Çevrenin yaşlanmayı nasıl şekillendirdiğini anlamak için yeni hesaplama çerçeveleri
Bilim adamları onlarca yıldır, kirlilik gibi büyük ölçekli çevre güçlerinin ne kadar büyük ölçekli çevre güçlerini anlamaya çalıştılar. yapısal eşitsizlikve siyasi istikrarsızlık –İnsan sağlığını zamanla şekillendirin. Yine de bu çabalar kalıcı bir boşlukla sınırlandırılmıştır: bu makro seviyeli fenomenlerin karmaşıklığını ve yaşlanma üzerindeki etkilerini yakalamak için sağlam kavramsal ve metodolojik araçların eksikliği.
Araştırmanın çoğu, insanların gerçek dünya bağlamlarında karşılaştıkları eşzamanlı ve etkileşen maruziyetleri yansıtamayan basit modellere dayanarak izole faktörlere odaklanmıştır. Çoğu zaman gözden kaçan yaşlanmanın sadece biyolojik bir süreç olmamasıdır – İçinde yaşadığımız sosyal, maddi ve politik koşullara derinden gömülü.
Yeni nesil hesaplama yaklaşımları bu manzarayı dönüştürüyor. ExpozomdanÇoklu omik entegrasyona geniş modeller ve yapay zekabiyolojik yaşlanma tahmini, Sağlıklı yaşlanma ile ilişkili faktörleranalizi Çevre-genetik etkileşimlerve ağ analizi, bu araçlar araştırmacıların karmaşık çevre maruziyetlerini bireysel yaşlanma yörüngeleriyle ilişkilendirmelerini sağlar. Bu değişim, daha ekolojik, bağlama duyarlı ve politika ile ilgili modelleri geliştirmek için kritik bir fırsatı temsil etmektedir.
Yaşlanmayı modellemek için dünya çapında binlerce hayatın ardından
Bir Son çalışmaküresel olarak yaşlanmayı haritalamak için kesitsel ve uzunlamasına analizler kullandık. Kesitsel analiz, 40 ülkeden 161.981 sağlıklı yetişkini-Latin Amerika ve Karayipler, Avrupa, Asya (Çin, Güney Kore, İsrail, Hindistan) ve Afrika (Mısır) (Mısır) içeriyordu. Boylamsal analiz daha sonra yaşlanma yörüngelerinin zamanla nasıl ortaya çıktığını gözlemlemek için 5.431 kişiden oluşan bağımsız bir Güney Afrika kohortuyla birlikte Latin Amerika, Avrupa ve Asya'daki 21.631 katılımcıyı izledi.
Hem koruyucu hem de riskle ilgili olanlar da dahil olmak üzere sağlık ve yaşam tarzı faktörlerine dayalı olarak insanların yaşını tahmin etmek için örneğin% 90'ını kullanarak yapay bir zeka modeli (gradyan güçlendirici regresör) eğittik. Daha sonra, modelin, çapraz doğrulama adı verilen bir yöntemle verilerin geri kalan% 10'unu kullanarak ne kadar iyi çalıştığını test ettik. Model, her birinin bir öncekinin hatalarından öğrendiği bir dizi karar ağacı oluşturarak çalışır. giderek daha doğru yaş tahminlerine neden olur (Şekil 1).
Şekil 1. Gradyan artırma, küçük karar ağaçlarını kalan hatalara yinelemeli olarak takarak güçlü bir öngörücü model oluşturur. a) Sürekli bir tahminle başlayarak F0(X) (kırmızı çizgi), her yineleme artıkları hesaplar RK= YFK-1(X) (turuncu) ve basit bir ağacı eğitiyor HK(X) (mavi) onları tahmin etmek. Güncellenmiş model FK(x) = fK-1(x)+hK(X) (kırmızı) ölçekli bir düzeltme (H: öğrenme oranı). b) Her bir artık ağaç, yapraklara düzeltmeler atayarak en alakalı özelliklere göre ayrılır. Bu düzeltmelerin ölçeklendirilmesi, artıkların sadece bir kısmının her seferinde ele alınmasını sağlar. Sonraki ağaçlar, yüksek hassasiyetli bir topluluk üreterek geriye kalanları iyileştirir.
Modelin ne kadar iyi çalıştığını değerlendirmek için birkaç önlem kullandık, ancak basitlik için bu blog sadece iki tane vurgulamaktadır: R² ve RMSE. R², modelin açıkladığı yaş varyansının oranını ölçerken, RMSE bize modelin tahminlerinin ortalama olarak yıllar içinde ne kadar uzakta olduğunu söyler. Tam örnekte R² 0.26 (model%26 açıklıyor) ve RMSE 8.47 idi. Gecikmişte daha iyi performans gösterdi–Yaşlanma alt grubu (R² = 0.57 ve RMSE = 6.51 yıl); ve hızlandırılmış yaşlanma grubunda daha da iyi (R² = 0.69 ve RMSE = 5.44).
BBAG'ları ortaya çıkarmak için öngörülen ve kronolojik yaş köprüleme
İlk olarak biyo -davranışsal yaş boşluklarını (BBAG'lar), her bir kişinin gerçek yaşını modelimizin öngördüğü yaştan çıkararak hesapladık. Sıfırdan büyük bir BBAG, ortalamadan daha hızlı yaşlanma anlamına gelir. Bu ham boşlukların artan yaşla sürüklenme eğilimini ortadan kaldırmak (ortalama bir eser için bir regresyon), kronolojik yaşta ham bbag'ları gererek bir kesişme α ve eğim β verdik. Düzeltilmiş BBAG o zaman kalıntıdır (eğitim verilerinden türetilen ve test verilerine uygulanan regresyon katsayıları ile) bu uyumdan:
Düzeltilmiş BBAG'lar Avrupa'da gecikmiş yaşlanma, ardından Asya ve Latin Amerika izledi ve Afrika en büyük hızlandırılmış yaşlanmayı sergiledi. Düşük gelirli ülkeler, yüksek gelirli ülkelerden daha fazla hızlandırılmış yaşlanma yaşadı (GSMG'ye göre ΔD = 0.48, ΔD = GSYİH tarafından 0.56). Kötü hava kalitesi, yapısal ve cinsiyet eşitsizliği, göç baskıları, zayıf siyasi temsil ve sınırlı demokratik özgürlükler dahil olumsuz expozomal koşullar, ülkeler arasında hızlandırılmış BBAG'larla güçlü bir şekilde ilişkilendirilmiştir ve makro düzeydeki ortamların yaşlanma eşitsizliklerini nasıl yönlendirdiğini vurgulamaktadır.
Hızlandırılmış yaşlanmayı epidemiyolojik risk profillerine çevirme
Hızlandırılmış yaşlanmanın sağlığı nasıl etkilediğini incelemek için BBAG'ları iki gruba ayırdık: sıfırın üzerindeki değerler (hızlandırılmış yaşlanma) ve sıfırdaki değerler. Daha sonra bu evet/hayır ölçüsünü epidemiyolojik modellerimizdeki ana faktör olarak kullandık. Kesitsel sonuçlar (biliş ve fonksiyonel yetenek) için, formun lojistik regresyon modellerini taktık:
hangi olasılık oranları olarak hesaplandı eB1 ve maruz kalan ve maruz olmayan gruplar arasındaki olay olasılıklarındaki fark olarak atfedilebilir riskler.
Uzunlamasına sonuçlar için (zaman içinde günlük yaşamdaki refah, biliş ve işlevsellikteki değişiklikler), göreceli riski (RR), hızlandırılmış ve ilişkilendirilmemiş agers ve atfedilebilir risk (AR), bu olasılıklar arasındaki mutlak fark (AR) hesapladık (AR), bu olasılıklar arasındaki mutlak fark (YükselmekKmaruz-RisKsabit olmayan).
Ülke düzeyinde OR'ler ve RR'ler daha sonra ortak ve rastgele etkiler meta-analizler yoluyla toplandı (REML, ݲ). Bu çerçeve, çeşitli ortamlarda biliş ve işlevde gerçek dünyadaki düşüşlere dönüştüğü ile ilgili sağlam, karşılaştırılabilir tahminler sağladı.
Kesitsel analizlerde, hızlandırılmış agers, fonksiyonel düşüş için 7.64 oran oranı (atfedilebilir risk ≈ %27.2) ve bilişsel bozukluk için 4.41 oran oranı (atfedilebilir risk ≈ %14.8) vardı. Uzunlamasına takipte, hızlandırılmış BBAG'lar fonksiyonel düşüş için 1.40, bilişsel düşüş için 1.25 ve refah düşüşü için 1.16 riski ile ilişkilendirildi. Tüm ülkelerden elde edilen sonuçlar birleştirildiğinde, meta-analiz, hızlandırılmış BBAG'ların işlevsel ve bilişsel bozulma olasılığını kabaca iki katına çıkardığını ve uzun vadeli riskleri iki ila üç kat artarak, çalışmalar arasındaki orta değişimlere rağmen hem yüksek hem de düşük gelirli ortamlarda tutarlı etkilerle göstermiştir.
Parçalanmış modellerden entegre çevre yaşlanma bilimine geçiş
Yaşlanmanın esas olarak bireysel davranışlar veya izole biyolojik faktörler tarafından şekillendirildiğine dair indirgemeci görüşünün ötesine geçebiliriz. Yaşlanma, yaşadığımız daha geniş ekolojik sistemlere dinamik olarak gömülüdür. Bunlar kirlilik, eşitsizlik, sosyal huzursuzluk ve siyasi istikrarsızlık ile işaretlenen sistemlerdir. Bu makro seviyeli kuvvetler yaşlandığımızın hızını ve kalitesini yapılandırır.
Bu güçleri anlama ve hareket etme yeteneğimiz uzun zamandır metodolojik boşluklarla sınırlıdır. Bununla birlikte, yeni hesaplama araçları artık benzeri görülmemiş bir hassasiyetle biyolojik yaşlanma çevresinin izini izlememizi sağlıyor. Bu, parçalanmış modellerden gerçek dünyadaki maruziyetlerin karmaşıklığını açıklayan bütünleştirici yaklaşımlara geçiş yapar.
Poster figürü Chatgpt tarafından yazarların gözetimi ile oluşturuldu.
Şekil 1, yazarlar tarafından Python ve İnkiye.
Bir yanıt yazın