1 (2019).

43. Johnstone, IM & Lu, AY O konzistenci a řídkosti pro analýzu hlavních komponent ve velkých rozměrech. J. Am. Stat. Doc. 104, 682 (2009).

44. Mardt, A., Pasquali, L., Wu, H. & Noé, F. VAMPnets pro hluboké učení molekulární kinetiky. Nat. Commun. 9, 5 (2018).

45. Lusch, B., Kutz, JN & Brunton, SL Hluboké učení pro univerzální lineární vložení nelineární dynamiky. Nat. Commun. 9, 4950 (2018).

46. ​​Wu, T. & Tegmark, M. Směrem k fyzikovi umělé inteligence pro učení bez dozoru. Phys. Rev. E 100, 033311 (2019).

47. Liu, Z. & Tegmark, M. Ai poincar\'e: zákony zachování strojového učení z trajektorií. Phys. Rev. Lett. 126, 180604 (2020).

48. Hofmann, B. Youngblood omlazuje stará těla: výzva k zamyšlení při přechodu od myší k mužům. Karger 1, 45 (2018).

49. Beerman, I. a kol. Změny krajiny metylace DNA závislé na proliferaci jsou základem stárnutí hematopoetických kmenových buněk. Cell Stem Cell 12, 413 (2013).

50. Franceschi, C. a kol. Inflamm-aging: evoluční pohled na imunosenescenci. Ann. NY Acad. Sci. 908, 244 (2006).

51. Pawelec, G. Imunosenescence a rakovina. Biogerontologie 18, 717 (2017).

52. Crooke, SN, Ovsyannikova, IG, Polsko, GA & Kennedy, RB Immunosenescence a imunitní reakce na lidskou vakcínu. Immun. Stárnutí 16, 25 (2019).

53. Pang, WW a kol. Hematopoetické kmenové buňky lidské kostní dřeně mají s věkem zvýšenou frekvenci a myeloidní zkreslení. Proč. Natl Acad. Sci. USA 108, 20012 (2011).

54. López-Otín, C., Blasco, MA, Partridge, L., Serrano, M. & Kroemer, G. Charakteristické znaky stárnutí. Cell 153, 1194 (2013).

55. Partridge, L., Fuentealba, M. & Kennedy, BK Hledání zpomalení stárnutí pomocí objevu drog. Nat. Rev. Drug Discov. 19, 513–532 (2020).

56. Wang, Y. a kol. Predikce nežádoucích účinků chemoterapie a mortality u starších pacientů s primárním karcinomem plic prostřednictvím indexu křehkosti na základě rutinních laboratorních údajů. Clin. Interv. Stárnutí 14, 1187 (2019).

57. Kane, AE, Keller, KM, Heinze-Milne, S., Grandy, SA & Howlett, SE Index křehkosti myší založený na klinických a laboratorních měřeních: vazby mezi křehkými a prozánětlivými cytokiny se liší pohlavně specifickým způsobem . J. Gerontol. Ser. A 74, 275 (2019).

58. Sacher, G. & Trucco, E. Stochastická teorie úmrtnosti. Ann. NY Acad. Sci. 96, 985 (1962).

59. Yashin, AI, Manton, KG & Vaupel, JW Úmrtnost a stárnutí v heterogenní populaci: model stochastického procesu s pozorovanými a nepozorovanými proměnnými. teor. Popul. Biol. 27, 154 (1985).

60. Vaupel, JW a kol. Biodemografické trajektorie dlouhověkosti. Science 280, 855 (1998).

61. Pyrkov, TV, Sokolov, IS & Fedichev, PO Hluboké podélné fenotypování dat nositelných senzorů odhaluje nezávislé ukazatele dlouhověkosti, stresu a odolnosti. Stárnutí 13, 7900 (2021).

62. Tarkhov, AE, Denisov, KA, & Fedichev, PO Stárnoucí hodiny, entropie a meze změny věku. bioRxiv (McGraw-Hill, 2022).

63. Pedregosa, F. a kol. Scikit-learn: strojové učení v {P}ythonu. J. Mach. Učit se. Res. 12, 2825 (2011).

64. Peterset, LL al. Rozsáhlý, vysoce výkonný screening koagulačních a hematologických fenotypů u myší. Physiol. Genomics.11, 185–193 (2002).

65. Davidson-Pilon, C. Lifelines.

66. Hinton, GE & Salakhutdinov, RR Snížení dimenzionality dat pomocí neuronových sítí. Science 313, 504 (2006).

67. He, K., Zhang, X., Ren, S. & Sun, J. Hluboké zbytkové učení pro rozpoznávání obrazu. v roce 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, s. 770–778 (IEEE Computer Society, 2016).

68. Kingma, DP & Ba, JL Adam: metoda pro stochastickou optimalizaci.

69. Abadi, M. TensorFlow: rozsáhlé strojové učení na heterogenních systémech.

70. Steel, RGD & Torrie, JH Principy a postupy statistiky: se zvláštním zřetelem k biologickým vědám. (McGraw Hill, 1960). 71. Avchaciov, K. AI pro neřízené učení principů stárnutí z longitudinálních dat.

Poděkování

Děkujeme Normanu Sharplessovi za velkorysé poskytnutí p16-reportérských myší Luc. Tato práce byla částečně podpořena grantem National Cancer Institute (NCI) P30 CA016056 na použití sdílených zdrojů laboratorních zvířat a translačního zobrazování (MPA a AVG) Roswell Park Comprehensive Cancer Center a smlouvou od společnosti Genome Protection, Inc. (MPA a AVG). Autoři děkují M. Kholinovi z Gero za užitečné komentáře a diskuze.

Autorské příspěvky

MPA a EIA navrhly a provedly experimenty, analyzovaly a interpretovaly data a přezkoumaly rukopis. KA a AET provedly výpočty a analýzu dat a napsaly rukopis. OG, LIM, AVG a POF diskutovali o výsledcích a napsali a zkontrolovali rukopis.

Konkurenční zájmy

POF je akcionářem Gero PTE. LTD. AVG je členem Gero PTE. LTD. Poradní sbor. KA, AET, LIM, OB a POF jsou zaměstnanci společnosti Gero PTE. LTD. AVG je spoluzakladatelem a akcionářem společnosti Genome Protection. EIA je zaměstnancem Genome Protection. MPA nemá žádné konkurenční zájmy. Studii financoval Gero PTE. LTD.

Dodatečné informace

Doplňující informaceOnline verze obsahuje dostupné doplňkové materiály.

Korespondence a žádostimateriály by měly být adresovány Petru O. Fedichevovi.

Informace o vzájemném hodnoceníNature Communications děkuje Konstantinu Arbeevovi, Arnoldu Mitnitskému a anonymním recenzentům za jejich příspěvek k recenznímu řízení této práce.

Poznámka vydavateleSpringer Nature zůstává neutrální ohledně jurisdikčních nároků v publikovaných mapách a institucionálních přidruženích.

Otevřený přístupTento článek je licencován podle Creative Commons Attribution 4.{1}} Mezinárodní licence, která umožňuje použití, sdílení, adaptaci, distribuci a reprodukci na jakémkoli médiu nebo formátu, pokud uvedete příslušné jméno původního autora (autorů) ) a zdroj, uveďte odkaz na licenci Creative Commons a uveďte, zda byly provedeny změny. Obrázky nebo jiný materiál třetích stran v tomto článku jsou zahrnuty v licenci Creative Commons k článku, pokud není uvedeno jinak v kreditní hranici k materiálu. Pokud materiál není zahrnut v licenci Creative Commons článku a vaše zamýšlené použití není povoleno zákonnými předpisy nebo překračuje povolené použití, budete muset získat povolení přímo od držitele autorských práv.

Další informace: david.deng@wecistanche.com / WhatApp:86 13632399501