Az öregedést gyakran jellemzi a károsodások folyamatos felhalmozódása, ami ami a krónikus betegségek egyik fő kockázati tényezője. Az epigenetikai (a génműködést szabályozó) mechanizmusok, beleértve a DNS-metilációt, szerepet játszhatnak az öregedés folyamatában, azonban azokat a kulcsfontosságú funkciókat és biológiai folyamatokat, amelyek befolyásolhatják az öregedést, még mindig nem értjük teljesen, mely funkciók és biológiai folyamatok befolyásolják azt.
Az epigenetikus óráknak nevezett életkor-előrejelzők pontosan meg tudják becsülni az szervezet biológiai életkorát a sejt DNS-metilációja alapján, de modelljeik csak csak részben magyarázzák az öregedést szabályozó kulcsfontosságú biológiai folyamatok mögött meghúzódó előrejelző algoritmust.
A Scientific Reports folyóiratban 2024 januárjában megjelent tanulmány, amelynek társszerzője az EMK docense, dr. Palla Gergely, bemutatja a XAI-AGE-t, amely egy biológiailag megalapozott, több szövettípust vizsgáló mély neurális hálózati modell a biológiai életkor pontos előrejelzésére.
A XAI-AGE felülmúlja az első generációs életkor-előrejelzőket, és a deep learningen (mély tanuláson) alapuló modellekhez hasonló eredményeket ér el, miközben lehetőséget ad arra, hogy közvetlenül a modellből következtessünk az útvonalak és más absztrakt biológiai folyamatok aktivitására. Így képesek leszünk jobban átlátni azokat a kronológiai életkoron felüli további információkat, amelyek segíthetnek az életkorral összefüggő állapotok kockázatértékelésében.
A teljes cikk elérhető ezen a linken: Biologically informed deep learning for explainable epigenetic clocks