基于血液转录组的人类衰老相关基因表达分析与年龄预测模型构建

编辑推荐：针对血液转录组年龄预测模型匮乏的问题，研究人员利用10K Immunomes数据库中21-90岁健康人群数据，通过LASSO、EN、XGBoost和LightGBM算法构建模型，发现梯度提升决策树模型（XGBoost r=0.931/LightGBM r=0.645）显著优于线性回归，为生物衰老监测提供新工具。

　　科学家们深入探索了人类血液转录组中与衰老相关的基因表达变化，并建立了创新的年龄预测模型。研究团队从10K Immunomes数据库获取21-90岁健康志愿者的转录组数据，系统分析了差异表达基因，通过基因本体论(GO)、通路和疾病本体论分析揭示了这些基因的生物学功能特征。研究采用四种机器学习算法——最小绝对收缩选择算子(LASSO)、弹性网络(EN)、极限梯度提升(XGBoost)和轻量梯度提升机(LightGBM)构建预测模型。结果显示，基于决策树的XGBoost（142个基因）和LightGBM（149个基因）模型表现优异，训练集相关系数分别达到1.000和0.995，测试集为0.931和0.915，外部验证集为0.591和0.645，显著优于仅使用7-9个基因的线性回归模型。这些发现为开发简便的生物衰老监测工具提供了新思路，同时为理解基因表达与衰老表型之间的分子机制奠定了基础。未来研究需要在更广泛人群中验证这些模型，并深入探索相关基因在衰老过程中的作用机制。