MACHINE LEARNING ANALYSIS OF MOUSE FRAILTY FOR PREDICTION OF BIOLOGICAL AGE AND LIFE EXPECTANCY
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In mammals, the lack of accurate biomarkers for biological age is a current limitation to identifying novel aging interventions. Molecular biomarkers including DNA methylation hold promise but are invasive and currently expensive. The Frailty Index (FI) quantifies the accumulation of health-related deficits and is fast, cheap, and non-invasive. Studies have demonstrated that FI correlates with age and mortality risk in mice and humans. However, the FI has not been modelled to directly predict biological age or life expectancy. We tracked aging male C57BL/6 mice until their natural deaths, scoring them longitudinally with the FI. We find that FI score correlates with and is predictive of age and that some but not all parameters of the FI are individually well-correlated with age. To better predict chronological age, we performed an elastic net regression on the FI termed FRIGHT (Frailty Inferred Geriatric Health Timeline) Age. FRIGHT Age is a strong predictor of age (r2=0.73, median error=47.5 days), but is not superior to chronological age at predicting life expectancy. To better predict mortality, we built a random forest model termed the AFRAID (Analysis of Frailty and Death) score, which predicted survival at multiple ages (r2=0.375, median error = 46.4 days). The FRIGHT and AFRAID models were responsive to chronic treatment with enalapril (30mg/kg/day), an angiotensin converting enzyme inhibitor that extends healthspan, and methionine restriction, a dietary intervention that extends healthspan and lifespan. Our findings underscore the value of assessing non-invasive biomarkers for aging research and may help speed the identification of aging interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle