我们的微生物群落(生活在我们体内，周围和周围的微生物的复杂群落)受我们饮食，习惯，环境和基因的影响，并且已知会随着年龄而变化。反过来，众所周知，我们的微生物群组成，特别是在肠道中，对我们的健康有影响。例如，肠道微生物组组成与炎症性肠病，自身免疫性疾病，肥胖症甚至神经系统疾病如自闭症有关。

给定一个微生物样本(皮肤，口腔或粪便拭子)，研究人员证明他们现在可以使用机器学习以不同的准确性来预测一个人的年代。皮肤样本可提供最准确的预测，正确估计时间约为3.8年，而口服样本为4.5年，粪便样本为11.5年。与老年人(60岁及以上)的比较微生物组相比，生活在年轻人(18至30岁)的口腔或肠道内部的微生物种类往往更加多样化和丰富。

mSystems在2020年2月11日发表的一篇论文中对这种预测工具进行了描述，该工具是加利福尼亚大学圣地亚哥分校的研究人员与IBM合作开发的。

共同资深作者之一镇江说：“这种将微生物与年龄相关联的新能力将有助于我们进一步研究微生物在衰老过程和与年龄有关的疾病中所起的作用，并使我们能够更好地测试针对微生物组的潜在治疗性干预措施。”徐泽ch博士，在研究时曾是加州大学圣地亚哥分校医学院实验室的博士后研究员，共同资深作家罗伯·奈特博士，加州大学圣地亚哥分校中心教授兼所长用于微生物组创新。

该团队的最终目标是创建类似的机器学习模型，以关联微生物组和临床状况，例如自身免疫状况中的炎症。这种方法有一天可能会成为基于非侵入性微生物组的测试的基础，该测试可能有助于临床医生更好地诊断或评估患者患病的风险。

在2014年的一项研究中，华盛顿大学的研究人员比较了“微生物年龄”(即粪便微生物组预测的年龄)和生命最初几个月营养不良婴儿的实际年龄。研究人员指出，时间和微生物年龄之间的差异与儿童的发育成熟程度有关。在这项新研究中，加州大学圣地亚哥分校的研究人员将这一想法更进一步，以查看这种关联是否适用于成年人，以及其推广到其他身体部位的程度。

Xu认为，良好的统计模型最重要的要求之一是要有大样本量和有代表性的种群。为此，研究人员挖掘了一些公民科学项目(例如美国肠道项目)的公共数据库中提供的微生物组测序数据，参与者通过粪便，唾液或皮肤拭子邮寄，接收个性化的微生物组读数并匿名化。数据发送给科学界。

该研究依赖于来自美国和中国的4,434份粪便样本，来自美国，加拿大，英国和坦桑尼亚的2,550份唾液样本以及来自美国和英国的1,975份皮肤样本。研究中使用的数据参与者年龄不同年龄介于18至90岁之间，体重指数为18.5至30，没有炎症性肠病或糖尿病，并且在采样前至少一个月未使用抗生素。该研究还排除了怀孕，住院，残疾或重症患者。

奈特实验室和加州大学圣地亚哥分校微生物学创新中心的博士后研究员，第一作者史煌博士说：“这是迄今为止对微生物组和年龄的最全面的研究。”

研究小组发现肠道微生物组结果存在性别差异，但是就口腔和皮肤微生物组结果而言，男性和女性之间没有差异。尽管存在于人体不同部位的微生物种类繁多，但是从前额还是从手上采集皮肤样本也没有区别，这意味着未来的皮肤微生物组研究可以通过结合采集部位和性别来提高其统计能力。

研究人员说，生活在我们皮肤上的微生物随着年龄的增长而持续变化的潜在原因之一是由于每个人都经历了可预见的皮肤生理变化，例如血清生成减少和干燥度增加。

“我们的结果的准确性证明了应用机器学习和人工智能技术更好地了解人类微生物组的潜力，”合着《健康生活人工智能计划》项目负责人Ho-Cheol Kim博士说。 IBM AI Horizo​​ns Network下IBM Research和UC San Diego之间的合作。“将该技术应用于未来的微生物组研究可以帮助深入了解微生物组如何影响我们的整体健康与从神经病学到心血管疾病和免疫健康的各种疾病之间的相关性。”

加州大学圣地亚哥分校微生物学创新中心生物信息整合副主任YoshikiVázquez-Baeza博士说，年龄预测是一种训练预测模型的极具吸引力的方法，因为参与者不需要满足特殊的要求。成为样本捐赠者的标准，并且评估年龄通常不需要去医院。

Vázquez-Baeza说：“其他针对一种特定疾病的研究，例如炎症性肠病，往往很难吸引到足够的符合研究标准的参与者，并且愿意参加以得出有意义的结论。” “但是在这里，年龄预测的广泛适用性使我们能够以前所未有的规模探索微生物建模的极限。”

奈特说：“学习如何创建准确，可靠的基于微生物组的模型将为许多生物技术应用打开方便之门，并帮助我们更好地了解某些细菌与感兴趣的结果之间的关系。”