رویکرد جدید به ساعت پیری چندوجهی برای پیش‌بینی سن قابل تفسیر و کشف هدف

یک مقاله تحقیقاتی جدید در سالخورده (فهرست شده توسط MEDLINE/PubMed به عنوان “Aging (Albany NY)” و “Aging-US” توسط Web of Science) جلد 15، شماره 11، با عنوان “Precious1GPT: آموزش انتقال مبتنی بر ترانسفورماتور چندوجهی برای توسعه ساعت پیری و تجزیه و تحلیل اهمیت ویژگی ها”. برای کشف هدف بیماری های مرتبط با افزایش سن و پیری.”

پیری فرآیندی پیچیده و چند عاملی است که خطر ابتلا به بیماری‌های مرتبط با افزایش سن را افزایش می‌دهد و ساعت‌های پیری زیادی وجود دارند که می‌توانند سن تقویمی، مرگ‌ومیر و وضعیت سلامتی را به دقت پیش‌بینی کنند. این ساعت ها قطع شده اند و به ندرت برای کشف هدف درمانی مناسب هستند.

در این مطالعه محققان آناتولی اوربان، دنیس سیدورنکو، دیانا زاگیروا، اکاترینا کوزلوا، الکساندر کلاشنیکف، استفان پوشکوف، ولادیمیر نائوموف، ویکتوریا سارکیسوا، جفری هو دوئن لیونگ، هوی وینگ لیونگ، فرانک دبلیو پون، ایوان وی. اوزروف، الکس آلیپر، فنگ رن، و الکس ژاورونکوف از Insilico Medicine یک رویکرد جدید برای ساعت پیری چندوجهی پیشنهاد می‌کند که آن را Precious1GPT می‌نامند، با استفاده از متیلاسیون و داده‌های رونویسی برای پیش‌بینی سن قابل تفسیر و کشف هدف که با استفاده از مدل مبتنی بر ترانسفورماتور و یادگیری انتقال برای طبقه‌بندی مورد-شاهدی توسعه یافته است.

“برای شناسایی نشانگرهای زیستی پیری مرتبط با بیماری‌های مرتبط با افزایش سن، در کار حاضر، ما توانایی ساعت‌های پیر را برای پیش‌بینی سن بیولوژیکی و در نتیجه درک تغییرات مولکولی همراه با پیری و رویکرد ID هدف خود برای ایجاد ژن‌های مرتبط با رشد ترکیب کردیم. از بیماری ها.”

در حالی که دقت ترانسفورماتور چندوجهی در هر نوع داده منحصر به فرد کمتر است، در مقایسه با ساعت‌های پیری تخصصی پیشرفته بر اساس داده‌های متیلاسیون یا رونویسی به طور جداگانه، ممکن است کاربرد عملی بالاتری برای کشف هدف داشته باشد. این روش توانایی کشف اهداف درمانی جدید را فراهم می کند که به طور فرضی ممکن است بتوانند سن بیولوژیکی را معکوس یا تسریع کنند و مسیری را برای کشف داروی درمانی و اعتبارسنجی با استفاده از ساعت پیری فراهم می کند. علاوه بر این، محققان فهرستی از اهداف امیدوارکننده ارائه کردند که با استفاده از پلت فرم کشف هدف صنعتی PandaOmics حاشیه نویسی شده بودند.

“مدل مبتنی بر ترانسفورماتور امکان ادغام داده های چند omics را فراهم می کند و دقت ساعت پیری را بهبود می بخشد، در حالی که رویکرد یادگیری انتقال شناسایی ژن های مرتبط با بیماری را در زمینه پیری تسهیل می کند.”