构建基于 DNN 的生物年龄模型：揭示衰老影响因素，助力健康老龄化

为提升生物年龄预测精度、探究衰老影响因素，研究人员构建 DNN 模型，发现多因素与加速衰老相关，意义重大。

　　

探索生物年龄的奥秘：深度解析衰老影响因素的创新研究

在岁月的长河中，衰老一直是生命科学和健康医学领域的重要课题。人们常说，年龄只是一个数字，但对于健康而言，生物年龄（biological age）或许才是衡量身体真实衰老程度的关键指标。生物年龄能反映个体的身体健康状况，并且与多种疾病紧密相连。同样是 60 岁的人，有的活力满满，身体各项机能良好；而有的却疾病缠身，身体状况堪忧，这背后就是生物年龄在 “作祟”。

当前，测量生物年龄的方法众多，像基于组学数据、生理标志物和功能测量的指标，但这些方法在临床应用中存在不少问题。要么数据获取困难，要么成本高昂，技术操作也复杂。而且现有的预测模型在精度上还有很大提升空间，对于加速衰老的风险因素也未完全探究清楚。在人口老龄化日益严重的今天，这些问题显得尤为突出，探索更精准的生物年龄测量方法以及明确衰老的影响因素迫在眉睫。

为了解开这些谜团，浙江大学医学院等机构的研究人员开展了一项极具意义的研究。该研究成果发表在《GeroScience》杂志上，为我们深入了解衰老机制、促进健康老龄化提供了宝贵的见解。

研究人员运用了多种关键技术方法来开展这项研究。他们依托中国慢性病前瞻性研究（China Kadoorie Biobank，CKB）队列，该队列在 2004 - 2008 年从中国五个城市和五个农村地区招募了 50 多万 30 - 79 岁的参与者，收集了丰富的信息。研究人员选取了 18 项生化指标、7 项身体指标和 26 项问卷指标，利用深度神经网络（Deep Neural Networks，DNN）构建生物年龄模型。在分析数据时，使用了随机森林多重插补法处理缺失值，运用多变量 Cox 回归、多因素逻辑回归和相互调整的多元线性回归等统计方法进行分析。

下面来看看具体的研究结果：

1. DNN 模型性能：构建的生物年龄与实际年龄高度相关，相关系数达到 0.932，平均绝对误差（MAE）仅为 3.655 年，这表明模型预测精度较高。在预测全因死亡率方面，生物年龄的曲线下面积（AUC）为 0.694，高于实际年龄的 0.690，调整多种因素后，AUC 值略有增加，进一步证明生物年龄是死亡风险的有效预测指标，且比实际年龄预测能力更强。
2. 衰老加速与发病率的关系：通过分析发现，Δage（生物年龄与实际年龄的残差，用于量化衰老加速程度）与糖尿病和高血压显著相关。调整多种因素后，Δage 每增加 1 年，糖尿病风险增加 2.6%，高血压风险增加 1.9%，但与风湿性心脏病的关联不显著。
3. 衰老加速与死亡率的关系：在总体人群中，衰老加速与全因死亡率增加相关，Δage 每增加 1 年，全因死亡率的风险比（HR）为 1.029。其中，与循环系统疾病和呼吸系统疾病的关联最为显著，Δage 每增加 1 年，循环系统疾病死亡率风险增加 3.3%，呼吸系统疾病死亡率风险增加 7.8%，在高血压、脑血管疾病和慢性下呼吸道疾病中死亡率风险更高，但与恶性肿瘤、内分泌疾病、精神和行为障碍以及泌尿生殖系统疾病的关联无统计学意义。
4. 影响因素与衰老加速的关系：研究发现，多种社会人口学因素和行为模式与加速衰老有关。例如，与正常体重指数（BMI）的人相比，体重过轻的人衰老加速更为明显，而超重和肥胖者的 Δage 则有所降低；适度饮酒与衰老减速有关，而低身体活动水平会加速衰老，高身体活动水平则减缓衰老；睡眠质量评分每增加 1 分，Δage 增加 0.068 年；此外，女性、低教育水平、丧偶或离婚、低收入等因素也与加速衰老相关，且这些不利社会人口学因素与衰老加速的关联在男性、低教育程度、丧偶或离婚以及低收入参与者中更为明显。

研究结论和讨论部分表明，该研究成功构建了高精度的生物年龄模型，揭示了生物年龄与多种疾病发病率和死亡率的紧密联系，同时明确了一系列与加速衰老相关的社会人口学和生活方式因素。这不仅为生物年龄的估计提供了新工具，也为干预衰老相关健康风险指明了潜在方向。例如，通过改善生活方式，如保持适当体重、增加身体活动、保证良好睡眠等，可能有助于减缓衰老进程，降低疾病风险。不过，研究也存在一些局限性，如未收集慢性病发病日期，无法确定衰老加速与行为因素的因果关系；受数据限制，用于估计生物年龄的预测指标有限；研究对象为中国人群，模型参数可能不适用于其他人群。但总体而言，这项研究为后续研究奠定了坚实基础，对推动健康老龄化的发展具有重要意义，有望为未来的健康干预和疾病预防提供新的思路和方法。