في عالم بحوث الشيخوخة وعلوم الحياة، تبرز تقنيات "ساعة الإبيجينيتics" (Epigenetic Clocks) القائمة على مثيلة الحمض النووي كأدوات قوية لتقدير العمر البيولوجي. لقد أظهرت هذه الأدوات تطبيقات واسعة في دراسات الشيخوخة وأمراض الشيخوخة وعلم طول العمر. ورغم التطورات التي حققتها أساليب التعلم الآلي المختلفة، بما في ذلك الانحدار الخطي المعاقب (Penalized Linear Regression) والشبكات العصبية العميقة (Deep Feedforward Networks) والهياكل المتبقية (Residual Architectures) وشبكات الرسم البياني العصبية (Graph Neural Networks)، إلا أنه لم يتم تطوير أي طريقة حتى الآن تجمع بين بنية الرسوم البيانية لمثيلة الحمض النووي والسياق التسلسلي المحدد للموقع ضمن إطار موحد.

في هذا السياق، اقترح الباحثون إطارًا متكاملًا لدمج تسلسل الحمض النووي وبنية الرسوم البيانية لتوقع العمر البيولوجي. حيث يعالج هذا الإطار الجديد الفجوة الموجودة، ويشمل ميزات إحصائية لتسلسل الحمض النووي بثمانية أبعاد من خلال آلية تعديل خفيفة تتكيف مع إشارة مثيلة كل موقع وفقًا لأهميتها البيولوجية.

تم تقييم هذا النظام على 3707 عينة من دم الميثيل، محققةً متوسط خطأ اختبار (MAE) قيمته 3.149 سنوات، وهو تحسن بنسبة 12.8% مقارنةً بأقوى أساس يعتمد على الرسوم البيانية. كما أظهرت الميزات الإحصائية المستندة إلى السياق البيولوجي تفوقًا على ترميز التسلسل المعتمد على الشبكات العصبية التلافيفية (CNN).

تتضمن التحليلات اللاحقة جوانب من قابلية التفسير، حيث تم تحديد كثافة CpG وتواتر الأدينين المحلي كميزات تتغير أهميتها وفقًا للسن، مما يتماشى مع الآليات المعروفة لزيادة مثيلة الحمض النووي في المناطق الغنية بـ CpG. إنَّ هذا البحث يمثل نقطة تحول في فهم العوامل التي تسهم في عملية الشيخوخة البيولوجية. ما رأيكم في هذا التطور؟ هل تعتقدون أن الدمج بينهما سيحدث ثورة في العلوم الطبية؟ شاركونا في التعليقات!