TWM600433U - 細胞年齡檢測系統 - Google Patents
細胞年齡檢測系統 Download PDFInfo
- Publication number
- TWM600433U TWM600433U TW109201532U TW109201532U TWM600433U TW M600433 U TWM600433 U TW M600433U TW 109201532 U TW109201532 U TW 109201532U TW 109201532 U TW109201532 U TW 109201532U TW M600433 U TWM600433 U TW M600433U
- Authority
- TW
- Taiwan
- Prior art keywords
- gene
- cell age
- aging
- detection system
- subjects
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本新型提供一種細胞年齡檢測系統,包括一殼體、一計算機可讀取的儲存媒體以及一個或多個處理單元。處理單元包括第一編碼器以及第二編碼器,第一編碼器用於執行一訓練集訓練程序,接而建立一機器學習演算模組,迴歸受試者的真實年齡,第二編碼器用於執行一測試集預測程序,接而透過機器學習演算模組,預測新受試者的細胞年齡,其中機器學習演算模組包括一隨機森林演算法。本新型細胞年齡檢測系統可精確檢測出細胞年齡,提供合乎實際生理狀態的個人生活健康促進建議,確切達到提升個人健康與對抗老化的目的。
Description
本新型是有關於一種細胞年齡檢測系統。
計算從出生後所經過的時間可以得知每個人的年齡歲數(實足年齡),直至最近,逐漸有人開始提出與實足年齡不同的「潛在年齡」概念,不同於實足年齡的計算方式,潛在年齡是考慮個人所面臨的老化因子所重新決定的身體年齡數值,概略上包含了「細胞年齡」與「生理年齡」兩種說法。「細胞年齡」源自於「細胞老化」的說法與相關研究,在生物學所進行的細胞研究中,長期培育的細胞會產生型態改變,並伴隨代謝減緩與複製下降的情形,稱之為細胞的老化狀態,簡稱「細胞老化」。後續研究發現,此細胞老化狀態可能與DNA末端之特殊結構「端粒」的長度縮短有關。現今坊間的潛在年齡之檢測,並非為生物學研究衍伸之「細胞年齡」檢測,而是以問卷資料為基礎,評估個人生活型態與體能狀況的「生理年齡」檢測。二者之差異在於「生理年齡」檢測所計算得到之年齡歲數,實質為個人生活環境與習慣的評分;而「細胞年齡」檢測才是直接檢測包含端粒等細胞老化狀態,經過演算分析所得到的個人身體細胞老化程度。簡單來說,「生理年齡」比較偏向個人「潛在年齡」之成因評估,而「細胞年齡」則為目前細胞老化狀態的分析結果。因個人「細胞年齡」相當於當前的實際老化狀態之評估,故了解身體的細胞年齡有助於得知個人現在的生理狀態是否有加速老化的趨勢,以期透過調整生活習慣與環境因子等層面做出改善,避免不正常的身體老化速率。
目前的潛在年齡檢測多著重於生理年齡檢測,無法確切得知生活型態或個人生理狀態是否已實際對身體細胞造成危害,或難以量化為年齡歲數與老化指數,而無法具體表示身體的潛在年齡。「細胞年齡」檢測能夠量化評估個人身體目前的實際老化狀態,透過檢測數據的演算分析了解身體的潛在年
齡資訊,具體呈現身體的健康狀態與老化風險,對抗老化所採取的改善對策可對應不同的細胞年齡歲數,提供合乎實際生理狀態的個人生活健康促進建議,確切達到提升個人健康與對抗老化的目的。
然而,習知的細胞年齡檢測方式大多無法精確檢測出細胞年齡,且所需要的費用龐大,無法被一般消費者接受。因此,若能開發出一種新穎之細胞年齡檢測系統,將會造福有此需求的廣大族群並對此領域的技術帶來相當大的突破。
有鑑於此,本新型之目的為提供一種細胞年齡檢測系統,包括一殼體、一計算機可讀取的儲存媒體以及一個或多個處理單元。計算機可讀取的儲存媒體設置於殼體內,並儲存多個程式碼。處理單元設置於殼體內,與計算機可讀取的儲存媒體通訊連接,處理單元包括至少一編碼器,並透過該編碼器來執行程式碼,該一個或多個處理單元包括:一第一編碼器,用於執行一訓練集(training set)訓練程序,包括檢測複數受試者的複數抗老化相關基因的表現量,接而建立一機器學習演算模組,迴歸該些受試者的真實年齡;以及;一第二編碼器,用於執行一測試集(test set)預測程序,包括檢測有別於該些受試者之複數新受試者的該些抗老化相關基因的表現量,接而透過該機器學習演算模組,預測該些新受試者的細胞年齡,其中該機器學習演算模組包括一隨機森林(random forest)演算法。
在本新型的一實施例中,該機器學習演算模組進一步包括一線性迴歸(linear regression)演算法及一支持向量機(support vector machine)演算法。
在本新型的一實施例中,該些抗老化相關基因分別包括一含有TCP1次單元2的伴隨蛋白(chaperonin containing TCP1 subunit 2,CCT2)基因、一含有TCP1次單元5的伴隨蛋白(chaperonin containing TCP1 subunit 5,CCT5)基因、一含有TCP1次單元6A的伴隨蛋白(chaperonin containing TCP1 subunit 6A,CCT6A)基因、一含有TCP1次單元7的伴隨蛋白(chaperonin containing TCP1 subunit 7,CCT7)基因、一含有TCP1次單元8的伴隨蛋白(chaperonin containing TCP1 subunit 8,CCT8)基因、一PTEN誘發激酶(PTEN-induced kinase,Pink)基因、一Parkin基
因、一自噬-相關蛋白質1(Autophagy-related protein 1,Atg1)基因、一自噬-相關蛋白質8(Autophagy-related protein 8,Atg8)基因、一叉頭盒蛋白質O(forkhead box protein O,FOXO)基因、一沉默調節蛋白1(Sirtuin 1,SIRT1)基因、一聚(ADP-核糖)聚合酶1(Poly(ADP-Ribose)Polymerase 1,PARP1)基因、一聚(ADP-核糖)聚合酶2(Poly(ADP-Ribose)Polymerase 2,PARP2)基因、一榖胺醯胺-依賴型NAD(+)合成酶(Glutamine-dependent NAD(+)synthetase,NADSYN)基因、一粒線體核醣體蛋白質S5(mitochondrial ribosomal protein S5,MRPS5)基因、一泛素樣蛋白質5(Ubiquitin-like protein 5,Ubl-5)基因、一超氧化物歧化酶3(superoxide dismutase 3,SOD3)基因、一端粒酶反轉錄酶(telomerase reverse transcriptase,TERT)基因、一端粒酶RNA組分(Telomerase RNA Component,TERC)基因以及一端粒延長解旋酶的調節子1(Regulator of telomere elongation helicase 1,RTEL1)基因。
在本新型的一實施例中,該些受試者及該些新受試者是分別透過抽血而得到一待測樣品。
在本新型的一實施例中,該待測樣品是透過一定量即時聚合酶鏈反應(quantitative real time polymerase chain reaction,qRT-PCR)來檢測該些抗老化相關基因的表現量。
在本新型的一實施例中,在檢測該些受試者的該些抗老化相關基因的表現量之後,該訓練集訓練程序進一步包括一資料庫比對步驟,接而建立該機器學習演算模組,迴歸該些受試者的真實年齡。
在本新型的一實施例中,在檢測有別於該些受試者之該些新受試者的該些抗老化相關基因的表現量之後,該測試集預測程序進一步包括該資料庫比對步驟,接而透過該機器學習演算模組,預測該些新受試者的細胞年齡。
在本新型的一實施例中,該一個或多個處理單元進一步包括一第三編碼器,用於輸出一細胞年齡檢測報告,並同時將該細胞年齡檢測報告儲存至一檢測結果資料庫。
在本新型的一實施例中,該細胞年齡檢測報告包括一報告項目及一報告內容。
在本新型的一實施例中,該報告項目包括一細胞年齡資訊、一細胞老化指數、一老化程度評估結果及一個人健康建議。
綜上所述,本新型細胞年齡檢測系統的功效在於:可精確檢測出細胞年齡,提供合乎實際生理狀態的個人生活健康促進建議,確切達到提升個人健康與對抗老化的目的。
以下將進一步說明本新型的實施方式,下述所列舉的實施例係用以闡明本新型,並非用以限定本新型之範圍,任何熟習此技藝者,在不脫離本新型之精神和範圍內,當可做些許更動與潤飾,因此本新型之保護範圍當視後附之申請專利範圍所界定者為準。
1:細胞年齡檢測系統
11:用戶端計算機裝置
11a:手機
11b:筆記型電腦
11c:桌上型電腦
12:伺服端計算機裝置
12a:伺服器
111、121:計算機可讀取的儲存媒體
112、122:處理單元
113、123:通訊單元
114:顯示單元
115:輸入單元
圖1是細胞年齡檢測系統之較佳實施例的示意圖。
圖2是細胞年齡檢測的處理之較佳實施例的示意圖。
圖3是抗老化相關基因的表現量與人體實際年紀關係之散佈圖。
圖4是訓練集(Training set)訓練規則的示意圖。
圖5測試集(Test set)預測結果的示意圖。
圖6是圖1中用戶端計算機裝置及伺服端計算機裝置的示意圖。
以下將參照相關圖式,說明依據本新型細胞年齡檢測系統的較佳實施例,其中相同的元件將以相同的參照符號加以說明。
本新型細胞年齡檢測系統可精確檢測出細胞年齡,提供合乎實際生理狀態的個人生活健康促進建議,確切達到提升個人健康與對抗老化的目的。以下將以實施例來說明本新型細胞年齡檢測系統的特徵。
請參閱圖1,其為細胞年齡檢測系統(以下簡稱系統1)之較佳實施例的示意圖。系統1包括一用戶端計算機裝置11以及一伺服端計算機裝置12。伺服端計算機裝置12與用戶端計算機裝置11通訊連接,通訊連接的方式例如透過
網路連接。用戶端計算機裝置11與伺服端計算機裝置12進行細胞年齡檢測的處理。
請參閱圖2,其為細胞年齡檢測的處理之較佳實施例的示意圖,圖2之細胞年齡檢測的處理可由一用戶端計算機裝置與一伺服端計算機裝置的處理單元來進行,處理單元包括至少一編碼器,並透過編碼器來實踐細胞年齡檢測。處理單元包括:一第一編碼器,用於執行一訓練集(training set)訓練程序,包括檢測複數受試者的複數抗老化相關基因的表現量,接而建立一機器學習演算模組,迴歸該些受試者的真實年齡;以及一第二編碼器,用於執行一測試集(test set)預測程序,包括檢測有別於該些受試者之複數新受試者的該些抗老化相關基因的表現量,接而透過該機器學習演算模組,預測該些新受試者的細胞年齡,其中該機器學習演算模組包括一隨機森林(random forest)演算法。如圖2所示,第一編碼器及第二編碼器之間彼此通訊連接。
在本實施例中,該機器學習演算模組進一步包括一線性迴歸(linear regression)演算法及一支持向量機(support vector machine)演算法。
在本實施例中,抗老化相關基因(即用於判定細胞年齡的基因)分別包括一含有TCP1次單元2的伴隨蛋白(chaperonin containing TCP1 subunit 2,CCT2)基因、一含有TCP1次單元5的伴隨蛋白(chaperonin containing TCP1 subunit 5,CCT5)基因、一含有TCP1次單元6A的伴隨蛋白(chaperonin containing TCP1 subunit 6A,CCT6A)基因、一含有TCP1次單元7的伴隨蛋白(chaperonin containing TCP1 subunit 7,CCT7)基因、一含有TCP1次單元8的伴隨蛋白(chaperonin containing TCP1 subunit 8,CCT8)基因、一PTEN誘發激酶(PTEN-induced kinase,Pink)基因、一Parkin基因、一自噬-相關蛋白質1(Autophagy-related protein 1,Atg1)基因、一自噬-相關蛋白質8(Autophagy-related protein 8,Atg8)基因、一叉頭盒蛋白質O(forkhead box protein O,FOXO)基因、一沉默調節蛋白1(Sirtuin 1,SIRT1)基因、一聚(ADP-核糖)聚合酶1(Poly(ADP-Ribose)Polymerase 1,PARP1)基因、一聚(ADP-核糖)聚合酶2(Poly(ADP-Ribose)Polymerase 2,PARP2)基因、一榖胺醯胺-依賴型NAD(+)合成酶(Glutamine-dependent NAD(+)synthetase,NADSYN)基因、一粒線體核醣體蛋白質S5(mitochondrial ribosomal protein S5,MRPS5)基因、一泛素樣蛋白質5(Ubiquitin-like protein 5,Ubl-5)基因、一超氧化物歧化酶3
(superoxide dismutase 3,SOD3)基因、一端粒酶反轉錄酶(telomerase reverse transcriptase,TERT)基因、一端粒酶RNA組分(Telomerase RNA Component,TERC)基因以及一端粒延長解旋酶的調節子1(Regulator of telomere elongation helicase 1,RTEL1)基因。
在本實施例中,抗老化相關基因的表現量與人體實際年紀關係之散佈圖顯示於圖3。
在本實施例中,基因資料檢測(Gene profile examination)的實驗方法如下:首先,使用RNA萃取套組(RNA Extraction Kit)(Geneaid)萃取樣品之RNA。接著,使用SuperScript® III反轉錄酶(Reverse Transcriptase)(Invitrogen)將RNA(2000ng)反轉錄為cDNA。之後,使用ABI Step One Plus儀器,透過KAPA SYBR FAST qPCR Kits(2x)(KAPA Biosystems)系統,以qPCR測量目標基因之表現量。接著,分析qPCR反應過程中之解鏈曲線(melting curve),然後使用2-△△CT方法測定基因表達的相對定量。以ACTB的循環閾值(CT)作為內部對照和模擬組之參考基因,按照以下公式計算相對倍數變化:△Ct=Ct目標基因/參考基因-CtACTB,△△Ct=△Ct目標基因-△Ct參考基因,倍數變化=。之後,相對表現量之標準偏差由Excel軟體中的STDEV計算。統計學顯著差異是藉由單尾史徒登氏t-檢定來決定。
在本實施例中,該些受試者及該些新受試者是分別透過抽血而得到一待測樣品。
在本實施例中,該待測樣品是透過一定量即時聚合酶鏈反應(quantitative real time polymerase chain reaction,qRT-PCR)來檢測該些抗老化相關基因的表現量。
在本實施例中,在檢測該些受試者的該些抗老化相關基因的表現量之後,該訓練集訓練程序進一步包括一資料庫比對步驟,接而建立該機器學習演算模組,迴歸該些受試者的真實年齡。
在本實施例中,在檢測有別於該些受試者之該些新受試者的該些抗老化相關基因的表現量之後,該測試集預測程序進一步包括該資料庫比對步驟,接而透過該機器學習演算模組,預測該些新受試者的細胞年齡。
依據本新型,透過以下公式及資訊運算出細胞年齡:(1)演算目標:透過抗老化相關基因表現量了解一個人的年齡,於是本新型利用隨機森林這個演算法,從各抗老化相關基因的表現量迴歸真實的年齡,透過此演算法,反而言之,本新型能透過各抗老化相關基因的表現量推演出一個人的生理狀態靠近哪個年齡層,而本新型稱這個年齡為“細胞年齡”。透過分析3大基因群(共20個基因),導入機器學習中的三種演算法,包含線性迴歸(Linear Regression)、支持向量機(Support Vector Machine)、隨機森林(Random Forest)等運算模組並評估其精準度,在精準度的考量下選擇隨機森林做為細胞年齡預測的演算法(R-squared=0.952379);(2)資料內容:上述16個基因的mRNA表現量及各受試者真實年齡;(3)演算方法:細胞年齡運算為一機器學習概念,例示如下:首先,進行訓練集(Training set)訓練規則,從千名受試者的抗老化相關基因表現量,建立隨機森林(Random Forest)演算法,迴歸至其真實年齡,參見圖4。接著,進行測試集(Test set)預測結果,利用新樣本的基因表現量,預測其細胞年齡,參見圖5。
在本實施例中,一個或多個處理單元進一步包括一第三編碼器,用於輸出一細胞年齡檢測報告,並同時將該細胞年齡檢測報告儲存至一檢測結果資料庫。
在本實施例中,該細胞年齡檢測報告包括一報告項目及一報告內容。
在本實施例中,該報告項目包括一細胞年齡資訊、一細胞老化指數、一老化程度評估結果及一個人健康建議。
舉例來說,用戶端計算機裝置11包括一計算機可讀取的儲存媒體111、一處理單元112、一通訊單元113、一顯示單元114、一輸入單元115、以及一殼體(圖未示),其中計算機可讀取的儲存媒體111、處理單元112、及通訊單元113設置於用戶端計算機裝置11的殼體內。
處理單元112與計算機可讀取的儲存媒體111、通訊單元113、顯示單元114、及輸入單元115通訊連接,配置來執行程序(例如程式碼)以進行如前所述之細胞年齡檢測的處理。處理單元112例如是能執行程序(例如程式碼)的處
理器,用戶端計算機裝置11可包括一個或多個處理器,處理器可包括一個或多個編碼器,並透過編碼器來執行程序(例如程式碼)。計算機可讀取的儲存媒體111包括隨機記憶體或非揮發式計算機可讀取的儲存媒體等,非揮發式計算機可讀取的儲存媒體例如是硬碟、固態硬碟(SSD)、快閃記憶體等,其儲存處理器可執行的程序(例如程式碼),處理單元112可以將程序(例如程式碼)從非揮發式計算機可讀取的儲存媒體載入至隨機記憶體並加以執行。通訊單元113例如是網路卡、網路晶片、數據機等能提供網路連線的裝置。顯示單元114包括顯示卡、顯示晶片、顯示器等,輸入單元115例如是鍵盤、滑鼠或觸控螢幕等。
舉例來說,伺服端計算機裝置12包括一計算機可讀取的儲存媒體121、一處理單元122、一通訊單元123、以及一殼體(圖未示),其中計算機可讀取的儲存媒體121、處理單元122、及通訊單元123設置於伺服端計算機裝置12的殼體內。
處理單元122與計算機可讀取的儲存媒體121以及通訊單元123通訊連接,配置來執行程序(例如程式碼)以進行如前所述之細胞年齡檢測的處理。處理單元122例如是能執行程序(例如程式碼)的處理器,伺服端計算機裝置12可包括一個或多個處理器,處理器可包括一個或多個核心。計算機可讀取的儲存媒體121包括隨機記憶體或非揮發式計算機可讀取的儲存媒體等,非揮發式計算機可讀取的儲存媒體例如是硬碟、固態硬碟(SSD)、快閃記憶體等,其儲存處理器可執行的程序(例如程式碼),處理單元122可以將程序(例如程式碼)從非揮發式計算機可讀取的儲存媒體載入至隨機記憶體並加以執行。通訊單元123例如是網路卡、網路晶片、數據機等能提供網路連線的裝置。
請參閱圖6,其為圖1中用戶端計算機裝置11及伺服端計算機裝置12的示意圖。用戶端計算機裝置11例如是手機11a、筆記型電腦11b、桌上型電腦11c或其他計算機裝置。手機11a、筆記型電腦11b、桌上型電腦11c包括殼體來容置計算機可讀取的儲存媒體111、處理單元112、及通訊單元113,手機11a、筆記型電腦11b的顯示單元114及輸入單元115是安裝在殼體上或殼體內,桌上型電腦11c連接主機以外的顯示單元114及輸入單元115。伺服端計算機裝置12例如是伺服器12a,伺服器12a包括殼體來容置計算機可讀取的儲存媒體121、處理單元122、及通訊單元123。
依據本新型,細胞年齡檢測的處理流程例示如下:1.抽血;2.qPCR檢測mRNA;3.與資料庫比對;4.公式運算;5.導出細胞年齡;6.提供健康建議。整個細胞年齡檢測的檢測流程,分為3大部分,包含mRNA生化檢測、數據分析、報告營養諮詢,首先,在mRNA生化檢測,必須先抽約4~5c.c.的血,接著從抽出來的血萃取出mRNA,再利用qPCR技術檢測檢測基因mRNA的表現量,檢測出20種抗老化相關基因的表現量,接下來,在數據分析的階段,在資料庫中,導入機器學習的隨機森林(Random Forest)演算法,做細胞年齡的迴歸分析,其決定係數為R-squared=0.952379,當R-squared越靠近1.0,代表此演算模組越能解釋全體資料點的變異量。接著,當下一位用戶做此檢測時,檢測抗老化相關基因的表現量,再透過細胞年齡的模組運算其對應的細胞年齡。最後,當用戶取得抗衰老報告書後,將會由醫療院所的醫師及營養師團隊,針對用戶的細胞年齡的結果,提供客製化的營養諮詢及個人化的營養保健或療程方案。
綜上所述,本新型細胞年齡檢測系統可精確檢測出細胞年齡,提供合乎實際生理狀態的個人生活健康促進建議,確切達到提升個人健康與對抗老化的目的。
以上所述僅為舉例性,而非為限制性者。任何未脫離本新型之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
1:細胞年齡檢測系統
11:用戶端計算機裝置
12:伺服端計算機裝置
111、121:計算機可讀取的儲存媒體
112、122:處理單元
113、123:通訊單元
114:顯示單元
115:輸入單元
Claims (10)
- 一種細胞年齡檢測系統,包括:一殼體;一計算機可讀取的儲存媒體,設置於該殼體內,並儲存多個程式碼;以及一個或多個處理單元,設置於該殼體內,與該計算機可讀取的儲存媒體通訊連接,該一個或多個處理單元包括至少一編碼器,並透過該編碼器來執行該些程式碼,該一個或多個處理單元包括:一第一編碼器,用於執行一訓練集(training set)訓練程序,包括檢測複數受試者的複數抗老化相關基因的表現量,接而建立一機器學習演算模組,迴歸該些受試者的真實年齡;以及一第二編碼器,用於執行一測試集(test set)預測程序,包括檢測有別於該些受試者之複數新受試者的該些抗老化相關基因的表現量,接而透過該機器學習演算模組,預測該些新受試者的細胞年齡,其中該機器學習演算模組包括一隨機森林(random forest)演算法。
- 如申請專利範圍第1項所述的細胞年齡檢測系統,其中該機器學習演算模組進一步包括一線性迴歸(linear regression)演算法及一支持向量機(support vector machine)演算法。
- 如申請專利範圍第1項所述的細胞年齡檢測系統,其中該些抗老化相關基因分別包括一含有TCP1次單元2的伴隨蛋白(chaperonin containing TCP1 subunit 2,CCT2)基因、一含有TCP1次單元5的伴隨蛋白(chaperonin containing TCP1 subunit 5,CCT5)基因、一含有TCP1次單元6A的伴隨蛋白(chaperonin containing TCP1 subunit 6A,CCT6A)基因、一含有TCP1次單元7的伴隨蛋白(chaperonin containing TCP1 subunit 7,CCT7)基因、一含有TCP1次單元8的伴隨蛋白(chaperonin containing TCP1 subunit 8,CCT8)基因、一PTEN誘發激酶(PTEN-induced kinase,Pink)基因、一Parkin基因、一自噬-相關蛋白質1 (Autophagy-related protein 1,Atg1)基因、一自噬-相關蛋白質8(Autophagy-related protein 8,Atg8)基因、一叉頭盒蛋白質O(forkhead box protein O,FOXO)基因、一沉默調節蛋白1(Sirtuin 1,SIRT1)基因、一聚(ADP-核糖)聚合酶1(Poly(ADP-Ribose)Polymerase 1,PARP1)基因、一聚(ADP-核糖)聚合酶2(Poly(ADP-Ribose)Polymerase 2,PARP2)基因、一榖胺醯胺-依賴型NAD(+)合成酶(Glutamine-dependent NAD(+)synthetase,NADSYN)基因、一粒線體核醣體蛋白質S5(mitochondrial ribosomal protein S5,MRPS5)基因、一泛素樣蛋白質5(Ubiquitin-like protein 5,Ubl-5)基因、一超氧化物歧化酶3(superoxide dismutase 3,SOD3)基因、一端粒酶反轉錄酶(telomerase reverse transcriptase,TERT)基因、一端粒酶RNA組分(Telomerase RNA Component,TERC)基因以及一端粒延長解旋酶的調節子1(Regulator of telomere elongation helicase 1,RTEL1)基因。
- 如申請專利範圍第1項所述的細胞年齡檢測系統,其中該些受試者及該些新受試者是分別透過抽血而得到一待測樣品。
- 如申請專利範圍第4項所述的細胞年齡檢測系統,其中該待測樣品是透過一定量即時聚合酶鏈反應(quantitative real time polymerase chain reaction,qRT-PCR)來檢測該些抗老化相關基因的表現量。
- 如申請專利範圍第1項所述的細胞年齡檢測系統,其中在檢測該些受試者的該些抗老化相關基因的表現量之後,該訓練集訓練程序進一步包括一資料庫比對步驟,接而建立該機器學習演算模組,迴歸該些受試者的真實年齡。
- 如申請專利範圍第6項所述的細胞年齡檢測系統,其中在檢測有別於該些受試者之該些新受試者的該些抗老化相關基因的表現量之後,該測試集預測程序進一步包括該資料庫比對步驟,接而透過該機器學習演算模組,預測該些新受試者的細胞年齡。
- 如申請專利範圍第7項所述的細胞年齡檢測系統,其中該一個或多個處理單元進一步包括一第三編碼器,用於輸出一細胞年齡檢測報告,並同時將該細胞年齡檢測報告儲存至一檢測結果資料庫。
- 如申請專利範圍第8項所述的細胞年齡檢測系統,其中該細胞年齡檢測報告包括一報告項目及一報告內容。
- 如申請專利範圍第9項所述的細胞年齡檢測系統,其中該報告項目包括一細胞年齡資訊、一細胞老化指數、一老化程度評估結果及一個人健康建議。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109201532U TWM600433U (zh) | 2020-02-12 | 2020-02-12 | 細胞年齡檢測系統 |
CN202110176480.7A CN113257344A (zh) | 2020-02-12 | 2021-02-09 | 细胞状态评估模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109201532U TWM600433U (zh) | 2020-02-12 | 2020-02-12 | 細胞年齡檢測系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM600433U true TWM600433U (zh) | 2020-08-21 |
Family
ID=73004769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109201532U TWM600433U (zh) | 2020-02-12 | 2020-02-12 | 細胞年齡檢測系統 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113257344A (zh) |
TW (1) | TWM600433U (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838531B (zh) * | 2021-09-19 | 2024-03-29 | 复旦大学 | 一种基于转录组数据和机器学习策略评估细胞衰老程度的方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7908090B2 (en) * | 2005-11-30 | 2011-03-15 | The Board Of Trustees Of The Leland Stanford Junior University | Signatures for human aging |
US20100324943A1 (en) * | 2009-06-19 | 2010-12-23 | Genowledge Llc | Genetically predicted life expectancy and life insurance evaluation |
CN106202989B (zh) * | 2015-04-30 | 2018-12-21 | 中国科学院青岛生物能源与过程研究所 | 一种基于口腔微生物群落获得儿童个体生物年龄的方法 |
CN106548435A (zh) * | 2015-09-22 | 2017-03-29 | 联邦应用基因股份有限公司 | 细胞年龄分析整合系统 |
CN110392740A (zh) * | 2017-01-25 | 2019-10-29 | 深圳华大生命科学研究院 | 确定人群样本生物指标集、预测生物学年龄的方法及其应用 |
WO2018170289A1 (en) * | 2017-03-15 | 2018-09-20 | The Trustees Of Columbia University In The City Of New York | Methods of determining differential aging and genetic modifiers of genes correlated with a genotype of interest |
CN107169454B (zh) * | 2017-05-16 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
US10325673B2 (en) * | 2017-07-25 | 2019-06-18 | Insilico Medicine, Inc. | Deep transcriptomic markers of human biological aging and methods of determining a biological aging clock |
CN109833358A (zh) * | 2017-11-28 | 2019-06-04 | 大江生医股份有限公司 | 刺梨萃取物用于制备细胞回春组合物的用途 |
WO2019112366A1 (ko) * | 2017-12-07 | 2019-06-13 | 서울대학교 산학협력단 | 생체인식 연령 예측 모델 생성 방법 및 장치 |
WO2019147725A1 (en) * | 2018-01-23 | 2019-08-01 | Spring Discovery, Inc. | Methods and systems for determining the biological age of samples |
KR102106428B1 (ko) * | 2018-02-19 | 2020-05-06 | 주식회사 셀바스에이아이 | 건강나이 예측 방법 |
EP3791181A4 (en) * | 2018-05-07 | 2022-02-23 | Technion Research & Development Foundation Limited | IMMUNAGE AND ITS USE |
CN109234358B (zh) * | 2018-08-30 | 2022-01-25 | 夏茂 | 一种端粒信息编码方法 |
-
2020
- 2020-02-12 TW TW109201532U patent/TWM600433U/zh unknown
-
2021
- 2021-02-09 CN CN202110176480.7A patent/CN113257344A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN113257344A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | Phenome-wide heritability analysis of the UK Biobank | |
Atkinson et al. | The percentage flow-mediated dilation index: a large-sample investigation of its appropriateness, potential for bias and causal nexus in vascular medicine | |
Casals-Pascual et al. | Microbial diversity in clinical microbiome studies: sample size and statistical power considerations | |
Phillips et al. | Self-determination theory and motivational interviewing interventions for type 2 diabetes prevention and treatment: a systematic review | |
Wan | Analyzing pre-post randomized studies with one post-randomization score using repeated measures and ANCOVA models | |
Habibi et al. | Optimization of the ANFIS using a genetic algorithm for physical work rate classification | |
Tu et al. | Statistical power for analyses of changes in randomized controlled trials | |
Sen et al. | Correlating eligibility criteria generalizability and adverse events using Big Data for patients and clinical trials | |
Laake et al. | Statistical inference | |
Groer et al. | Relationship of anxiety, inflammation, and telomere length in postpartum women: A pilot study | |
Kivimäki et al. | Estimating dementia risk using Multifactorial prediction models | |
Mengelkoch et al. | Multi-omics approaches in psychoneuroimmunology and health research: conceptual considerations and methodological recommendations | |
Hammer et al. | Prescribed walking for glycemic control and symptom management in patients without diabetes undergoing chemotherapy | |
TWM600433U (zh) | 細胞年齡檢測系統 | |
Prataviera et al. | The exponentiated power exponential regression model with different regression structures: application in nursing data | |
Huang et al. | Promoting similarity of model sparsity structures in integrative analysis of cancer genetic data | |
Koskela et al. | Longitudinal HRQoL shows divergent trends and identifies constant decliners in asthma and COPD | |
Shah et al. | Using aggregate vasoactive-inotrope scores to predict clinical outcomes in pediatric sepsis | |
Charalambous et al. | Preliminary validation and reliability of the Short Form Chronic Respiratory Disease Questionnaire in a lung cancer population | |
Ghidey et al. | Modelling the effect of baseline risk in meta-analysis: a review from the perspective of errors-in-variables regression | |
Ma et al. | Analysis of risk factors of metabolic syndrome using a structural equation model: a cohort study | |
Hu et al. | Statistical methods for meta-analysis of microarray data: a comparative study | |
US20230260659A1 (en) | Method for a predictive prognosis of the onset of a cardiovascular disease | |
Su et al. | Analyzing survival curves at a fixed point in time for paired and clustered right-censored data | |
Gray et al. | A non-exercise method to determine cardiorespiratory fitness identifies females predicted to be at ‘high risk’of type 2 diabetes |