【技术实现步骤摘要】
本专利技术属于肌肉年龄预测，特别涉及人肌肉衰老程度标志物、人肌肉衰老程度预测模型及其构建方法。
技术介绍
1、肌肉组织是人体的主要组成部分，其衰老程度直接影响人体健康状态和生活质量。衰老最显著的影响之一是骨骼肌功能的丧失，而肌节是骨骼肌中最小的功能单位。它是重复单元，每个单元由两条z-lines和若干myosin粗丝和actin细丝组成。尽管肌肉衰老对人体健康和生活质量的影响已经得到了广泛认识，但在肌肉衰老程度的定量分析方面，我们仍然面临着重大挑战。目前，尚缺乏一个具有生物学可解释性，并且能够准确、稳定评估肌肉衰老程度的分析方法。
2、dna甲基化作为一种表观遗传现象，已被证实与生物学年龄预测有关，进而被广泛应用于构建衰老时钟模型(horvath,steve.“dna methylation age of human tissuesand cell types.”genome biology vol.14,10(2013):r115.)。然而，现有的衰老时钟模型主要依赖于血液和其它组织样本，而基于肌肉的衰老时钟模型却相对缺乏。即使存在的肌肉衰老时钟模型(voisin,sarah et al.“an epigenetic clock for human skeletalmuscle.”journal of cachexia,sarcopenia and muscle vol.11,4(2020):887-898)，也仅是通过大规模dna甲基化位点的统计学筛选构建起来的，未能考虑与肌肉功能相关基因联系起来，因此其生物学意
3、因此，现有的技术中尚缺一个基于功能基因甲基化水平分析来实现既稳定又具有生物学上可解释的肌肉衰老量化分析方法。为解决这一问题，我们提出了一种基于运动表现基因及肌节功能基因甲基化水平的肌肉衰老程度的分析方法，构建以功能基因甲基化水平变化分析模型来联系肌肉衰老的生物学机制，以期能更好地预测肌肉的生物学年龄，为实现健康衰老提供一个新的预测工具。
技术实现思路
1、有鉴于此，本专利技术的基于运动表现基因及肌节功能基因甲基化水平的人肌肉衰老程度的分析方法的建立过程包含以下四个部分：
2、一、肌肉样本甲基化数据集的建立
3、我们从geo、arrayexpress等公开数据集大规模筛选健康人肌肉组织的甲基化数据，所选数据来自infinium humanmethylation450 beadchip(450k)和infiniummethylationepic beadchip(epic)两个平台，数据集总结如下：
4、epic:gse154980，gse114763，gse171140，e-mtab-11282；
5、450k:gse48472，gse52576，gse60655，gse61259，gse61452，gse64491，gse69502，gse78743，gse50498，gse87655。
6、全部数据集包含479个肌肉组织样本的甲基化数据。
7、二、肌肉肌节功能性基因筛选
8、actn3基因是肌节上z-line的主要结构基因，除它之外，我们同时选择了其它主要的肌节功能基因进行分析：
9、z-line基因:"actn2","actn3","myot","ldb3","myoz1","des”；
10、myosin(重链)粗线基因:"myh1","myh2","myh3","myh4","myh6","myh7","myh7b","myh8","myh9","myh10","myh11","myh13","myh14","myh15","myh16”；
11、actin细线基因:"acta1"。
12、三、筛选相关基因对应的甲基化位点
13、依据相关基因在dna上的位置，我们共匹配了428个infiniumhumanmethylation450 beadchip(450k)和infinium methylationepic beadchip(epic)共有的428个甲基化位点。
14、四、肌肉衰老时钟模型的建立
15、elastic net模型
16、在弹性网络(elastic net)部分，我们选择了这种模型，因为它结合了l1和l2两种类型的正则化，有助于减少模型复杂度并提高预测性能。我们使用了glmnet包中的cv.glmnet函数，通过10折交叉验证来确定正则化参数lambda的最优值。设置alpha参数为0.5来平衡岭回归(ridge regression)和套索回归(lasso)之间的权重。这种方法不仅能够有效地处理数据中的多重共线性问题，还能够在特征维度较高时进行特征选择，从而避免过度拟合。
17、elastic net模型公式及参数：
18、模型筛选了119个显著的甲基化位点的甲基化水平，预测年龄计算公式为：
19、预测年龄＝intercept+β1*cpg1+β2*cpg2+…+β119*cpg119；其中，intercept为常数项，数值为18.924314457。
20、
21、
22、
23、
24、
25、
26、与现有技术相比，本专利技术具有的有益效果为：
27、1、生物学意义的增强：本专利技术的预测模型以运动表现基因(如actn3)的甲基化水平为基础，与肌肉功能和衰老过程的生物学机制紧密关联。这种方法不仅能够提供肌肉生物学年龄的估计，而且其结果具有高度的生物学可解释性。与依靠统计学筛选的传统衰老时钟模型相比，这一模型能够更好地解释肌肉衰老与相关基因表达之间的关系，从而为研究者和医生提供更为深刻的洞见。
28、2、临床应用的潜力：由于本模型专注于与运动表现密切相关的基因的甲基化水平，其预测的肌肉年龄不仅反映了一般的生物学衰老过程，还涉及到运动表现和肌肉衰老的具体表型。这种关联使得模型能够在个体健康管理和运动训练计划制定中发挥作用，为临床医生提供量化的数据支持和个性化的建议。
29、3、持续监测的可能性：本预测工具适用于长期监测个体的肌肉衰老进程。通过定期测量和分析肌肉组织的甲基化水平，可以追踪肌肉衰老的动态变化，及时发现衰老加速的迹象，并据此调整生活方式或治疗方案。这为临床上对肌肉衰老情况的持续跟踪研究提供了一种新的方法和工本文档来自技高网...
【技术保护点】
1.人肌肉衰老程度标志物，其特征在于，包含119个不同甲基化水平的CpG位点，所述CpG位点不同的甲基化水平对应肌肉的不同衰老程度；
2.如权利要求1所述的人肌肉衰老程度标志物，其特征在于，119个不同甲基化水平的CpG位点来源于如下基因：
3.一种预测人肌肉年龄的试剂或试剂盒，其特征在于，包含能够检测权利要求1所述的119个不同CpG位点的甲基化水平的试剂。
4.一种人肌肉衰老程度的预测模型，其特征在于，所述模型为：
5.根据权利要求4所述的预测模型，其特征在于，特征CpG1-CpG 119对应的权重如下：
6.一种利用权利要求5所述的预测模型预测人肌肉衰老程度的方法，其特征在于，包括：测量人肌肉组织的基因组DNA中119个生物标志物CpG的甲基化水平，并利用权利要求4所述的预测模型来确定肌肉的年龄，与实际年龄进行比较，得到肌肉衰老程度评估结果。
7.如权利要求6所述的方法，其特征在于，所述生物标志物CpG的甲基化水平是通过测定生物样品的基因组中CpG的甲基化水平而测得的，所述生物样品是人的肌肉组织或血液样
8.一种如权利要求4所述的人肌肉衰老程度预测模型的构建方法，其特征在于，包括如下步骤：
9.根据权利要求8所述的预测模型的构建方法，其特征在于，所述特征CpG1-CpG119对应的权重如下：
...【技术特征摘要】
1.人肌肉衰老程度标志物，其特征在于，包含119个不同甲基化水平的cpg位点，所述cpg位点不同的甲基化水平对应肌肉的不同衰老程度；
2.如权利要求1所述的人肌肉衰老程度标志物，其特征在于，119个不同甲基化水平的cpg位点来源于如下基因：
3.一种预测人肌肉年龄的试剂或试剂盒，其特征在于，包含能够检测权利要求1所述的119个不同cpg位点的甲基化水平的试剂。
4.一种人肌肉衰老程度的预测模型，其特征在于，所述模型为：
5.根据权利要求4所述的预测模型，其特征在于，特征cpg1-cpg 119对应的权重如下：
6.一种利用权利要求5所述的预测...
【专利技术属性】
技术研发人员：黄园，杨楠，王文良，
申请(专利权)人：香港量子人工智能实验室有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。