به گزارش همشهری آنلاین سن تقویمی تعداد سال‌های بین تولد شما و اکنون است؛ این سن کاملاً مبتنی بر زمان است. از سوی دیگر، سن بیولوژیکی یا سن زیستی تجزیه تدریجی سیستم‌های فیزیولوژیکی و مولکولی یک فرد را در طول زمان توصیف می‌کند؛ این معیاری است که نشان می‌دهد بدن چقدر «پیر» شده است. هدف این محاسبه پاسخ به این سوال است که سیستم‌ها، اندام‌ها و سلول‌های شما در مقایسه با یک پایه متوسط و سالم چقدر خوب کار می‌کنند.

به یک باتری فکر کنید: باتری‌های جدید از نظر توانایی نگهداری قابل اعتماد شارژ، با ظرفیت ۱۰۰ درصد شروع به کار می‌کنند، اما این ظرفیت با گذشت زمان و با روشن و خاموش شدن باتری و تأمین انرژی دستگاه‌ها، کاهش می‌یابد. سن بیولوژیکی مفهوم مشابهی از ظرفیت است و ابزارهایی که محققان و پزشکان برای اندازه‌گیری این ظرفیت شما استفاده می‌کنند، به عنوان ساعت‌های پیری شناخته می‌شوند که به عنوان «ساعت‌های اومیک» یا «آزمایش‌های سن بیولوژیکی» نیز شناخته می‌شوند.

اگرچه چنین ساعت‌هایی در حال ایجاد هستند، اما علم سن بیولوژیکی هنوز در مراحل ابتدایی خود است. اولین توصیفات ساعت‌های پیری در سال ۲۰۱۳ در نشریات علمی منتشر شد. از آن زمان، پژوهشگران ده‌ها ساعت پیری را توسعه داده‌اند که سن بیولوژیکی را از طریق معیارهای مختلف، مانند پروفایل پروتئین، عملکرد سیستم ایمنی و تغییرات اپی‌ژنتیکی، به معنای تغییراتی در DNA که نحوه عملکرد ژن‌ها را بدون تغییر کد اساسی DNA تغییر می‌دهد، اندازه‌گیری می‌کنند.

ساعت‌های پیری معمولاً بر اساس مدل‌های یادگیری ماشین ساخته می‌شوند - مدل‌های آماری که الگوها را در داده‌ها تشخیص می‌دهند و بر اساس آن الگوها پیش‌بینی می‌کنند. این مدل‌ها بر اساس یک تکنیک ریاضی به نام رگرسیون هستند که به دنبال پیش‌بینی احتمال رویدادها بر اساس متغیرهای زیاد و اهمیت نسبی آنها برای پیش‌بینی، که به عنوان «وزن» شناخته می‌شوند، است.

به عبارت ساده، مدل‌ها هر متغیر را در وزن آن ضرب می‌کنند و تمام متغیرهای وزن‌دار را جمع می‌کنند تا احتمال شما را به دست آورند. به عنوان مثال، یک مدل رگرسیون که خطر ابتلا به سرطان ریه را برای یک فرد پیش‌بینی می‌کند، ممکن است سابقه سیگار کشیدن را به ۱ نزدیک‌تر کند، زیرا همبستگی بسیار قوی با سرطان ریه دارد، اما قرار گرفتن در معرض گاز رادون را کمتر از سیگار کشیدن وزن می‌دهد زیرا به اندازه سیگار کشیدن خطر ابتلا به سرطان ریه را پیش‌بینی نمی‌کند.

این مدل‌های یادگیری ماشین که در ساعت‌های پیری استفاده می‌شوند، بر اساس هزاران نقطه داده «نشانگر زیستی» آموزش دیده‌اند. نشانگرهای زیستی اندازه‌گیری ترکیبات خاصی هستند که اغلب اما نه همیشه از نمونه‌های خون به عنوان یک معیار نیابتی برای یک بیماری یا فرآیند بیولوژیکی عمل می‌کنند. به عنوان مثال، سطح بالاتر از حد معمول پروتئین واکنشی C و تعداد گلبول‌های سفید خون معمولاً به این معنی است که سیستم ایمنی به یک عفونت پاسخ می‌دهد. خون منبع بسیار خوبی از نشانگرهای زیستی است زیرا در تمام بدن گردش می‌کند و ناگزیر علائم بیماری را تشخیص می‌دهد.

ساعت‌ها همچنین بر اساس سن تقویمی و وضعیت سلامت افرادی که نمونه‌ها را به مجموعه داده‌ها ارائه می‌دهند، آموزش داده می‌شوند.

الگوریتم این داده‌ها را تجزیه و تحلیل می‌کند و قبل از ارائه مجموعه‌ای از قوانین برای تفسیر نقاط داده جدید که در مجموعه داده‌های اصلی وجود نداشتند، به دنبال الگوها می‌گردد - نقطه قوت اصلی یادگیری ماشین. به این ترتیب، می‌تواند در مورد سلامت یک فرد خاص پیش‌بینی‌هایی انجام دهد، حتی اگر سن یا وضعیت سلامت او را «نداند». می‌تواند به سادگی از نشانگرهای زیستی و الگوهای استخراج شده از داده‌های اصلی استفاده کند.