Ikääntymisen pelkistäminen yksittäisen muuttujan dynamiikkaan tekee ikääntymisen kvantitatiivisen mallin stokastisen yhtälön muodossa. (1) viitteestä. 18 ja tämä tutkimus eroaa aikaisemmista ehdotuksista johtaa kuolleisuus fysiologisen tilan dynamiikasta58,59. Tällaiset mallit ovat matemaattisia metaforia satunnaisista kävelyistä erittäin suurien ulottuvuuksien tiloihin, ja siksi niitä voi olla vaikea tulkita tai päätellä biologisista signaaleista ilman lisäoletuksia. Uskomme, että kriittisyys on hyödyllinen teoreettinen havainto ja syväoppiminen loistava käytännön työkalu, jota voidaan käyttää yhdessä yksinkertaistamaan malliparametrien ja niiden suhteiden tunnistamista organismin ominaisuuksiin. Huomaamme, että Gompertzin kuolleisuuslain selitys on riittämätön todiste ikääntymisen teoriasta. Fysiologisten indeksien stokastisen pitkittäisdynamiikan sovittaminen malliennusteeseen on paljon vaikeampi haaste, ja sitä tulisi käyttää tehokkaana työkaluna mallin validoinnissa.

Cistanchen glykosidi voi myös lisätä SOD:n aktiivisuutta sydämen ja maksan kudoksissa ja vähentää merkittävästi lipofussiinin ja MDA:n pitoisuutta kussakin kudoksessa, poistaen tehokkaasti erilaisia ​​reaktiivisia happiradikaaleja (OH-, H₂O₂ jne.) ja suojaamalla DNA-vaurioilta. OH-radikaalien toimesta. Cistanche-fenyylietanoidiglykosideilla on vahva vapaita radikaaleja poistava kyky, suurempi pelkistyskyky kuin C-vitamiini, ne parantavat SOD:n aktiivisuutta siittiösuspensiossa, vähentävät MDA-pitoisuutta ja niillä on tietty suojaava vaikutus siittiöiden kalvon toimintaan. Cistanche-polysakkaridit voivat lisätä SOD:n ja GSH-Px:n aktiivisuutta D-galaktoosin aiheuttamien kokeellisesti vanhenevien hiirten punasoluissa ja keuhkokudoksissa sekä vähentää MDA- ja kollageenipitoisuutta keuhkoissa ja plasmassa sekä lisätä elastiinipitoisuutta. hyvä huuhteluvaikutus DPPH:lle, pidentää hypoksian aikaa vanhenevilla hiirillä, parantaa SOD:n aktiivisuutta seerumissa ja viivyttää keuhkojen fysiologista rappeutumista kokeellisesti vanhenevilla hiirillä Solumorfologisen rappeutumisen yhteydessä kokeet ovat osoittaneet, että Cistanchella on hyvä antioksidanttikyky ja sillä on potentiaalia olla lääke ihon ikääntymisen sairauksien ehkäisyyn ja hoitoon. Samaan aikaan Cistanchen ekinakosidilla on merkittävä kyky poistaa DPPH-vapaita radikaaleja ja kyky poistaa reaktiivisia happilajeja ja estää vapaiden radikaalien aiheuttamaa kollageenin hajoamista, ja sillä on myös hyvä korjaava vaikutus tymiinin vapaiden radikaalien anionien vaurioihin.

Napsauta Cistanche Powder Bulk

【Lisätietoja: david.deng@wecistanche.com / WhatApp:86 13632399501】

dFI lisääntyi eksponentiaalisesti iän myötä tyypillisellä kaksinkertaistumisnopeudella {{0}},02 viikossa. Tämä arvio on jonkin verran pienempi (mutta silti samaa luokkaa kuin) SWR/J-kannan odotettu Gompertzin kuolleisuuden kiihtyvyysaste 0,037 viikossa22. Kun otetaan huomioon havaitut dFI:n kaksinkertaistumisnopeudet hiirillä, t ~ 3 ja siten deterministiset fenotyyppimuutokset hallitsevat satunnaisia ​​vaikutuksia kertoimella 3 (katso yhtälö (2) ja kuva 3).

Mielenkiintoisempaa on, että poikkileikkausaineistossa dFI kyllästyi raja-arvoon, joka saavutetaan iässä, joka vastaa ryhmän keskimääräistä elinikää. Huomasimme kuitenkin, että dFI-katto vastaa dFI-tasoja eutanasiaan suunniteltujen eläinten kohortteissa nykyisten laboratoriokäytäntöjen mukaan liiallisesta sairastumisesta johtuen, mikä on niin lähellä luonnollisista syistä johtuvaa kuolemaa kuin eläimet voisivat olla nykyaikaisessa laboratoriossa.

Molemmat MPD:n ikääntymisratojen ominaisuudet ovat yhteensopivia Eq:n analyyttisten ratkaisujen kanssa. (1) tilausparametrin dynamiikkaa varten. Viitejulkaisussa Kuvassa 18 selitimme, että varhaisessa elämässä dFI kasvaa eksponentiaalisesti (katso yhtälö (2)). Suunnilleen väestön keskimääräistä elinikää vastaavassa iässä epälineaariset vaikutukset valtaavat dFI:n dynamiikan ja organismin tila poikkeaa nuoruudestaan ​​jopa eksponentiaalisesti. Tällainen tilanne on yhteensopimaton selviytymisen kanssa, eikä sitä siksi voida havaita tiedoissa. Mallissamme ja kokeessamme kuolema tapahtuu nopeasti, kun maksimi dFI-taso saavutetaan jossain vaiheessa eläimen elämästä.

Stokastinen yhtälö (1) määrittää "liikkeen lain" organismin fysiologiselle tilalle ja ennustaa kuolleisuuden hidastuvan myöhään kuolleisuuden kyllästymisen muodossa tasannetasolla, Mðt ≫ tÞ ≈ . Ennustettu suhde rajoittavan kuolleisuuden ja kuolleisuuden kaksinkertaistumisajan välillä eri lajeissa60 ja kokeet useissa olosuhteissa samassa lajissa, kuten sukkulamadot42. Tässä raportoimme rajoittavan kuolleisuusennusteen validoinnista erittäin suurissa hiirissä viitteestä. 25.

Suurien kokeiden empiiristen kuolleisuuskäyrien ja teoreettisen ennusteen välinen hyvä puolikvantitatiivinen sopivuus tarjoaa riippumattoman ja herkän ikääntymisen kriittisyysmallin testin teoreettisena viitekehyksenä ikääntyvien eläinten kokeiden data-analyysille. Tarkemmin sanottuna kokeellinen vahvistus myöhäisen elämän kuolleisuuden hidastumisen ennusteelle vahvistaa perusstokastisen yhtälön. (1) ja sen dFI:n muodossa olevan ratkaisun ja kaikesta syystä kuolleisuuden välinen yhteys. Huomioimme myös, että kuolleisuuden hidastuminen mallissa johtuu järjestysparametrien dynamiikan stokastisesta luonteesta ja sitä pitäisi odottaa jopa geneettisesti identtisten eläinten kohortissa (katso keskustelu viite 61).

Poikkeamia Gompertzin laista esiintyy myös ihmisryhmissä, mutta keskimääräisen eliniän ylittävissä iässä, jolloin kuolleisuus ylittää jo reilusti kuolleisuuden kaksinkertaistumisastetta vastaavan teoreettisen rajan lähes suuruusluokkaa60. Tämä tarkoittaa, että organismin tiladynamiikan luonne ihmisen ikääntymisen aikana on laadullisesti erilainen kuin hiirillä tai sukkulamadoilla. Viitejulkaisussa Kuvassa 5 havaitsimme, että ihmisten fysiologisten indeksien vaihtelua hallitsee myös kollektiivinen muuttuja, jolle on ominaista suhteellisen pitkä mutta rajallinen autokorrelaatioaika (muutaman viikon vaihteluvälillä) ja joka liittyy ikään ja kaikesta kuolleisuudesta. Niiden yksilöiden määrä, joilla oli merkkejä dynaamisen vakauden menetyksestä (mitattu erittäin pitkillä autokorrelaatioajoilla), kasvoi eksponentiaalisesti iän myötä nopeudella, joka vastaa Gompertzin kuolleisuuslain mukaista kuolleisuuden kaksinkertaistumisastetta61.

Fysiologisten tilamuuttujien autokorrelaatioominaisuuksien ja ikääntymisen tunnusmerkkien välinen intiimi suhde viittaa siihen, että syväoppimisen tehostettu AR-analyysi voi auttaa löytämään merkkejä ihmisen ikääntymisestä ja kroonisten sairauksien etenemisestä. Hyöty voi olla erityisen suuri tutkimuksissa, joihin liittyy suuria pitkittäismittaussarjoja, mutta joista usein puuttuu seurantatietoja kuolleisuudesta ja sairastumisesta. Vaikka hiirten ikääntymisen tunnusmerkit ovat korreloivia ja ensisijaisesti palautuvia, suuri osa ihmisten ikääntymiseen liittyvistä fysiologisista muutoksista on stokastisia ja voivat olla termodynaamisesti peruuttamattomia62. Siksi odotamme, että dynaamisten systeemiteorian periaatteiden systemaattinen soveltaminen biolääketieteellisen tiedon analysointiin auttaa tunnistamaan toimivia ikääntymisen fenotyyppejä ja siten helpottamaan sellaisten ikääntymistä ehkäisevien lääkkeiden löytämistä ja kehittämistä, jotka tuottavat pysyviä nuorentavia vaikutuksia.

menetelmät

Tietojoukot

Harjoitustietojoukko valmistettiin MPD19:n yhdeksästä tietolähteestä. Luettelo mukana olevista lähteistä on esitetty lisätiedoissa 1 viittauksilla mukana oleviin ja puuttuviin tietueisiin ryhmiteltynä sukupuolen ja iän mukaan. Käytimme vain CBC-tiedot antavia määrityksiä, muita biomarkkereita sisältäviä määrityksiä ei otettu huomioon riittämättömän näytemäärän vuoksi. Mallimme on koulutettu käyttämällä parasta mahdollista päällekkäisyyttä kaikista lähteistä saatavista CBC-ominaisuuksista. Lopullinen luettelo sisälsi 12 CBC-ominaisuutta: granulosyyttien ero (GR-prosentti), granulosyyttien määrä (GR), hemoglobiini (HB), hematokriitti (HCT-prosentti), lymfosyyttiero (LY-prosentti), lymfosyyttien määrä (LY), keskimääräinen verisolujen hemoglobiinipitoisuus ( MCHC), keskimääräinen hemoglobiinipitoisuus (MCH), keskimääräinen verisolujen tilavuus (MCV), verihiutaleiden määrä (PLT), punasolujen määrä (RBC) ja valkosolujen määrä (WBC). Katso lisätiedot 2 kaikkien lyhenteiden luetteloa varten. Jos tietolähteestä puuttui granulosyyttimittauksia, se haettiin kaavoilla:

Kaikki eläimet, joilla oli yksi tai useampi puuttuva parametri, suljettiin pois koulutuksesta. Poissuljettujen tietueiden prosenttiosuus oli<2% and should not have affected the results.

Eläimet

Roswell Park Cancer Instituten Institutional Animal Care and Use Committee tai Explora BioLabs, Inc:n eläinkäyttökomitea hyväksyi kaikki eläinkokeet.

Saimme 4–5-viikon ikäisiä NIH Sveitsin uros- ja naarashiiriä Charles River Laboratoriesilta (Wilmington, MA). He saivat ikääntyä Roswell Park Comprehensive Cancer Centerin (RPCCC) eläinlaitoksessa. Tänä aikana hiiriä pidettiin 1–3 häkkiä kohden ja niille ruokittiin ad-lib-ruokia (Tekland Global 18 % Protein Rodent Diet). Verinäytteet otettiin eri ikäisinä osana PFI3:n luomista. Verinäytteet kerättiin yhdestä submandibulaarilaskimoverennästä EDTA-käsiteltyihin Vacutainer-putkiin (kokonaistilavuus 20 ul) ja niitä käytettiin kokoverisolujen laskemiseen ja glukoosimittauksiin käyttämällä Hemavet 950 Analyzer -laitetta (Drew Scientific). Toiset 75 ul verta kerättiin Li-hepariinilla käsiteltyihin plasmaerotinputkiin; plasma puhdistettiin sentrifugoimalla nopeudella 5 000 x g 5 minuuttia ja sitä käytettiin verenkierrossa olevien tulehdusta edistävien sytokiinien ja triglyseridien pitoisuuden mittaamiseen.

Tietojoukko MA0071 rakennettiin poikkileikkauskokeessa käyttämällä uros- ja naaraspuolisia NIH Swiss -hiiriä. Veri otettiin uroshiiriltä iässä 26 (n=20), 64 (n=18), 78 (n=17), 92 (n=14), ja 132 (n=6) viikkoa. Naisten ikäryhmiä edustivat ikäryhmät 30 (n=20), 56 (n=20), 68 (n=19), 82 (n=19), 95 (n=18), 108 (n=20) ja 136 (n=7) viikkoa. Tietojoukko MA0072 saatiin pitkittäistutkimuksesta. Verinäytteet otettiin 66 (n=27), 81 (n=22), 94 (n=21), 109 (n=16) ja 130 vuoden iässä. (n=7) viikkoa. Aineisto MA0073 sisältää verinäytteet, jotka on kerätty 97 uros- ja 127 naarashiireltä eri ikäisiltä, ​​kun eläimet saavuttivat hyväksytyt kokeelliset päätepisteet ja vaativat inhimillistä eutanasiaa. Kaikki eläintoimenpiteet suoritettiin hyväksytyn Institutional Animal Care and Use -komitean (IACUC) protokollan mukaisesti. Hiiriä seurattiin päivittäin ikään liittyvien patologioiden kehittymisen varalta. Aina kun terveysongelmia raportoitiin, tutkimushenkilöstö otti yhteyttä eläinlääkäreiden henkilökuntaan ja noudatti heidän suosituksiaan joko hoidosta tai eutanasiasta. Hiiriä hoidettiin, kunnes tila parani tai lopetettiin, kun kunkin protokollassa kuvatun terveystilan päätepiste saavutettiin. Eutanasia suoritettiin CO2-tukkeuttamalla, jota seurasi kohdunkaulan dislokaatio. Katso lisätiedot 3 näiden tietokokonaisuuksien eläinten kokonaismäärästä.

p16/INK4a-LUC-naarashiiret (p16-Luc) iässä 44-106 viikkoa saatiin N. Sharpless -laboratoriosta North Carolinan yliopistosta (Chapel Hill, NC). Kaikki eläimet pidettiin 12:12 valo:pimeä olosuhteissa (12 tuntia valoa ja 12 tuntia pimeyttä) Laboratory Animal Shared Resourcessa RPCCC:ssä. Roswell Park Cancer Instituten IACUC hyväksyi kaikki eläinkokeet. Bioluminesenssikuvaus suoritettiin käyttämällä IVIS Spectrum -kuvausjärjestelmää (Caliper LifeSciences, Inc, Waltham, MA). p16/Ink4a-Luc plus /- hiiriin injektoitiin intraperitoneaalisesti D-Luciferin (150 mg/kg, Gold Biotechnology), 3 minuuttia myöhemmin nukutettiin isofluraanilla ja kuvattiin käyttämällä 20-toista integraatioaikaa ja väliaineen sitomista. Kuvat käsiteltiin ja kvantifioitiin kunkin hiiren molemmilta puolilta tallennetun fotonivirran summana käyttämällä Living Image -ohjelmistoa (Perkin Elmer, Waltham, MA).

Rapamysiinihoitokokeeseen 60-viikon ikäiset C57BL/6J-uroshiiret hankittiin Jackson Laboratoriesilta (USA). 60 60-viikon ikäisten C57BL/6-uroshiirten kohortti jaettiin hoito- (n=12) ​​ja kontrolliryhmään (n=48) käyttämällä kerrostettua satunnaistustekniikkaa dFI:n erottamattomien jakautumien tuottamiseksi. arvot ennen koetta. Verinäytteet (kokonaistilavuus 120 µl) kerättiin EDTA-putkiin submandibulaarisen tai kasvolaskimon kautta lansetilla. Explora BioLabs, Inc:n eläinkäyttökomitea (IACUC SP17-004-035B) hyväksyi kaikki eläintoimenpiteet, ja ne olivat Explora BioLabs, Inc:n laboratorioeläinten hoitoa, hyvinvointia ja hoitoa koskevien käytäntöjen mukaisia. Rapamysiini ostettiin yhtiöltä LC Laboratories (MA, USA). Rapamysiiniä annettiin päivittäin annoksella 12 mg/kg suun kautta letkulla 8 viikon ajan. Kontrolliryhmää käsiteltiin vehikkelillä (5 % Tween-80, 5 % PEG-400, 3 % DMSO).

Mittasuhteiden vähentäminen PCA:lla

Teimme PCA:n Python- ja Scikit-learn-paketin63 avulla. Ensin sovelsimme PCA-muunnosta koko harjoitustietoaineistoon. Pääkomponentteja hallitsivat kuitenkin erot hiiren kannoissa. Poistimme kantaeron vähentämällä CBC-ominaisuuksien keskiarvot, jotka oli laskettu valitulle kannalle varhaisimmalta saatavilla olevalta iältä, kaikkien tämän kannan eläinten CBC-ominaisuuksien arvoista:

jossa indeksit i ja j luettelevat CBC-piirteet ja -kannat, vastaavasti, ja ovat eläimen ikä. Yksinkertaisuuden vuoksi suodatimme pois hiirikannat, joita ei esitetty Peters4-tietojoukossa64.

Suurin osa koko aineistoa edustavien tietojen varianssista liittyi eläinten kasvuun ja kypsymiseen. Ensimmäinen PC-pistemäärä nousi eläinten iän myötä erityisesti 25 viikon jälkeen (lisäkuva 1). Päinvastoin, toinen ja kolmas PC-pisteet saavuttavat nollasta poikkeavat keskiarvot samassa 25 viikon iässä. Tämä viittaa siihen, että hiirten ikääntyminen ja varhainen kehitys ovat erilaisia ​​​​fenotyyppejä. Myöhemmin teimme kaikki laskelmamme käyttämällä yli 25 viikon ikäisten eläinten tietoja.

Kuolleisuustietojen tilastollinen analyysi

MPD-tietoaineistoon Peters4 linkitettyjen eläinten kuolintiedot olivat myös saatavilla MPD:ssä erillisenä tietoaineistona nimeltä Yuan223. Nämä tietojoukot sisältävät erilaisia ​​eläinryhmiä, joilla on suuri päällekkäisyys. Löysimme Peters4-tietojoukosta 487 eläimen kuolleisuutta, kun taas 393 eläintä puuttui. Syytä katoamiseen ei tiedetä. Sensurointitietueiden luomiseksi sisällytimme kaikki eläimet, joilla oli vähintään kaksi peräkkäistä CBC-mittausta. Oletimme, että eläimet, joille oli annettu yksi CBC-mittaus, todennäköisesti lopetettiin verenkeräyksen jälkeen. Näin ollen, jos eläimellä on useampi kuin yksi CBC-mittaus, katsomme sen hävinneeksi viimeisessä mittauksessa. Löysimme kaikkiaan 79 eläintä, jotka täyttivät tämän ehdon. Loput 314 eläintä, joiden kuolleisuuspäivät eivät olleet tiedossa, suljettiin pois analyysistä.

Spearmanin rankkorrelaatiotesti suoritettiin erikseen kahdelle hiiren kohortille. Ensimmäinen kohortti sisälsi kaikki Peters4-tietojoukon eläimet sensuroimattomien kuolleisuustietueiden kanssa. Toinen kohortti sisälsi eläimet Peters4-tietojoukosta, joiden BW- ja IGF1-seerumitaso mitattiin MPD-tietojoukosta nimeltä Yuan1 24.

Suoritimme Cox PH -regressioanalyysin Python- ja Lifelines-paketin 65 avulla. Aluksi tuotimme valvotun monimuuttujan Cox-PH-mallin käyttämällä kovariaatteina iän, sukupuolen ja CBC-ominaisuuksia ja hyödyntäen kaikkien Petersin eläinten tietoja4. tietojoukko, joka sisältää sekä sensuroidut että sensuroimattomat kuolleisuustapahtumat. Mallin tulos, log-hazard ratio (HRCBC) on CBC-piirteet ja vastaavat kertoimet Cox-PH-mallista käsittävän vektorin pistetulo. Seuraavaksi testasimme HRCBC-ominaisuuden assosiaatiota yksimuuttujaisessa Cox-PH-mallissa dFI-pisteiden rinnalla samaa ikä- ja sukupuolta olevien eläinten kohorteissa (katso lisätiedot 6) vaihtoehtona Spearmanin rankkorrelaatiotestille. Molemmat testit olivat hyvässä sopusoinnussa keskenään.

AE/AR-hermoverkon koulutus

Käytimme syvän AE:n ja yksinkertaisen AR-mallin yhdistelmää modaalianalyysiin (AE-AR-malli). Pullonkaulassaan AE:n kooderivarsi tuotti pakatun 4-ulotteisen esityksen y syötteestä, 12-ulotteisen fysiologisen tilavektorin x, joka rakennettiin käytettävissä olevista CBC-mittauksista. Dekooderivarsi rekonstruoi alkuperäisen 12-ulottuvuuden ~ x pullonkaulaominaisuuksien perusteella.

Samanaikaisesti AE:n kanssa koulutimme verkoston sopimaan MPD:n pitkittäisviipaleeseen (mukaan lukien täysikasvuiset eläimet iässä 26–104 viikkoa näytteenottovälillä Δt=26 viikkoa) linearisoidun (g) liuokseen.=0) Eq. (1),

missä z on paras mahdollinen lineaarinen AE-pullonkaulan yhdistelmä, r=expð ΔtÞ ≈ 1 ja z0 on autoregressiokertoimen ja vakiosiirtymän parhaiten sopivat arvot. Tässä ξ on sovituksen virhe (järjestelmän kohinan ja mittausvirheiden yhdistelmä).

Otimme käyttöön viitejulkaisussa ehdotetun neuroverkkoarkkitehtuurin. 45. Toteutuksessamme käsiteltiin poikkileikkaus- ja pitkittäismittauksia samanaikaisesti epätasapainossa poikkileikkaustietojen eduksi, mikä on tyypillistä tosielämän kliinisille tiedoille. Verkossa on syötteinä kolme 12-ulotteista vektoria, joita edustavat CBC-parametrit: yksi poikkileikkaustietojoukolle (x) ja kaksi muuta pitkittäistietojoukolle, joka vastaa nykyistä (xn) ja tulevaisuutta (xn plus 1). ) näytteen tilat (kuva 7a).

Poikkileikkausnäytteet toimivat syötteinä AE:ssä. Pakatun esityksen pitkittäisnäytteet (yn, yn plus 1) osallistuivat myös harjoitusautoregressio-osaan. AE:n sisällyttämisen hermoverkkoon tärkein etu on sen kyky tehokkaasti pienentää epälineaarista dimensiota66, mikä on tarpeen sellaisille korreloiduille suureille kuten CBC-komponenteille (kuva 1a). Piilevien mittojen pienempi koko toimii säännöstelynä ja auttaa harjoittelemaan ilman ylisovittamista pieneen pitkittäiseen tietojoukkoon käyttämällä enemmän näytteitä suuremmasta poikkileikkaustietojoukosta.

AE-lohko koodaa tulon (x) 4-ulotteiseen vektoriin y=ϕ(x) ja rekonstruoi sitten takaisin alkuperäisen signaalin e x=ϕ 1 ðyÞ. AE toteutettiin pinona täysin kytkettyjä tiheitä kerroksia ja jäännösverkkolohkoja (ResNet)67. Tiheillä kerroksilla on oletuksena harjoitettava painomatriisi W, bias-vektori b ja lineaarinen aktivointitoiminto. Kuvassa 7b esitetty ResNet-lohko on pino kahdesta tiheästä kerroksesta, joissa on vuotavan oikaistun lineaarisen yksikön (Leaky ReLU) aktivointitoiminto. Tulo ja lähtö yhdistetään käyttämällä elementtikohtaista lisäystä. ResNet-lohkot lisäävät epälineaarisia tasasuuntausmuunnoksia alkuperäiseen syötteeseen, mikä auttaa oppimaan epälineaarisia muunnoksia. AE:tä koulutetaan samanaikaisesti poikkileikkaus- ja pitkittäistietojoukoissa.

Projektorilohko ottaa 4-ulotteisen vektorin syötteenä ja muuntaa sen skalaariksi z=A ⋅ y, jota kutsumme dFI:ksi. Harjoittelun aikana syötteisiin syötetään vektoripari: yksi in järjestelmän nykytilaa varten ja yksi yn plus 1 tulevaa tilaa varten. Lineaarinen dynamiikkalohko ratkaisee autoregressiotehtävän (7) ja ennustaa tulevan tilan Zn plus 1=ξ(rZn)=rzn plus b. Apudekooderilohko rekonstruoi alkuperäisen 12-ulottuvuuden CBC-vektorin lineaaridynamiikan lohkon ezn plus 1 lähdöstä käyttämällä dekooderia ϕ−1 AE-lohkosta: e xn plus 1=ϕ 1 ðB ezn plus 1Þ.

Pakottaa A:n ja B:n matriisit projektorissa ja lineaarisen dynamiikan lohkot vasemman ja oikean puolen ominaisvektoreiksi yhtälön ratkaisussa. (7) Lisäsimme seuraavat rajoitukset:

Tässä LAE on AE-rekonstruktiohäviö, Lpred on tulevan tilan rekonstruktiohäviö, LAR on automaattisen regression häviö, LC on häviö, joka pakottaa rajoitukset yhtälöstä. (8), ja termi k Wk2 2 on NN-painojen L2-regulaatio liiallisen sovitusongelman välttämiseksi.

Painot 1, 3 ja 4 määritettiin arvoille 1, 100 ja 0.01, vastaavasti. Painoa 2 lisättiin vähitellen nollasta 1:een harjoituksen aikana. Mallia koulutettiin 600 aikakaudelle oppimisnopeudella 0,001 ja Adam Optimizer 68:lla. Viimeiset 200 jaksoa harjoitteltiin oppimisnopeudella 0,0001. AE/AR NN -arkkitehtuuri toteutettiin Python- ja TensorFlow-kehyksellä69.

Järjestysparametrin epälineaarinen dynamiikka on ratkaisevan tärkeä kuolleisuuden selittämisessä. Samanaikaisesti epälineaarisuuden vaikutukset voidaan jättää huomiotta lähes aina eläimen eliniän aikana, jos eläimen elinikää t ilmaiseva dimensioton parametri kuolleisuuden kaksinkertaistumisajan yksiköissä on suuri, t ≫ {{1} }. Kun otetaan huomioon havaitut dFI:n kaksinkertaistumisnopeudet hiirillä, t ~ 3 ja siten lineaarinen AR-malli on vain kohtuullinen likiarvo. Tulevaisuudessa pitäisi saada parempia dFI-variantteja nostamalla sijoitusta AR-malleissa, mahdollisesti mukaan lukien moodikytkennän vaikutukset dFI:n kanssa.

Mallin arviointi

Malli validoitiin testiaineistoissa (katso lisätiedot 3), jotka suljettiin kokonaan pois AE-AR-mallin koulutuksesta. Testiaineistot saatiin riippumattomista kokeista keräämällä CBC-näytteitä eri-ikäisten ja -sukuisten NIH Swiss -hiirten kohorteista (tietoaineisto MA0071), 15 kuukauden ajan tarkkailtujen NIH Sveitsin uroshiirten kohortteista (tietosarja MA0072) sekä naiivien uros- ja naaraspuoliset NIH Swiss -hiiret, jotka lopetettiin inhimillisesti hyväksyttyjen kokeellisten päätepisteiden saavuttamisen jälkeen (tietosarja MA0073).

Arvioimme AE:n rekonstruktiovirheen laskemalla keskimääräisen neliövirheen (RMSE) ja determinaatiokertoimen R2 kullekin CBC-ominaisuudelle koulutus- ja testisarjoissa (lisätiedot 4 ja lisätiedot 5). Keskimääräinen RMSE testijoukossa oli 229,6 R2=0,55; harjoitussarjassa RMSE oli 106,4 ja R2=0,77. Paras rekonstruktio saavutettiin hematokriitille (R2=0.95), punasoluille (R2=0.92) ja lymfosyyteille (R2=0.87); huonoimmat tulokset olivat keskimääräisillä verisolujen hemoglobiinipitoisuuksilla (R2=− 0,82) ja verihiutaleilla (R2=− 0,14) testisarjassa. Huomaa, että määritelmän mukaan −1 < R2 < 1 (katso esim. 70), määrä voi olla negatiivinen joko junassa tai validointijoukoissa, mikä osoittaa erityisen huonon sovituksen tapauksia.

Lääkkeen vaikutusten määrittäminen dFI:hen

Suoritimme selvityksen rapamysiinin vaikutuksista dFI:n liikeradalle yksittäisissä eläimissä. Teknisesti vertailimme dFI-tasojen lisäyksiä yksittäisten elämien aikana aikavälein riippuen hoidon määrästä seuraavien aikapisteiden välillä. Tällainen analyysi perustuu nimenomaan liikeyhtälöön (7) järjestysparametrille, joka on approksimoitu dFI:llä. Lääkkeen vaikutus ilmenee "voima"-terminä, joka vähentää dFI:n lisäyksiä mittausten välillä, kun lääkettä annetaan ja jolla ei ole vaikutusta (ei voimaa) aina kun lääkettä ei anneta, sekä hoito- että kontrolliryhmissä.

Lääkkeen ikääntymisprosessiin kohdistuvan vaikutuksen määrittäminen vastaa siten "voima"-termin määrittämistä autoregressio-ongelmassa yhtälössä. (4). Koska dFI-tasojen luonnollinen vaihtelu eläinten välillä on usein suuri, pitkittäistutkimuksilla pitäisi olla enemmän tilastollista tehoa kuin tavanomaisilla ryhmävertailuilla. dFI koulutettiin AR-mallilla (7). Sen mukaisesti se soveltuu hyvin signaali-kohinasuhteen maksimoimiseen ikääntymisen eston vaikutusten pitkittäisanalyysissä. Tarvittaessa autoregressiomalli voi ottaa huomioon minkä tahansa määrän hämmentäviä tekijöitä, kuten koeerän tai eläinten sukupuolen. Teknisesti tavoite voidaan saavuttaa lisäämällä vastaavat kovariaatit yhtälön oikealle puolelle (4).

Myöhäisen iän kuolleisuus- ja eloonjäämisanalyysi

Tiedot hiirien kuolleisuudesta otettiin viitteestä. 25. Vain kontrolliryhmät valittiin analyysiin. Tutkimuksesta poistetut hiiret poistettiin myös nykyisestä eloonjäämisanalyysistä. Hiiret yhdistettiin kaikista kolmesta tutkimuskeskuksesta ja kohortista ja erotettiin kahteen ryhmään sukupuolen mukaan. Kaiken kaikkiaan uroshiiriä oli 3 249 ja naarashiiriä 2 978.

Kuolleisuusanalyysi tehdään Lifelines python -paketin 65:n Nelson-Aalen-asentajan avulla. Selviytymisanalyysien ja muiden selviytymisanalyysien Gompertz-sovitukseen käytimme GitHubissa julkaistua mukautettua koodia.

Raportoinnin yhteenveto

Lisätietoa tutkimussuunnittelusta löytyy tähän artikkeliin linkitetystä Nature Research Reporting Summarysta.

Tietojen saatavuus

Tämän tutkimuksen tuloksia tukevat tiedot ovat saatavilla MPD:stä (RRID: SCR_003212). Raakadatatiedostot ja komentosarjat kaikkien löydösten toistamiseksi ovat saatavilla GitHub-verkkosivustolla. Lisätietoja on saatavilla vastaavilta tekijöiltä kohtuullisesta pyynnöstä. Lähdetiedot esitetään tässä julkaisussa.

Koodin saatavuus

Koodi on saatavilla GitHub-verkkosivustolla.

Viitteet

1. Horvath, S. Ihmiskudosten ja solutyyppien DNA-metylaatioikä. Genome Biol. 14, R115 (2013).

2. Levine, ME et ai. Epigeneettinen ikääntymisen biomarkkeri eliniän ja terveyden iän suhteen. Ikääntyminen 10, 573 (2018).

3. Antoch, MP et ai. Fysiologinen heikkousindeksi (pdf): kvantitatiivinen arvio hiirten yksilöllisestä biologisesta iästä. Aging 9, 615 (2017).

4. Putin, E. et ai. Ihmisen ikääntymisen syvät biomarkkerit: syvien hermoverkkojen soveltaminen biomarkkerien kehittämiseen. Aging 8, 1021 (2016).

5. Pyrkov, TV et ai. Verimerkkien pitkittäinen analyysi paljastaa asteittaisen kimmoisuuden vähenemisen ja ennustaa ihmisen eliniän lopullisen rajan. Nat. Commun. 12, 2765 (2019).

6. Schultz, MB et ai. Ikä- ja elinajanodotekellot perustuvat hiiren heikkouden koneoppimisanalyysiin. Nat. Commun. 11, 1 (2020).

7. Cohen, AA et ai. Uusi tilastollinen lähestymistapa osoittaa todisteita monisysteemisestä fysiologisesta säätelyhäiriöstä ikääntymisen aikana. Mekanismit Aging Dev. 134, 110 (2013).

8. Mitnitski, AB, Mogilner, AJ & Rockwood, K. Alijäämien kertyminen ikääntymisen mittarina. ScientificWorldJournal 1, 323–336 (2001).

9. Mitnitski, A. et ai. Ikään liittyvä heikkous ja sen yhteys biologisiin ikääntymisen merkkiaineisiin. BMC Med. 13, 161 (2015).

10. Blodgett, JM, Theou, O., Mitnitski, A., Howlett, SE & Rockwood, K. Laboratorion heikkousindeksin ja haitallisten terveysvaikutusten väliset yhteydet iän ja sukupuolen välillä. Aging Med. 2, 11 (2019).

11. Justice, J. et ai. Senolyytit idiopaattisessa keuhkofibroosissa: tulokset ensimmäisestä ihmisellä tehdystä avoimesta pilottitutkimuksesta. ebiomedicine 40, 554–563 (2019).

12. Fahy, GM et ai. Epigeneettisen ikääntymisen ja immunosoivan trendin kääntäminen ihmisillä. Aging Cell 18, e13028 (2019).

13. Hermann Haken. Phys. Astron. verkossa Libr.

14. Scheffer, M. et ai. Varhaisvaroitussignaalit kriittisille siirtymille. Nature 461, 53 (2009).

15. Scheffer, M. et ai. Ihmisten ja muiden eläinten sietokyvyn kvantifiointi. Proc. Natl Acad. Sci. USA 115, 11883 (2018).

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

17. Kogan, V., Molodtsov, I., Menshikov, LI, Reis, RJS & Fedichev, P. Stabiliteettianalyysi malligeeniverkostosta yhdistää ikääntymisen stressiresistenssiin ja merkityksettömään vanhenemiseen. Sci. Rep. 5, 13589 (2015).

18. Podolskiy, D. Geeniverkkojen kriittinen dynamiikka on ikääntymisen ja Gompertzin lain takana oleva mekanismi.

19. Bogue, MA et ai. Pääsy tietoresursseihin hiiren ilmiötietokannassa hiiren elinkaaren ja terveyden keston geneettistä analysointia varten. J. Gerontology. Ser. A 71, 170 (2016).

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

21. Seydel, R. Practical Bifurcation and Stability Analysis, Voi. 1, s. 477 (Springer Science & Business Media, 2009).

22. Hughes, BG & Hekimi, S. Pitkäikäisten hiiren ja Caenorhabditis elegansin mutanttien pitkäikäisyyden eri mekanismeja, jotka paljastettiin kuolleisuusasteiden tilastollisella analyysillä. Genetics 204, 905 (2016).

23. Yuan, R. et ai. Naaraiden seksuaalisen kypsymisen iän ja eliniän geneettinen yhteissäätely sisäsiittoisten hiirikantojen joukossa kiertävän igf1:n kautta. Proc. Natl Acad. Sci. 109, 8224 (2012).

24. Yuan, R. et ai. Ikääntyvät sisäsiittoiset hiirkannat: tutkimussuunnitelma ja väliraportti keskimääräisistä eliniän ja verenkierron igf1-tasoista. Aging Cell 8, 277 (2009).

25. Harrison, DE et ai. Myöhään iässä ruokittu rapamysiini pidentää geneettisesti heterogeenisten hiirten elinikää. Nature 460, 392 (2009).

26. O'Connell, KE et ai. Käytännön hiiren hematopatologia: vertaileva katsaus ja vaikutukset tutkimukseen. Comp. Med. 65, 96 (2015).

27. Patel, KV et ai. Punasolujen levinneisyys ja kuolleisuus vanhemmilla aikuisilla: meta-analyysi. J. Gerontol. 65 A, 258 (2010).

28. Baggiolini, M. Chemokines ja leukosyyttiliikenne.

29. Harris, TB et ai. Kohonneiden interleukiini-6- ja C-reaktiivisten proteiinien yhteydet vanhusten kuolleisuuteen. Olen. J. Med. 106, 506 (1999).

30. Mahmoudi, S., Xu, L. & Brunet, A. Ajan kääntäminen taaksepäin uusien nuorentamisstrategioiden avulla. Nat. Cell Biol. 21, 32 (2019).

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

32. van Deursen, JM Vanhenevien solujen rooli ikääntymisessä. Nature 509, 439 (2014).

33. Hall, BM et ai. Hiirten ikääntyminen liittyy p16(Ink4a)- ja -galaktosidaasipositiiviseen makrofagien kertymiseen, jonka vanhenevat solut voivat indusoida nuorilla hiirillä. Ikääntyminen 8, 1294 (2016).

34. Kim, WY & Sharpless, NE INK4/ARF:n säätely syövässä ja ikääntymisessä. Cell 127, 265 (2006).

35. Burd, CE et ai. Tuumorigeneesin ja vanhenemisen seuranta in vivo p16 INK4a-lusiferaasimallilla. Cell 152, 340 (2013).

36. Wilkinson, JE et ai. Rapamysiini hidastaa ikääntymistä hiirillä. Aging Cell 11, 675 (2012).

37. Bitto, A. et ai. Ohimenevä rapamysiinihoito voi pidentää keski-ikäisten hiirten elinikää ja terveydenhuoltoa. elife 5, e16351 (2016).

38. Miller, RA et ai. Rapamysiinivälitteinen eliniän pidentyminen hiirillä on annoksesta ja sukupuolesta riippuvaista ja metabolisesti erillään ruokavalion rajoituksista. Aging Cell 13, 468 (2014).

39. Balleza, E. et ai. Kriittinen dynamiikka geneettisissä säätelyverkostoissa: esimerkkejä neljästä valtakunnasta. PLoS One 3, e2456 (2008).

40. Nakamura, E., Miyao, K. & Ozeki, T. Biologisen iän arviointi pääkomponenttianalyysillä. Mech. Aging Dev. 46, 1 (1988).

41. Park, J., Cho, B., Kwon, H. & Lee, C. Biologisen iänarviointiyhtälön kehittäminen käyttäen pääkomponenttianalyysiä ja kliinisiä ikääntymisen biomarkkereita korealaisilla miehillä. Kaari. Gerontol. geriatria 49, 7 (2009).

42. Tarkhov, AE et ai. Universaali iän transkriptominen allekirjoitus paljastaa Caenorhabditis elegansin ikääntymisratojen ajallisen skaalauksen. Sci. Rep. 9, 1 (2019).

43. Johnstone, IM & Lu, AY Pääkomponenttien analyysin johdonmukaisuudesta ja harvaksesta suurissa mitoissa. J. Am. Tilasto Assoc. 104, 682 (2009).

44. Mardt, A., Pasquali, L., Wu, H. & Noé, F. VAMPnets for deep learning of molecular kinetics. Nat. Commun. 9, 5 (2018).

45. Lusch, B., Kutz, JN & Brunton, SL. Syväoppiminen epälineaarisen dynamiikan universaaleja lineaarisia upotuksia varten. Nat. Commun. 9, 4950 (2018).

46. ​​Wu, T. & Tegmark, M. Kohti tekoälyfyysikkoa ohjaamattomaan oppimiseen. Phys. Rev. E 100, 033311 (2019).

47. Liu, Z. & Tegmark, M. Ai poincar\'e: koneoppimisen säilymislakit lentoratojen perusteella. Phys. Rev. Lett. 126, 180604 (2020).

48. Hofmann, B. Youngblood nuorentaa vanhoja vartaloja: kehotus pohdiskelemaan siirryttäessä hiiristä miehiin. Karger 1, 45 (2018).

49. Beerman, I. et ai. Proliferaatiosta riippuvat muutokset DNA-metylaatiomaisemassa ovat hematopoieettisten kantasolujen ikääntymisen taustalla. Cell Stem Cell 12, 413 (2013).

50. Franceschi, C. et ai. Tulehdus-ikääntyminen: evoluution näkökulma immunosesenssiin. Ann. NY Acad. Sci. 908, 244 (2006).

51. Pawelec, G. Immunosenescence and cancer. Biogerontology 18, 717 (2017).

52. Crooke, SN, Ovsyannikova, IG, Puola, GA & Kennedy, RB Immunosenescence ja ihmisen rokotteen immuunivasteet. Immun. Ikä 16, 25 (2019).

53. Pang, WW et ai. Ihmisen luuytimen hematopoieettisten kantasolujen esiintymistiheys lisääntyy ja ne ovat myelooisia iän myötä. Proc. Natl Acad. Sci. USA 108, 20012 (2011).

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

55. Partridge, L., Fuentealba, M. & Kennedy, BK Pyrkimys hidastaa ikääntymistä lääkekeksinnön avulla. Nat. Rev. Drug Discov. 19, 513–532 (2020).

56. Wang, Y. et ai. Kemoterapian haittavaikutusten ja kuolleisuuden ennustaminen primaarista keuhkosyöpää sairastavilla iäkkäillä potilailla heikkousindeksin avulla rutiininomaisten laboratoriotietojen perusteella. Clin. Interv. Ikääntyminen 14, 1187 (2019).

57. Kane, AE, Keller, KM, Heinze-Milne, S., Grandy, SA & Howlett, SE Kliinisiin ja laboratoriomittauksiin perustuva hiiren heikkousindeksi: haurauden ja tulehdusta edistävien sytokiinien väliset yhteydet eroavat sukupuolispesifisesti . J. Gerontol. Ser. A 74, 275 (2019).

58. Sacher, G. & Trucco, E. Stokastinen kuolevaisuuden teoria. Ann. NY Acad. Sci. 96, 985 (1962).

59. Yashin, AI, Manton, KG & Vaupel, JW Kuolleisuus ja ikääntyminen heterogeenisessä populaatiossa: stokastinen prosessimalli, jossa on havaittuja ja havaitsemattomia muuttujia. Theor. Popul. Biol. 27, 154 (1985).

60. Vaupel, JW et ai. Pitkän iän biodemografiset liikeradat. Science 280, 855 (1998).

61. Pyrkov, TV, Sokolov, IS & Fedichev, PO Puettavan anturidatan syvä pitkittäinen fenotyyppi paljastaa riippumattomia pitkäikäisyyden, stressin ja joustavuuden merkkejä. Ikääntyminen 13, 7900 (2021).

62. Tarkhov, AE, Denisov, KA, & Fedichev, PO Vanhenevat kellot, entropia ja iänvaihdon rajat. bioRxiv (McGraw-Hill, 2022).

63. Pedregosa, F. et ai. Scikit-learn: koneoppiminen {P}ythonissa. J. Mach. Oppia. Res. 12, 2825 (2011).

64. Peterset, LL al. Laajamittainen, suuren suorituskyvyn seulonta hyytymisen ja hematologisten fenotyyppien varalta hiirillä. Physiol. Genomics.11, 185–193 (2002).

65. Davidson-Pilon, C. Lifelines.

66. Hinton, GE & Salakhutdinov, RR Tietojen ulottuvuuden vähentäminen hermoverkkojen avulla. Science 313, 504 (2006).

67. He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image detection. vuonna 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, s. 770–778 (IEEE Computer Society, 2016).

68. Kingma, DP & Ba, JL Adam: menetelmä stokastiseen optimointiin.

69. Abadi, M. TensorFlow: laajamittainen koneoppiminen heterogeenisissä järjestelmissä.

70. Steel, RGD & Torrie, JH Tilastojen periaatteet ja menettelyt: erityisesti biologian tieteet. (McGraw Hill, 1960). 71. Avchaciov, K. AI ikääntymisen periaatteiden valvomattomaan oppimiseen pitkittäisistä tiedoista.

Kiitokset

Kiitämme Norman Sharplessia avokätisesti p16-Luc reportterihiirten tarjoamisesta. Tätä työtä tuki osittain National Cancer Institute (NCI) apuraha P30 CA016056 Roswell Park Comprehensive Cancer Centerin Laboratory Animal and Translational Imaging Shared Resources (MPA ja AVG) käyttöön ja Genome Protection, Inc:n (MPA ja AVG) sopimuksella. AVG). Kirjoittajat ovat kiitollisia M. Kholinille Gerosta hyödyllisistä kommenteista ja keskusteluista.

Tekijän panokset

MPA ja EIA suunnittelivat ja suorittivat kokeita, analysoivat ja tulkitsivat tietoja ja tarkastelivat käsikirjoitusta. KA ja AET suorittivat laskelmia ja data-analyysin ja kirjoittivat käsikirjoituksen. OG, LIM, AVG ja POF keskustelivat tuloksista ja kirjoittivat ja tarkastelivat käsikirjoitusta.

Kilpailevat kiinnostuksen kohteet

POF on Gero PTE:n osakkeenomistaja. OY. AVG on Gero PTE:n jäsen. OY. Neuvottelukunta. KA, AET, LIM, OB ja POF ovat Gero PTE:n työntekijöitä. OY. AVG on Genome Protectionin perustaja ja osakkeenomistaja. EIA on Genome Protectionin työntekijä. MPA:lla ei ole kilpailevia etuja. Tutkimuksen rahoitti Gero PTE. OY.

Lisäinformaatio

LisätiedotVerkkoversio sisältää lisämateriaalia saatavilla.

Kirjeenvaihto ja pyynnötmateriaalit tulee osoittaa Peter O. Fedicheville.

VertaisarviointitiedotNature Communications kiittää Konstantin Arbeevia, Arnold Mitnitskia ja nimettömiä arvioijia heidän panoksestaan ​​tämän työn vertaisarvioinnissa.

Kustantajan huomautusSpringer Nature pysyy neutraalina julkaistujen karttojen ja institutionaalisten yhteyksien suhteen.

Avoin pääsyTämä artikkeli on lisensoitu Creative Commons Attribution 4:n.0 Kansainvälinen lisenssi, joka sallii käytön, jakamisen, mukauttamisen, jakelun ja jäljentämisen missä tahansa välineessä tai muodossa, kunhan annat asianmukaisen tunnustuksen alkuperäiselle kirjoittajalle (alkuperäisille kirjoittajille) ) ja lähde, anna linkki Creative Commons -lisenssiin ja ilmoita, onko muutoksia tehty. Tämän artikkelin kuvat tai muu kolmannen osapuolen materiaali sisältyy artikkelin Creative Commons -lisenssiin, ellei materiaalin luottorajassa toisin mainita. Jos materiaali ei sisälly artikkelin Creative Commons -lisenssiin ja käyttötarkoituksesi ei ole lakisääteinen tai ylittää sallitun käytön, sinun on hankittava lupa suoraan tekijänoikeuksien haltijalta.

Lisätietoja: david.deng@wecistanche.com / WhatApp:86 13632399501