Mô hình dựa trên máy học sâu có thể được sử dụng để đánh giá tầm quan trọng của các yếu tố di truyền và biểu sinh ảnh hưởng lên quá trình này ở nhiều nhóm tuổi.

Nhà nghiên cứu chính Polina Mamoshina ở Công ty trí tuệ nhân tạo thế hệ mới Insilico Medicine có trụ sở tại Mỹ cho biết: “Chúng tôi tin rằng liệu pháp chống lão hóa hiệu quả nhất nên là đặc hiệu mô, vì vậy chúng tôi tập trung vào phát triển các chỉ dấu sinh học lão hóa đặc hiệu mô. Nghiên cứu này là một ví dụ về chỉ dấu của mô cơ xương”.
24010904_1872018.jpg
Trong nghiên cứu được đăng trên tờ Frontiers in Genetics, nhóm nghiên cứu đã phân tích biểu hiện gien có sẵn ở các mô trẻ và mô già từ người cho khỏe mạnh.

Việc phân tích biểu hiện gien khác biệt được thực hiện để so sánh biểu hiện cả các mô cơ trẻ và già và để xử lý trước dữ liệu kết quả cho một tập hợp các thuật toán học máy.

Sau khi sử dụng một vài phương pháp máy học, họ đã dự đoán độ tuổi của các mẫu dựa trên dấu hiệu phiên mã.

Cuối cùng, các chỉ dấu tiên đoán tuổi đã đào tạo được sử dụng để xác định các công cụ đo lão hóa đặc hiệu mô.

Phương pháp tiếp cận dựa trên dữ liệu kết hợp đã chứng minh mô hình dự đoán tuổi có thể trở thành một công cụ hữu ích trong việc xác định các mục tiêu tiềm năng cho các chất bảo thọ.

Sự mất cơ liên quan đến lão hóa vẫn là một thách thức lâm sàng quan trọng ảnh hưởng tới hàng trăm triệu người già. Nó có liên quan tới những kết quả sức khỏe xấu như ngã, mất thăng bằng, khuyết tật về thể chất và tử vong. Hiểu rõ về mất cơ từ nghiên cứu lão hóa chỉ ra rằng việc nắm được các cơ chế phân tử của lão hóa cơ có thể chỉ ra các phương pháp trẻ hóa tiềm năng.