基于信任网络的多中心衰老时钟预测联邦学习框架

衰老时钟量化生物衰老，并有助于刻画个体健康状况。哪些蛋白质相互作用对于构建准确的衰老时钟至关重要？这些相互作用属于零阶还是高阶？回答这些问题需要从分布在各医疗中心的大规模分子数据集中进行学习，但隐私限制阻碍了数据的集中共享。联邦学习提供了一种自然的解决方案，但在这一场景下面临四项挑战：本地样本量有限、中心间信任关系稀疏且具有方向性、既要保留具有判别性的年龄预测能力又要支持结果解释，以及在跨中心异质数据下的模型漂移和遗忘问题。 我们提出TNFL，一种基于信任网络的联邦学习框架，可沿有向成对信任关系逐步传播模型，而无需集中式聚合。TNFL将年龄感知的专家混合模型与生成式重放相结合，以保留先前学习到的信息并减少遗忘和漂移。在多个分子数据集上的实验表明，TNFL能够在本地数据有限的情况下实现有效的衰老时钟预测，提供具有可解释性的年龄依赖型预测模式，并在不同相互作用阶数下保持稳定性能。 为探究相关生物学问题，我们分析了TNFL识别出的成对蛋白质相互作用及其通过功能分析和网络分析呈现的高阶组织结构。所识别的相互作用反复形成跨越多个衰老相关生物系统的协调性高阶子网络，其中若干蛋白质在不同子网络中重复出现。这些发现表明，TNFL能够捕捉超越孤立成对关联的分子关系，并揭示与衰老相关的连贯高阶生物组织结构。