倫敦國王學院的研究團隊近期取得了一項突破性的科研成果，他們開發出一種基于人工智能技術的“衰老時鐘”，該工具能夠通過分析個體的血液代謝物數據，準確預測個體的健康狀況及預期壽命。

這一創新性的“衰老時鐘”具備強大的預警功能，能夠捕捉到健康狀況下滑的早期信號。這意味著，在疾病尚未發作之前，人們就有機會采取預防性的策略和干預措施，從而有效避免或延緩疾病的發生。它還允許個人主動追蹤自身的健康狀況，從而做出更加明智的生活方式選擇，保持更長時間的健康狀態。

這項研究基于英國生物樣本庫中超過22.5萬名年齡在40至69歲之間的參與者的血液標記數據。研究人員對這些數據進行了深入的挖掘和分析，訓練并測試了多達17種機器學習算法。最終，他們發現非線性機器學習算法，特別是Cubist回歸模型，在這一領域表現出色，具有極高的預測準確性。

為了更精確地評估個體的生物年齡，科學家們在研究中引入了“MileAge”代謝組年齡的概念。這一指標通過觀察血液新陳代謝過程中產生的小分子（例如食物轉化為能量時釋放的分子）來得出。而MileAge delta，即MileAge與實際年齡的差值，則能夠反映出個體的生物衰老速度是處于加速還是減速狀態。

研究結果顯示，MileAge高于實際年齡的個體，往往身體狀況較差，更容易患上慢性疾病，自我評估的健康狀況也不理想，且面臨更高的死亡風險。這些個體的端粒長度也較短（端粒是細胞衰老的一個重要標志），與動脈粥樣硬化等老年疾病密切相關。

作為該研究的主要作者，IoPPN國王獎研究員朱利安·穆茨博士表示：“代謝組學衰老時鐘為我們提供了一種全新的視角，幫助我們識別出哪些人在晚年可能面臨更大的健康風險。與無法改變的實際年齡不同，我們的生物年齡是可以通過調整生活方式等因素來改變的。”

“這些衰老時鐘為生物醫學和健康研究領域提供了生物年齡的替代衡量標準，這將有助于引導個人做出更健康的生活方式選擇，并為衛生服務機構制定預防策略提供科學依據。我們的研究還評估了多種機器學習方法在開發衰老時鐘中的應用，結果顯示非線性算法在捕捉衰老信號方面表現尤為突出。”