DOI: https://doi.org/10.1038/s41514-026-00358-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41826374
تاريخ النشر: 2026-03-13
المؤلف: Aaron Lin وآخرون
الموضوع الرئيسي: علم الوراثة اللاجينية وميثيل الحمض النووي
نظرة عامة
تقدم البحث شبكة عصبية عميقة (DNN) جديدة تعتمد على ساعة ميثيل الحمض النووي (DNAm) مصممة لقياس العمر البيولوجي، مع معالجة القيود التي تفرضها النماذج الخطية التقليدية التي تتجاهل الديناميات غير الخطية والتفاعلات بين مواقع CpG. تم تدريب النموذج على مجموعة بيانات كبيرة تضم 29,167 عينة من مصفوفات Illumina EPIC v1.0 و v2.0، حيث استخدم 12,234 CpGs تم اختيارها من خلال ارتباطات مصنفة حسب الجنس والعمر، محققة دقة عالية تبلغ 1.89 سنة. تفوقت هذه الطريقة المعتمدة على DNN على الساعات الجينية القائمة على التعلم العميق والشبكات المرنة في مجموعة التحقق المستقلة.
بالإضافة إلى ذلك، استخدم الدراسة تفسيرات شابلي الإضافية (SHAP) لكشف الديناميات الهيكلية الموجية في CpGs المؤثرة في العمر، مع تحديد مراحل الشيخوخة المتميزة: وحدة الحياة المبكرة، الانتقال في منتصف العمر، وإعادة تشكيل الحياة المتأخرة، مع اختلافات بناءً على الجنس. تتماشى النتائج مع “موجات الشيخوخة” غير الخطية متعددة الأوميك التي تم الإبلاغ عنها سابقًا في علم البروتينات والدراسات الطولية. كما أوضح تحليل SHAP أنماط الشيخوخة المحددة حسب الجنس، مع تسليط الضوء على المسارات التنموية في ساعات الذكور في الحياة المبكرة وتنظيم الهيكل الخلوي في الإناث، بينما تضمنت التغيرات في الحياة المتأخرة تنشيط المناعة في الذكور وإعادة تشكيل النسخ في الإناث. يدمج هذا الإطار دقة عالية مع رؤى آلية، محددًا الفترات الحرجة لإعادة تكوين الشيخوخة الجزيئية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم للشيخوخة كعامل خطر رئيسي لمجموعة متنوعة من الأمراض المزمنة والوفيات، مع التأكيد على الحاجة إلى التمييز بين العمر الزمني والعمر البيولوجي. بينما يعد العمر الزمني علامة زمنية مفيدة، إلا أنه لا يأخذ في الاعتبار الاختلافات الفردية في الوظيفة الفسيولوجية وقابلية الإصابة بالأمراض. وقد أدى ذلك إلى السعي نحو مؤشرات الشيخوخة البيولوجية، وخاصة ميثيل الحمض النووي (DNAm)، الذي يعكس التغيرات الجزيئية المرتبطة بالعمر ويمكن استخدامه لبناء ساعات جينية لتقدير العمر وتوقع الأمراض.
تناقش الورقة تطور الساعات الجينية، من النماذج المبكرة مثل تلك التي طورها هانوم وهورفاث إلى النسخ الأكثر تقدمًا مثل PhenoAge وGrimAge، التي تدمج البيانات السريرية للتنبؤ بشكل أفضل بالنتائج المرتبطة بالعمر. على الرغم من نجاحها، تعتمد العديد من النماذج الحالية على افتراضات خطية لا تلتقط بشكل كافٍ الديناميات المعقدة وغير الخطية لـ DNAm عبر فترة الحياة. لمعالجة هذه القيود، يقترح المؤلفون ساعة DNAm جديدة تعتمد على شبكة عصبية عميقة، تُسمى DeepStrataAge، والتي تستخدم مجموعة بيانات كبيرة لتحقيق دقة تنبؤية عالية مع الحفاظ على القابلية للتفسير من خلال تفسيرات شابلي الإضافية (SHAP). لا تعزز هذه الطريقة فقط فهم أنماط الميثيل المرتبطة بالعمر ولكنها تحدد أيضًا توقيعات ميثيل متميزة مرتبطة بمراحل الحياة المختلفة، مما يوفر رؤى حول الآليات البيولوجية للشيخوخة.
طرق
تحدد قسم الطرق تصميم التجارب والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث استخدموا طرقًا إحصائية لتحليل البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة استخدام تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج ذات الصلة.
تم إجراء تحليل البيانات باستخدام أدوات برمجية سهلت تطبيق الاختبارات الإحصائية، مثل اختبارات t وANOVA، لتحديد دلالة النتائج. تأكد الباحثون من موثوقية نتائجهم من خلال التجارب المتكررة وأحجام العينات المناسبة، التي تم حسابها بناءً على تحليل القوة لاكتشاف الفروق ذات الدلالة. بشكل عام، كان الهدف من الصرامة المنهجية هو تقديم أدلة قوية تدعم فرضيات الدراسة.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يحدد مقاييس الأداء والدلالة الإحصائية للنتائج التي تم الحصول عليها، وغالبًا ما يقارنها بمعايير أو مجموعات تحكم قائمة. عادةً ما يتم توضيح البيانات من خلال الجداول أو الرسوم البيانية أو الأشكال، التي توفر تمثيلًا بصريًا للنتائج.
في هذا القسم، قد يبرز المؤلفون نتائج محددة، مثل فعالية طريقة أو نموذج مقترح، يتم قياسها من خلال مقاييس ذات صلة (مثل الدقة، الدقة، الاسترجاع). بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، جنبًا إلى جنب مع آثارها على سؤال البحث. قد يتناول المؤلفون أيضًا أي قيود واجهوها خلال الدراسة، والتي قد تؤثر على تفسير النتائج. بشكل عام، يخدم هذا القسم لتأكيد الفرضيات المطروحة في المقدمة ويضع الأساس للنقاشات والاستنتاجات اللاحقة.
نقاش
في هذه الدراسة، طور المؤلفون ساعة جينية تعتمد على التعلم العميق، DeepStrataAge، لتحليل أنماط الشيخوخة الجينية المحددة حسب الجنس عبر فترة الحياة باستخدام بيانات ميثيل الحمض النووي. تم تدريب النموذج على مجموعة بيانات متناسقة واستخدم اختيار ميزات مصنف حسب العمر والجنس، محققًا دقة تنبؤية متفوقة مقارنة بالنماذج الحالية. تشمل النتائج الرئيسية تحديد ثلاث مراحل للشيخوخة الجينية المحفوظة—الحياة المبكرة، منتصف العمر، والحياة المتأخرة—كل منها يظهر توقيتًا وبنية متميزة بناءً على الجنس. أظهر الذكور مسارًا مضغوطًا أكثر مع انتقال حاد حول أعمار 45-49، بينما شهدت الإناث تباينًا تدريجيًا بدأ في وقت مبكر، مما يشير إلى اختلافات في توقيت وسرعة الانتقالات الجينية.
كشف التحليل أن CpGs المؤثرة في العمر كانت غنية في المسارات المتعلقة بالعمليات الهيكلية والتنموية في الحياة المبكرة، بينما تحولت الشيخوخة في الحياة المتأخرة في كلا الجنسين نحو الوظائف التنظيمية والمناعية. من الجدير بالذكر أن النموذج أظهر عمومية قوية ودقة، مع خطأ مطلق متوسط منخفض يصل إلى 1.89 سنة في التحقق الخارجي. تؤكد النتائج على أهمية التحليل المصنف في كشف التوقيعات الجينية البيولوجية ذات الصلة وتقترح أن نموذج DeepStrataAge يمكن أن يكون أداة قوية لفهم ديناميات الشيخوخة البيولوجية وآثارها على نتائج الصحة.
DOI: https://doi.org/10.1038/s41514-026-00358-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41826374
Publication Date: 2026-03-13
Author(s): Aaron Lin et al.
Primary Topic: Epigenetics and DNA Methylation
Overview
The research presents a novel deep neural network (DNN)-based DNA methylation (DNAm) clock designed to measure biological age, addressing limitations of traditional linear models that overlook non-linear dynamics and interactions among CpG sites. Trained on a substantial dataset of 29,167 samples from Illumina EPIC v1.0 and v2.0 arrays, the model utilized 12,234 CpGs selected through sex- and age-stratified correlations, achieving a high accuracy of 1.89 years. This DNN-based approach outperformed existing deep learning and elastic net-based epigenetic clocks in an independent validation cohort.
Additionally, the study employed Shapley Additive Explanations (SHAP) to reveal structured, wave-like dynamics in age-influential CpGs, identifying distinct aging phases: an early-life module, a midlife transition, and late-life remodeling, with variations based on sex. The findings align with previously reported nonlinear, multi-omic “aging waves” in proteomics and longitudinal studies. SHAP analysis further elucidated sex-specific aging patterns, highlighting developmental pathways in early-life male clocks and cytoskeletal regulation in females, while late-life changes included immune activation in males and transcriptional remodeling in females. This framework integrates high accuracy with mechanistic insights, pinpointing critical periods of molecular aging reconfiguration.
Introduction
The introduction of the research paper highlights the critical role of aging as a primary risk factor for various chronic diseases and mortality, emphasizing the need to differentiate between chronological age and biological age. While chronological age serves as a useful time marker, it fails to account for individual variations in physiological function and disease susceptibility. This has led to the pursuit of biological aging biomarkers, particularly DNA methylation (DNAm), which reflects age-related molecular changes and can be used to construct epigenetic clocks for age estimation and disease prediction.
The paper discusses the evolution of epigenetic clocks, from early models like those developed by Hannum and Horvath to more advanced versions such as PhenoAge and GrimAge, which incorporate clinical data to better predict age-related outcomes. Despite their success, many existing models rely on linear assumptions that do not adequately capture the complex, non-linear dynamics of DNAm across the lifespan. To address these limitations, the authors propose a novel deep neural network-based DNAm clock, named DeepStrataAge, which utilizes a large dataset to achieve high predictive accuracy while maintaining interpretability through Shapley additive explanations (SHAP). This approach not only enhances the understanding of age-related methylation patterns but also identifies distinct methylation signatures associated with different life stages, offering insights into the biological mechanisms of aging.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical methods to analyze the data collected from various experiments. Specific methodologies included the use of controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data analysis was conducted using software tools that facilitated the application of statistical tests, such as t-tests and ANOVA, to determine the significance of the results. The researchers ensured the reliability of their findings through repeated trials and appropriate sample sizes, which were calculated based on power analysis to detect meaningful differences. Overall, the methodological rigor aimed to provide robust evidence supporting the study’s hypotheses.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It outlines the performance metrics and statistical significance of the results obtained, often comparing them against established benchmarks or control groups. The data is typically illustrated through tables, graphs, or figures, which provide a visual representation of the outcomes.
In this section, the authors may highlight specific results, such as the effectiveness of a proposed method or model, quantified through relevant metrics (e.g., accuracy, precision, recall). Additionally, any observed trends or patterns in the data are discussed, along with their implications for the research question. The authors may also address any limitations encountered during the study, which could affect the interpretation of the results. Overall, this section serves to substantiate the hypotheses posed in the introduction and lays the groundwork for subsequent discussions and conclusions.
Discussion
In this study, the authors developed a deep learning-based epigenetic clock, DeepStrataAge, to analyze sex-specific patterns of epigenetic aging across the lifespan using DNA methylation data. The model was trained on a harmonized dataset and utilized stratified feature selection based on age and sex, achieving superior predictive accuracy compared to existing models. Key findings include the identification of three conserved epigenetic aging phases—early life, midlife, and late life—each exhibiting distinct timing and structure based on sex. Males showed a more compressed trajectory with a sharp transition around ages 45-49, while females experienced a gradual divergence beginning earlier, indicating differences in the timing and pace of epigenetic transitions.
The analysis revealed that age-informative CpGs were enriched in pathways related to structural and developmental processes in early life, while late-life aging in both sexes shifted towards regulatory and immune-related functions. Notably, the model demonstrated strong generalizability and accuracy, with a mean absolute error as low as 1.89 years in external validation. The findings underscore the importance of stratified analysis in uncovering biologically relevant epigenetic signatures and suggest that the DeepStrataAge model can serve as a powerful tool for understanding the dynamics of biological aging and its implications for health outcomes.