C-PFAIAI aging clocks, biological age prediction, multi-omics
0-100 chain-logic scale · 15 dimensions · scored on public evidence
Оценить биологический возраст с использованием практических биометрических показателей в клинических условиях.
Биометрические часы старения на основе AI, разработанные для использования с клиническими измерениями.
Публикация 2025 года описывает биометрические часы старения для практического клинического применения; Biometric Age указан как коммерчески доступные часы старения Deep Longevity.
Предсказывать биологический возраст на основе показателей крови и предоставлять персонализированные сведения о здоровье для профилактической помощи и раннего вмешательства.
Модель AI-часов старения, использующая биохимические показатели крови или переменные стандартного анализа крови.
Указана как коммерчески доступные часы старения Deep Longevity; родственные модели биологического возраста по крови оценивались в когортах пациентов гериатрической реабилитации и продольных когортах взрослых.
Биологический возраст по показателям крови был связан с физической активностью и хрупкостью у стационарных пациентов гериатрической реабилитации, а разница биологического возраста предсказывала смертность и госпитализацию в продольной когорте взрослых.
Разработать биологические часы старения на основе метилирования с использованием глубокого обучения.
Модель глубокого обучения, обученная на данных о метилировании ДНК.
Опубликованы в 2020 году как часы старения на основе метилирования, разработанные с использованием глубокого обучения.
Оценить биологический возраст на основе эпигенетических данных и связать образ жизни или факторы окружающей среды с эпигенетическим старением.
Анализ methylation aging clock с использованием AI на основе данных DNA или эпигенетических входных данных.
Указан как коммерчески доступный aging clock от Deep Longevity; связанные публикации включают DeepMAge и исследование 2023 года о влиянии стресса, питания, физических упражнений и эпигенетического возраста.
DeepMAge был разработан как aging clock метилирования на основе deep learning; изучалось влияние факторов окружающей среды, включая стресс, питание и физические упражнения, на эпигенетический возраст.
Систематизировать структурированную информацию о терапевтических вмешательствах при старении и возрастных заболеваниях.
Структурированная база данных современных геропротекторных вмешательств.
В публикации 2015 года Geroprotectors.org описывается как структурированная и курируемая база данных.
Прогнозирование сигналов, связанных со старением, по таксономическим профилям микробиома кишечника человека.
Часы старения на основе глубокого обучения и таксономического профилирования микробиома.
Указан среди публикаций, связанных с Deep Longevity, как проект 2020 года по созданию часов старения на основе микробиома кишечника человека.
Выявить и ранжировать потенциальные geroprotective drugs, имитирующие сигнальное состояние молодого здорового организма.
Компьютерный скрининг и ранжирование signalome-level mimetics с последующей валидацией in vitro.
Публикации 2014 и 2016 годов описывают computational screening и in vitro validation потенциальных geroprotectors.
Прогнозировать психологическое или субъективное старение и формировать персонализированные рекомендации по психическому здоровью или благополучию.
Модели ИИ для определения возраста используют данные психологических опросов и самоорганизующиеся карты для выявления паттернов эмоциональной стабильности.
Указаны как коммерчески доступные часы старения Deep Longevity; в связанных публикациях описаны PsychoAge, SubjAge, факторы психологического старения и оптимизация благополучия на основе ИИ.
Сообщалось, что психологические факторы в значительной степени способствуют биологическому старению; PsychoAge и SubjAge были разработаны как глубокие маркеры психологического и субъективного возраста.
Разработать неинвазивные визуальные биомаркеры старения на основе фотографий.
Алгоритмы глубокого обучения, применяемые к визуальным признакам, связанным со старением, в сотрудничестве с Haut.AI.
В публикации 2018 года PhotoAgeClock описывается как проект неинвазивных визуальных биомаркеров — часов старения.
Измерить психологический и субъективный возраст с помощью маркеров, полученных с использованием ИИ.
Модели глубокого обучения с использованием признаков, полученных из психологических и субъективных опросов.
Опубликовано в 2020 году как глубокие маркеры психологического и субъективного возраста.
В рамках проекта были разработаны PsychoAge и SubjAge как маркеры психологического и субъективного возраста, полученные с использованием ИИ.
Предоставление отчетов о биологическом возрасте и сводных отчетов о состоянии здоровья на основе SaaS с использованием нескольких типов входных данных.
SaaS-платформа, применяющая модели часов старения к данным крови, ДНК, микробиома и психологических опросов.
Указана как SaaS-платформа Deep Longevity для прогнозирования биологического возраста и подготовки сводных отчетов о состоянии здоровья.
Предоставить расширенную SaaS-платформу для прогнозирования биологического возраста и составления отчетов о состоянии здоровья.
SaaS-платформа, использующая мультимодальные данные, включая анализы крови, ДНК, микробиом и психологические опросы.
Указана как SaaS-платформа Deep Longevity наряду с SenoClock.