تظهر دراسة جديدة حول تقدير العمر البيولوجي من خلال الكشف عن الروابط المعقدة في البيانات الجينية كيف يمكن للذكاء الاصطناعي أن يحدث ثورة في فهمنا لعلم الشيخوخة. تُستخدم ساعات الشيخوخة (Aging clocks) لتقدير العمر البيولوجي، وهو مقياس للوضع الفيزيولوجي يختلف عن العمر الزمني. وتعتبر علامات الميثيل (DNA methylation) من المؤشرات الحيوية الفعالة نظرًا لاستقرارها وقوتها في الارتباط بالشيخوخة.

تعمل الأساليب الحالية على اعتبار مواقع CpG كميزات مستقلة، مما يؤدي إلى التغاضي عن العلاقات البيولوجية المعقدة بينها. لذا، تقدم الدراسة نموذجًا جديدًا يسمى RelAge-GNN، وهو إطار شبكة عصبية تعتمد على الرسم البياني (Graph Neural Network) لتحسين دقة تقدير العمر البيولوجي.

يقوم نموذج RelAge-GNN ببناء ثلاثة رسومات بيانية تكمل بعضها البعض، حيث تُظهر أنماط الميثيل المشترك، والتوضع الجينومي المتزامن، والارتباطات على مستوى الجينات بين مواقع CpG. يتم التعامل مع كل رسم بياني من خلال فرع GNN مستقل، ويقوم آلية التعزيز القابلة للتعلم بدمج التمثيلات الناتجة بطريقة تكيفية.

أظهرت التجارب التي أُجريت على مجموعات بيانات كبيرة أن RelAge-GNN يحقق دقة تنافسية وارتباطًا أقوى مع العمر الزمني مقارنةً بأفضل الأساليب المتاحة. علاوة على ذلك، يُظهر النموذج حساسية مُحسنة في اكتشاف تسارع العمر في عينات الأمراض المختلفة، مما يبرز إمكانيته في تصنيف الأمراض.

ومن خلال تحليلات التفسير اللاحقة، تمكنا من قياس مساهمات الهياكل المختلفة وعلاقات مواقع CpG، مما يوفر رؤى بيولوجية ذات مغزى ويقترح اتجاهات محتملة للبحث المتعلق بالعمر. يمكن الوصول إلى كود النموذج عبر الرابط: [رابط الكود].

هل ترون أن استخدام الذكاء الاصطناعي في تقدير العمر البيولوجي قد يغير مفهوم الصحة والشيخوخة؟ شاركونا آراءكم في التعليقات!