研究人员对基于人工智能的老化时钟进行了深入研究，这些时钟根据血液数据评估健康和寿命。
伦敦国王学院精神病学、心理学与神经科学研究所（IoPPN）的研究人员进行了一项广泛的研究，以评估基于人工智能的老化时钟，这些时钟利用血液样本中的信息来估计健康和寿命。
在他们的研究中，团队使用来自英国生物样本库（UK Biobank）超过225,000名年龄在40至69岁之间的参与者的血液标记数据进行了17种机器学习算法的训练和测试。他们探索了各种代谢老化时钟预测寿命的有效性，以及这些时钟与健康和老化指标的相关性。
一个人的代谢年龄，称为“代谢年龄”（MileAge），反映了其身体基于血液代谢物的内部老化。代谢物是代谢过程中产生的小分子，例如当身体将食物转化为能量时。一个人的代谢物预测年龄与其实际年龄之间的差异，被称为代谢年龄差（MileAge delta），显示其生物性老化是加速还是减慢。
这项发表在Science Advances上的研究是首次广泛比较机器学习算法在利用代谢物数据创建生物老化时钟方面的有效性，利用了世界上最大的数据库之一。该研究得到了国家卫生与护理研究所（NIHR）莫德斯利生物医学研究中心（BRC）的资助，并使用了英国生物样本库的数据。
那些生物老化加速的参与者（即其代谢物预测年龄大于其实际年龄的参与者）平均更脆弱，更容易患上慢性疾病，自我健康评估较差，并面临更高的死亡风险。他们的端粒也较短，端粒是与老化和与年龄相关的疾病（如动脉硬化）相关的染色体末端的保护结构。相比之下，那些生物老化减缓的参与者（其代谢物预测年龄小于其实际年龄）与更好的健康结果之间的相关性较弱。
老化时钟有潜力识别健康衰退的早期迹象，从而在疾病发生之前促进预防措施和干预。这可能使个人能够主动监测健康，做出更健康的生活方式选择，并采取措施保持更长时间的健康。
IoPPN的国王奖研究员、该研究的首席作者朱利安·穆茨（Dr. Julian Mutz）表示：“代谢老化时钟可能为识别未来可能面临更高健康问题风险的个体提供有价值的见解。与固定的实际年龄不同，我们的生物年龄是可以调整的。这些时钟作为生物医学和健康研究中生物年龄的重要代表性度量，帮助个人做出明智的生活方式选择，并指导健康服务的预防策略。我们的研究评估了一系列机器学习技术在开发老化时钟方面的有效性，揭示了非线性算法在捕捉老化信号方面是最有效的。”
NIHR莫德斯利BRC的遗传流行病学与统计学教授、试验、基因组学和预测主题的联合副主管以及该研究的资深作者凯瑟琳·刘易斯（Professor Cathryn Lewis）指出：“创建能准确评估我们生物年龄的老化时钟引起了极大的兴趣。高级大数据分析是开发这些工具的关键。这项研究在认识生物老化时钟的潜力及其指导健康决策的能力方面代表了重大进展。”
研究人员发现，使用一种称为Cubist规则基础回归的特定机器学习算法生成的代谢钟与各种健康和老化指标之间的关联最强。他们还发现，能够建模代谢物与年龄之间非线性关系的算法在识别与健康和寿命相关的生物信号方面表现最佳。
