Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-bio > arXiv:2510.12384

帮助 | 高级搜索

定量生物学 > 基因组学

arXiv:2510.12384 (q-bio)
[提交于 2025年10月14日 (v1) ,最后修订 2025年10月18日 (此版本, v2)]

标题: 全表型多组学整合揭示了人类衰老的不同类型

标题: Phenome-Wide Multi-Omics Integration Uncovers Distinct Archetypes of Human Aging

Authors:Huifa Li, Feilong Tang, Haochen Xue, Yulong Li, Xinlin Zhuang, Bin Zhang, Eran Segal, Imran Razzak
摘要: 衰老是一个高度复杂且异质的过程,不同个体的进展速度各不相同,这使得生物年龄(BA)比出生年龄更能准确地反映生理衰退。 尽管之前的研究使用单一组学数据构建了衰老时钟,但它们往往无法捕捉人类衰老的完整分子复杂性。 在本研究中,我们利用了人类表型项目,这是一个大规模队列,包含12,000名30--70岁的成年人,具有广泛的纵向分析,包括临床、行为、环境和多组学数据集——涵盖转录组学、脂质组学、代谢组学和微生物组。 通过采用能够建模非线性生物动态的先进机器学习框架,我们开发并严格验证了一个多组学衰老时钟,该时钟能够稳健地预测多种健康结果和未来的疾病风险。 对多组学整合分子特征的无监督聚类揭示了衰老的不同生物学亚型,显示出衰老轨迹的显著异质性,并指明了与不同衰老模式相关的通路特异性改变。 这些发现展示了多组学整合在解码衰老分子景观方面的力量,并为个性化健康期监测和预防与年龄相关疾病的精准策略奠定了基础。
摘要: Aging is a highly complex and heterogeneous process that progresses at different rates across individuals, making biological age (BA) a more accurate indicator of physiological decline than chronological age. While previous studies have built aging clocks using single-omics data, they often fail to capture the full molecular complexity of human aging. In this work, we leveraged the Human Phenotype Project, a large-scale cohort of 12,000 adults aged 30--70 years, with extensive longitudinal profiling that includes clinical, behavioral, environmental, and multi-omics datasets -- spanning transcriptomics, lipidomics, metabolomics, and the microbiome. By employing advanced machine learning frameworks capable of modeling nonlinear biological dynamics, we developed and rigorously validated a multi-omics aging clock that robustly predicts diverse health outcomes and future disease risk. Unsupervised clustering of the integrated molecular profiles from multi-omics uncovered distinct biological subtypes of aging, revealing striking heterogeneity in aging trajectories and pinpointing pathway-specific alterations associated with different aging patterns. These findings demonstrate the power of multi-omics integration to decode the molecular landscape of aging and lay the groundwork for personalized healthspan monitoring and precision strategies to prevent age-related diseases.
主题: 基因组学 (q-bio.GN) ; 人工智能 (cs.AI)
引用方式: arXiv:2510.12384 [q-bio.GN]
  (或者 arXiv:2510.12384v2 [q-bio.GN] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.12384
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Imran Razzak [查看电子邮件]
[v1] 星期二, 2025 年 10 月 14 日 11:00:51 UTC (3,336 KB)
[v2] 星期六, 2025 年 10 月 18 日 09:17:56 UTC (3,335 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs.AI
q-bio
q-bio.GN

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号