基于多层感知机的DNA甲基化年龄预测模型

衰老的过程中伴随着DNA甲基化的变化,DNA甲基化成为重要的衰老生物标志物之一。近年来,人们对衰老领域的研究越发火热,年龄预测有助于研究生物衰老问题,但预测精度还有待进一步提高。以往的研究大多基于线性回归模型,使用DNA甲基化数据中与年龄高度相关的CpG位点作为特征进行年龄预测。相比机器学习模型,使用深度学习模型对多特征任务包容性更强,能够选取更多的CpG位点作为特征。在Illumina 27K和Illumina 450K阵列的甲基化数据中,选择共同的21368个CpG位点的甲基化数据作为输入,使用多层感知机建立泛组织年龄预测方法MLPAge对年龄进行预测,将MLPAge与泛组织年龄预测方法行业中的标准Horvath 353 CpG时钟进行了比较。在来自8项研究的2310个样本的独立验证集中,其绝对中位数误差(MAD)为3.77年。研究发现,多层感知机能够更好地提取与年龄相关的特征,在年龄预测方面具有更高的准确度,为该领域提供了一种新的基于深度学习的方案。

DNA甲基化年龄预测研究进展

衰老是生物体多个器官、组织和细胞功能下降的一个过程,与衰老相关的疾病会在衰老过程中逐渐出现,同时伴随着表观遗传学机制的变化。相关领域的研究也表明,表观遗传学机制的变化过程与生物学年龄的增长密切相关。随着全球老龄化现象的加剧,抗衰老逐渐成为一个备受关注的研究方向,然而衰老过程的表观遗传学表征、机理和定量分析方式仍然需要深入研究。该文对当前基于DNA甲基化的衰老与年龄预测的领域研究进展进行梳理,介绍表观遗传时钟、生物时钟和DNA甲基化的基本原理,以及相应表观遗传时钟的典型研究方法和有效样本资源,并深入讨论该领域研究存在的挑战及发展趋势,旨在为研究者提供全面的参考,促进抗衰老相关临床实践和大健康应用的发展。