伦敦国王学院的研究团队近期取得了一项突破性的科研成果，他们开发出一种基于人工智能技术的“衰老时钟”，该工具能够通过分析个体的血液代谢物数据，准确预测个体的健康状况及预期寿命。
这一创新性的“衰老时钟”具备强大的预警功能，能够捕捉到健康状况下滑的早期信号。这意味着，在疾病尚未发作之前，人们就有机会采取预防性的策略和干预措施，从而有效避免或延缓疾病的发生。它还允许个人主动追踪自身的健康状况，从而做出更加明智的生活方式选择，保持更长时间的健康状态。
这项研究基于英国生物样本库中超过22.5万名年龄在40至69岁之间的参与者的血液标记数据。研究人员对这些数据进行了深入的挖掘和分析，训练并测试了多达17种机器学习算法。最终，他们发现非线性机器学习算法，特别是Cubist回归模型，在这一领域表现出色，具有极高的预测准确性。
为了更精确地评估个体的生物年龄，科学家们在研究中引入了“MileAge”代谢组年龄的概念。这一指标通过观察血液新陈代谢过程中产生的小分子（例如食物转化为能量时释放的分子）来得出。而MileAge delta，即MileAge与实际年龄的差值，则能够反映出个体的生物衰老速度是处于加速还是减速状态。
研究结果显示，MileAge高于实际年龄的个体，往往身体状况较差，更容易患上慢性疾病，自我评估的健康状况也不理想，且面临更高的死亡风险。这些个体的端粒长度也较短（端粒是细胞衰老的一个重要标志），与动脉粥样硬化等老年疾病密切相关。
作为该研究的主要作者，IoPPN国王奖研究员朱利安·穆茨博士表示：“代谢组学衰老时钟为我们提供了一种全新的视角，帮助我们识别出哪些人在晚年可能面临更大的健康风险。与无法改变的实际年龄不同，我们的生物年龄是可以通过调整生活方式等因素来改变的。”
“这些衰老时钟为生物医学和健康研究领域提供了生物年龄的替代衡量标准，这将有助于引导个人做出更健康的生活方式选择，并为卫生服务机构制定预防策略提供科学依据。我们的研究还评估了多种机器学习方法在开发衰老时钟中的应用，结果显示非线性算法在捕捉衰老信号方面表现尤为突出。”
