2020年9月7日，北京大學、中國科學院上海營養與健康研究所（中國科學院-馬普學會計算生物學伙伴研究所）韓敬東研究組與上海交通大學附屬第一人民醫院臨床研究院周永研究組合作在Nature Metabolism上發表了題為“Three-dimensional facial-image analysis to predict heterogeneity of the human ageing rate and the impact of lifestyle”的研究論文。
衰老是眾多復雜疾病的主要風險因素。同樣年齡的個體，其實際的生理年齡差異很大。現有的衰老研究大多基于壽命，而不是衰老本身。衰老與壽命并不能等同，比如有俗稱的“好死不如賴活著”的長壽。而衰老研究的目的是為了更健康的晚年生活。系統定量的衰老速率模型，又被稱為衰老時鐘，正是為了來計算生物年齡，然后用生物年齡與實際年齡的差值作為衰老速率來量化個體間衰老程度的差異。
實際操作中，由于生理年齡金標準的缺失，往往用實際年齡代替生物年齡來訓練時鐘模型，據此來定義離群值，并用其他的生理或分子參數作為佐證。現有方法都是基于這樣的操作。譬如，使用人外周血單核細胞轉錄組芯片數據來預測人的年齡，得到的實際年齡與預測年齡之間的誤差為7.8歲(Peters et al., 2015)，而使用人全血全基因組甲基化芯片數據（基于Illumina 27K芯片）得到的誤差為4.9歲(Hannum et al., 2013)。利用這些方式都需要血液細胞，測量的侵入性和高費用使得他們不可能應用于大規模篩選或常規體檢。這就限制了生理年齡測量在這個人口老齡化時代的推廣應用與社會意義。2015年韓敬東研究組首次發表了基于三維面部圖像預測年齡的方法，受到了世界各地媒體的報道。這項技術當時的誤差為6.2歲(Chen et al., 2015)，它比起其它衰老時鐘有著無創廉價的優勢，因此可以快速大規模收集數據，建立更精確的人工智能模型。
在以前的三維面部圖像預測年齡的方法基礎上，這項新發表研究在近五千人的三維面部圖像上訓練深度學習模型，這一非線性年齡預測模型可以達到與實際年齡或目測年齡誤差僅為2.79/2.90歲。目測年齡是生物年齡的衡量標準之一，目測年齡預測模型的建立標志著可以直接通過人工智能學習人類鑒定生物年齡的過程，而不是之前這一領域的方法論中間接地用預測年齡與實際年齡的差值來估測生物年齡，從而規避了原先把預測誤差當作衰老速率的假設。通過這一模型，研究者發現個體衰老速率的異質性在中年時期達到峰值。通過280個外周血單核細胞的轉錄組測序樣本，研究者發現了與衰老速率最為相關的生物學過程與細胞類型。
人工智能可以學習人類目測人臉估測年齡的過程，準確預測面部生理衰老速率，并檢測生活方式的影響（李家馨創作）
該研究綜合了轉錄組數據、三維面部數據與生活方式調查數據三項因素，為研究者通過使用因果推斷的方式，找到將三者維系在一起的分子中介提供了一個前所未有的機會。研究發現吸煙與衰老速率呈正相關，其中介分子是SEMA6B、GRN等細胞因子，其他不良的生活習慣如酗酒、食用腌制類食品等也與衰老速率呈正相關。相反的，食用酸奶、咖啡、水果、雞、豆類等以及按時吃飯都與衰老速率呈負相關關系，其中介分子包括了組蛋白乙酰化酶復合體蛋白ZZZ3的升高、SEMA6B and SMAD1等的降低。
因果推斷從生活方式到衰老速率之間的分子中介
最后，這些可視化結果存儲在人類血液基因表達與三維面部圖像的關聯（human blood gene expression – 3D facial image association, HuB-FI）數據庫（https://www.picb.ac.cn/hanlab/hub-fi）中，供其他研究者與公眾查詢。
HuB-FI數據庫
該研究工作主要由韓敬東研究組夏嫻博士與陳興委博士作為共同第一作者合作完成，韓敬東教授與周永教授為通訊作者，并得到了Carlo Vittorio Cannistraci，張康，Brian Kennedy，王嵬教授的幫助，研究也獲得了科技部、基金委及上海市科委的經費支持。（科技處）
原文鏈接: https://www.nature.com/articles/s42255-020-00270-x
參考文獻：
Chen, W., Qian, W., Wu, G., Chen, W., Xian, B., Chen, X., ... Han, J. D. (2015). Three-dimensional human facial morphologies as robust aging markers. Cell Res, 25(5), 574-587. doi:10.1038/cr.2015.36
Hannum, G., Guinney, J., Zhao, L., Zhang, L., Hughes, G., Sadda, S.,?...?Zhang, K. (2013). Genome-wide Methylation Profiles Reveal Quantitative Views of Human Aging Rates. Molecular Cell, 49(2), 359-367. doi:10.1016/j.molcel.2012.10.016
Peters, M. J., Joehanes, R., Pilling, L. C., Schurmann, C., Conneely, K. N., Powell, J.,?...?Johnson, A. D. (2015). The transcriptional landscape of age in human peripheral blood. Nature Communications, 6, 8570. doi:10.1038/ncomms9570
官方微信
