کاهش پیری به دینامیک یک متغیر، مدل کمی پیری را در قالب معادله تصادفی می‌سازد. (1) از رفر. 18 و این مطالعه با پیشنهادهای قبلی برای استخراج مرگ و میر از پویایی یک حالت فیزیولوژیکی متمایز است58،59. چنین مدل‌هایی استعاره‌های ریاضی از پیاده‌روی‌های تصادفی در فضاهای با ابعاد بسیار بالا هستند و بنابراین تفسیر یا استنتاج از سیگنال‌های بیولوژیکی بدون مفروضات اضافی ممکن است دشوار باشد. ما معتقدیم که انتقادپذیری یک مشاهده نظری مفید است و یادگیری عمیق یک ابزار عملی عالی است که ممکن است با هم برای ساده‌سازی شناسایی پارامترهای مدل و روابط آنها با ویژگی‌های ارگانیسم استفاده شود. توجه می کنیم که توضیح قانون مرگ و میر گومپرتز اثبات کافی برای نظریه پیری نیست. تطبیق دینامیک طولی تصادفی شاخص‌های فیزیولوژیکی با پیش‌بینی مدل، چالش بسیار سخت‌تری است و باید به عنوان ابزاری مؤثر برای اعتبارسنجی مدل استفاده شود.

گلیکوزید سیستانچ همچنین می تواند فعالیت SOD را در بافت های قلب و کبد افزایش دهد و به طور قابل توجهی محتوای لیپوفوسین و MDA را در هر بافت کاهش دهد و به طور موثر رادیکال های مختلف اکسیژن فعال (OH-، H2O2 و غیره) را از بین ببرد و از آسیب DNA ناشی از آن محافظت کند. توسط رادیکال های OH گلیکوزیدهای فنیل اتانوئید سیستانچ دارای توانایی مهار قوی رادیکال های آزاد، توانایی کاهش بالاتری نسبت به ویتامین C، بهبود فعالیت SOD در سوسپانسیون اسپرم، کاهش محتوای MDA و اثر محافظتی خاصی بر عملکرد غشای اسپرم هستند. پلی ساکاریدهای سیستانچ می توانند فعالیت SOD و GSH-Px را در گلبول های قرمز و بافت ریه موش های آزمایشگاهی مسن ناشی از D-گالاکتوز افزایش دهند و همچنین محتوای MDA و کلاژن را در ریه و پلاسما کاهش دهند و محتوای الاستین را افزایش دهند. اثر پاک کنندگی خوب بر روی DPPH، طولانی شدن زمان هیپوکسی در موش های پیر، بهبود فعالیت SOD در سرم، و به تاخیر انداختن انحطاط فیزیولوژیکی ریه در موش های آزمایشگاهی پیر. و این پتانسیل را دارد که دارویی برای پیشگیری و درمان بیماری های پیری پوست باشد. در عین حال، اکیناکوزید موجود در سیستانچ توانایی قابل توجهی در از بین بردن رادیکال های آزاد DPPH دارد و توانایی حذف گونه های فعال اکسیژن و جلوگیری از تخریب کلاژن ناشی از رادیکال های آزاد را دارد و همچنین اثر ترمیم خوبی بر آسیب آنیون رادیکال آزاد تیمین دارد.

روی Cistanche Powder Bulk کلیک کنید

【برای اطلاعات بیشتر: david.deng@wecistanche.com / WhatApp:86 13632399501】

dFI به طور تصاعدی با افزایش سن با نرخ مشخصه دو برابر شدن {0}}} در هفته افزایش یافت. این تخمین تا حدودی کوچکتر از (اما همچنان از همان ترتیب) نرخ شتاب مرگ و میر گومپرتز 0.037 در هفته برای سویه SWR/J است. با توجه به نرخ دو برابر شدن dFI مشاهده شده در موش، t ~ 3 و در نتیجه تغییرات فنوتیپی قطعی با ضریب 3 بر اثرات تصادفی غالب است (به معادله (2) و شکل 3 مراجعه کنید.

جالب‌تر اینکه در مجموعه داده مقطعی، dFI در یک مقدار محدود اشباع شده است که در سن مربوط به میانگین طول عمر در گروه به دست می‌آید. با این حال، مشاهده کردیم که سقف dFI مطابق با سطوح dFI در گروه‌های حیواناتی است که برای اتانازی برنامه‌ریزی شده‌اند، به دلیل عوارض بیش از حد تحت پروتکل‌های آزمایشگاهی فعلی، که به همان اندازه به مرگ ناشی از علل طبیعی نزدیک است که حیوانات در یک آزمایشگاه مدرن می‌توانند باشند.

هر دو ویژگی مسیرهای پیری در MPD با راه حل های تحلیلی معادله سازگار هستند. (1) برای پویایی پارامتر سفارش. در مرجع. 18، توضیح دادیم که در اوایل زندگی dFI به طور تصاعدی افزایش می یابد (به معادله (2) مراجعه کنید). در سنی که تقریباً با میانگین طول عمر در جمعیت مطابقت دارد، تأثیرات غیرخطی دینامیک dFI را تحت تأثیر قرار می دهد و حالت ارگانیسم حتی سریعتر از حالت نمایی از حالت جوانی خود منحرف می شود. چنین وضعیتی با بقا ناسازگار است و از این رو نمی توان در داده ها مشاهده کرد. در مدل و آزمایش ما، زمانی که به حداکثر سطح dFI در نقطه‌ای از تاریخ زندگی حیوان رسید، مرگ به سرعت اتفاق می‌افتد.

معادله تصادفی (1) "قانون حرکت" را برای وضعیت فیزیولوژیکی ارگانیسم ایجاد می کند و کاهش مرگ و میر در اواخر عمر را به شکل اشباع مرگ و میر در سطح فلات، Mðt ≫ tÞ ≈ پیش بینی می کند. رابطه پیش‌بینی‌شده بین مرگ‌ومیر محدود و زمان دو برابر شدن میزان مرگ و میر در گونه‌های مختلف60 و آزمایش‌ها در شرایط چندگانه در یک گونه، مانند نماتدها42. در اینجا ما اعتبار پیش‌بینی محدودکننده مرگ و میر را در گروه‌های بسیار بزرگ موش از مرجع گزارش می‌کنیم. 25.

توافق نیمه کمی خوب بین منحنی‌های مرگ‌ومیر تجربی در آزمایش‌های بزرگ و پیش‌بینی نظری، آزمونی مستقل و حساس از مدل پیری در شرایط بحرانی را به‌عنوان چارچوب نظری ارائه‌شده در اینجا برای تجزیه و تحلیل داده‌ها در آزمایش‌های مربوط به حیوانات پیر ارائه می‌دهد. به طور خاص، تأیید تجربی برای پیش‌بینی کاهش مرگ و میر در اواخر عمر معادله تصادفی پایه را تأیید می‌کند. (1) و ارتباط بین راه حل آن به شکل dFI و مرگ و میر همه علل. ما همچنین توجه می کنیم که کاهش تلفات در مدل از ماهیت تصادفی دینامیک پارامتر ترتیب ناشی می شود و باید حتی در گروهی از حیوانات از نظر ژنتیکی یکسان انتظار داشت (به بحث در رفرنس 61 مراجعه کنید).

انحراف از قانون گومپرتز در گروه‌های انسانی نیز رخ می‌دهد، اما در سنینی که از میانگین طول عمر فراتر می‌روند، زمانی که مرگ‌ومیر در حال حاضر بسیار فراتر از حد نظری مربوط به نرخ دو برابر شدن نرخ مرگ و میر تقریباً یک مرتبه بزرگی است. این بدان معنی است که ویژگی پویایی حالت ارگانیسم در سیر پیری انسان از نظر کیفی با موش یا نماتد متفاوت است. در مرجع. 5، مشاهده کردیم که نوسانات شاخص های فیزیولوژیکی در انسان نیز تحت سلطه یک متغیر جمعی است که با یک زمان همبستگی خودکار نسبتاً طولانی اما محدود (در محدوده چند هفته) و مرتبط با سن و مرگ و میر ناشی از همه علل مشخص می شود. تعداد افرادی که علائم از دست دادن پایداری دینامیکی را نشان می‌دهند (اندازه‌گیری شده با زمان‌های همبستگی خودکار بسیار طولانی) با افزایش سن به‌طور تصاعدی افزایش می‌یابد، با نرخی که با نرخ دو برابر شدن مرگ‌ومیر مطابق با قانون مرگ و میر گومپرتز مطابقت دارد.

رابطه نزدیک بین ویژگی‌های همبستگی خودکار متغیرهای حالت فیزیولوژیکی و علائم بارز پیری نشان می‌دهد که تجزیه و تحلیل AR که با یادگیری عمیق تقویت شده است ممکن است به کشف نشانه‌های پیری انسان و پیشرفت بیماری مزمن کمک کند. این مزیت ممکن است به ویژه در مطالعاتی که شامل مجموعه‌های بزرگی از اندازه‌گیری‌های طولی است، اما اغلب فاقد اطلاعات بعدی درباره مرگ و میر و عوارض است، بسیار زیاد باشد. در حالی که علائم بارز پیری در موش ها همبسته و در درجه اول برگشت پذیر است، بخش بزرگی از تغییرات فیزیولوژیکی مرتبط با پیری در انسان تصادفی است و ممکن است از نظر ترمودینامیکی برگشت ناپذیر باشد. بنابراین، ما انتظار داریم که کاربرد سیستماتیک اصول نظریه سیستم‌های پویا برای تجزیه و تحلیل داده‌های زیست پزشکی به شناسایی فنوتیپ‌های عملی پیری کمک کند و در نتیجه کشف و توسعه درمان‌های ضد پیری را تسهیل کند که اثرات جوان‌سازی پایداری ایجاد می‌کنند.

مواد و روش ها

مجموعه داده ها

مجموعه داده های آموزشی از 9 منبع داده موجود در MPD19 تهیه شده است. فهرستی از منابع گنجانده شده در داده های تکمیلی 1 با ارجاع به سوابق گنجانده شده و گمشده که بر اساس گروه های جنسی و سنی گروه بندی شده اند، ارائه شده است. ما از سنجش‌هایی استفاده کردیم که فقط داده‌های CBC را ارائه می‌کردند، سنجش با نشانگرهای زیستی دیگر به دلیل تعداد ناکافی نمونه در نظر گرفته نشد. مدل ما با استفاده از بهترین همپوشانی ویژگی‌های CBC موجود از همه منابع آموزش داده شد. لیست نهایی شامل 12 ویژگی CBC بود: تفاوت گرانولوسیت ها (GR درصد)، تعداد گرانولوسیت ها (GR)، هموگلوبین (HB)، هماتوکریت (HCT درصد)، تفاوت لنفوسیت ها (LY درصد)، تعداد لنفوسیت ها (LY)، میانگین محتوای هموگلوبین بدن ( MCHC)، میانگین غلظت هموگلوبین (MCH)، میانگین حجم سلولی (MCV)، تعداد پلاکت (PLT)، تعداد گلبول های قرمز (RBC) و تعداد گلبول های سفید (WBC). برای لیست تمام اختصارات به داده های تکمیلی 2 مراجعه کنید. اگر منبع داده فاقد اندازه‌گیری گرانولوسیت بود، با استفاده از فرمول‌های زیر بازیابی شد:

تمام حیوانات با یک یا چند پارامتر از دست رفته از آموزش حذف شدند. درصد سوابق حذف شده بود<2% and should not have affected the results.

حیوانات

تمام آزمایش‌های حیوانی توسط کمیته مراقبت و استفاده از حیوانات موسسه سرطان رازول پارک یا کمیته استفاده از حیوانات Explora BioLabs، Inc تأیید شد.

ما موش‌های نر و ماده سوئیسی NIH 4–5- را از آزمایشگاه‌های چارلز ریور (ویلمینگتون، MA) دریافت کردیم. آنها اجازه داشتند در مرکز حیوانات مرکز جامع سرطان پارک رازول (RPCCC) پیر شوند. در طول این مدت موش‌ها 1 تا 3 عدد در هر قفس قرار گرفتند و با غذای استاندارد تغذیه شدند (تکلند جهانی 18 درصد پروتئین جوندگان). نمونه های خون در سنین مختلف به عنوان بخشی از ایجاد PFI3 به دست آمد. نمونه‌های خون از یک خونریزی سیاهرگ زیر فکی منفرد در لوله‌های Vacutainer تیمار شده با EDTA (حجم کلی 20 ul) جمع‌آوری شد و برای شمارش سلول‌های کل خون و اندازه‌گیری گلوکز با استفاده از آنالایزر Hemavet 950 (Drew Scientific) استفاده شد. 75 ul دیگر خون در لوله‌های جداکننده پلاسما تحت درمان با لیتیوم هپارین جمع‌آوری شد. پلاسما با سانتریفیوژ در 5000 × گرم به مدت 5 دقیقه خالص شد و برای اندازه گیری غلظت سیتوکین های پیش التهابی و تری گلیسیرید در گردش استفاده شد.

مجموعه داده MA0071 در یک آزمایش مقطعی با استفاده از موش‌های نر و ماده سوئیس NIH ساخته شد. خون از موش های نر در سنین 26 (n=20)، 64 (n=18)، 78 (n=17)، 92 (n=14)، جمع آوری شد. و 132 (n=6) هفته. گروه های سنی زن با سنین 30 (n=20)، 56 (n=20)، 68 (n=19)، 82 (n=19)، 95 سال نشان داده شدند. (n=18)، 108 (n=20)، و 136 (n=7) هفته. مجموعه داده MA0072 از یک آزمایش طولی به دست آمد. نمونه خون در سنین 66 (n=27)، 81 (n=22)، 94 (n=21)، 109 (n=16) و 130 سال جمع آوری شد. (n=7) هفته. مجموعه داده MA0073 شامل نمونه‌های خونی است که از 97 موش نر و 127 موش ماده در سنین مختلف جمع‌آوری شده است، زمانی که حیوانات به نقاط پایانی آزمایشی تایید شده و نیاز به اتانازی انسانی نیاز داشتند. تمام مراحل حیوانی طبق پروتکل تایید شده مراقبت از حیوانات و کمیته استفاده (IACUC) انجام شد. موش ها روزانه برای ایجاد آسیب شناسی های مرتبط با سن تحت نظر قرار گرفتند. هر زمان که مسائل بهداشتی گزارش می شد، کارکنان تحقیقاتی با کارکنان دامپزشک تماس می گرفتند و توصیه های آنها را برای درمان یا اتانازی دنبال می کردند. موش ها تا زمانی که به نقطه پایانی برای هر وضعیت بهداشتی که در پروتکل توضیح داده شده بود، بهبود یابد یا معدوم شود، تحت درمان قرار گرفتند. اتانازی با خفگی CO2 و سپس دررفتگی دهانه رحم انجام شد. برای تعداد کل حیوانات در این مجموعه داده ها به داده های تکمیلی 3 مراجعه کنید.

موش های ماده p16/INK4a-LUC (p{3}}Luc) در سنین 44 تا 106 هفتگی از آزمایشگاه N. Sharpless در دانشگاه کارولینای شمالی (چپل هیل، NC) به دست آمدند. همه حیوانات تحت نور 12:12 قرار گرفتند: شرایط تاریک (12 ساعت نور و سپس 12 ساعت تاریکی) در آزمایشگاه آزمایشگاهی Animal Shared Resource در RPCCC. تمام آزمایشات حیوانی توسط IACUC موسسه سرطان Roswell Park تایید شد. تصویربرداری بیولومینسانس با استفاده از سیستم تصویربرداری طیف IVIS (Caliper LifeSciences, Inc, Waltham, MA) انجام شد. موش‌های p16/Ink4a-Luc plus /- به صورت داخل صفاقی با D-Luciferin (150 میلی‌گرم بر کیلوگرم، بیوتکنولوژی طلا) تزریق شدند، 3 دقیقه بعد با ایزوفلوران بیهوش شدند و با استفاده از 20-زمان ادغام دوم و باینینگ محیط تصویربرداری شدند. تصاویر با استفاده از نرم افزار Living Image (Perkin Elmer, Waltham, MA.) به عنوان مجموع شار فوتون ثبت شده از دو طرف هر موش پردازش و کمی سازی شدند.

برای آزمایش درمان راپامایسین، 60-موش‌های نر C57BL/6J یک هفته‌ای از آزمایشگاه جکسون (ایالات متحده آمریکا) تهیه شدند. گروهی از 60 60-موش‌های نر یک هفته‌ای C57BL/6 با استفاده از تکنیک تصادفی‌سازی طبقه‌ای برای تولید توزیع‌های غیرقابل تشخیص dFI به گروه‌های درمان (n=12) ​​و کنترل (n=48) تقسیم شدند. مقادیر قبل از آزمایش نمونه های خون (حجم کل 120 میکرولیتر) با استفاده از لانست از طریق ورید زیر فکی یا صورت در لوله های EDTA جمع آوری شد. همه رویه‌های حیوانی توسط کمیته استفاده از حیوانات آزمایشگاهی Explora BioLabs, Inc (IACUC SP{11}}B) تأیید شده‌اند و توسط Explora BioLabs, Inc سیاست‌های مراقبت، رفاه و درمان حیوانات آزمایشگاهی انجام شده است. راپامایسین از LC Laboratories (MA، USA) خریداری شد. راپامایسین روزانه 12 میلی گرم بر کیلوگرم از طریق گاواژ خوراکی به مدت 8 هفته تجویز شد. گروه کنترل با وسیله نقلیه (5 درصد توئین{15}}، 5 درصد PEG{17}}، 3 درصد DMSO) تحت درمان قرار گرفتند.

کاهش ابعاد با PCA

ما PCA را با کمک Python و Scikit-learn package63 انجام دادیم. ابتدا، ما تبدیل PCA را به کل مجموعه داده آموزشی اعمال کردیم. با این حال، اجزای اصلی با تفاوت در سویه‌های موش تحت سلطه بودند. ما تفاوت سویه را با کم کردن مقادیر میانگین ویژگی‌های CBC محاسبه‌شده برای اولین سن موجود برای سویه انتخابی از مقادیر ویژگی‌های CBC همه حیوانات برای این سویه حذف کردیم:

که در آن شاخص های i و j به ترتیب ویژگی ها و سویه های CBC را برمی شمارند و سن یک حیوان است. برای سادگی، ما سویه‌های موش را که در مجموعه داده‌های Peters4 ارائه نشده بودند، فیلتر کردیم.

بیشتر واریانس در داده های نشان دهنده مجموعه داده کامل با رشد و بلوغ حیوانات مرتبط بود. اولین امتیاز PC با افزایش سن حیوانات به ویژه پس از 25 هفته افزایش یافت (شکل تکمیلی 1). در مقابل، نمرات دوم و سوم PC در همان سن 25 هفتگی میانگین غیر صفر به دست می آورند. این نشان می دهد که پیری و رشد اولیه در موش ها فنوتیپ های متفاوتی هستند. متعاقباً، ما تمام محاسبات خود را با استفاده از داده های حیوانات مسن تر از 25 هفته انجام دادیم.

تجزیه و تحلیل آماری داده های مرگ و میر

سوابق مرگ حیوانات مرتبط با مجموعه داده MPD Peters4 نیز در MPD به عنوان یک مجموعه داده جداگانه به نام Yuan223 موجود بود. این مجموعه داده ها شامل گروه های مختلفی از حیوانات با همپوشانی وسیع است. ما رکوردهای مرگ و میر را برای 487 حیوان در مجموعه داده Peters4 پیدا کردیم، در حالی که 393 حیوان گم شده بودند. دلیل گم شدن نامعلوم است. برای ایجاد سوابق سانسور، همه حیواناتی را که حداقل دو اندازه‌گیری متوالی CBC داشتند را وارد کردیم. ما فرض کردیم که حیواناتی که با یک اندازه گیری CBC ارائه شده اند احتمالاً پس از جمع آوری خون قربانی شده اند. بنابراین، اگر حیوانی بیش از یک اندازه گیری CBC داشته باشد، آن را در آخرین اندازه گیری گم می کنیم. در مجموع، ما 79 حیوان را یافتیم که این شرایط را برآورده می کنند. بقیه 314 حیوان با تاریخ مرگ و میر نامشخص از تجزیه و تحلیل حذف شدند.

آزمون همبستگی رتبه اسپیرمن برای دو گروه موش به طور جداگانه انجام شد. گروه اول شامل همه حیوانات از مجموعه داده Peters4 با سوابق مرگ و میر بدون سانسور بود. گروه دوم شامل حیواناتی از مجموعه داده Peters4 با اندازه گیری BW و سطح سرمی IGF1 از مجموعه داده MPD به نام یوان1 24 بود.

ما تجزیه و تحلیل رگرسیون PH کاکس را با کمک بسته 65 پایتون و لایف لاین انجام دادیم. ابتدا، مدل چند متغیره نظارت شده Cox-PH را با استفاده از ویژگی های سن، جنس و CBC به عنوان متغیرهای کمکی و با استفاده از داده های همه حیوانات از Peters4 تولید کردیم. مجموعه داده، شامل رویدادهای مرگ و میر سانسور شده و بدون سانسور. خروجی مدل، نسبت لگاریتم خطر (HRCBC) حاصل ضرب نقطه ای بردار است که ویژگی های CBC و ضرایب مربوطه را از مدل Cox-PH تشکیل می دهد. سپس، ارتباط ویژگی HRCBC را در یک مدل تک متغیره Cox-PH در کنار امتیاز dFI در گروه‌هایی از حیوانات هم سن و جنس (به داده‌های تکمیلی 6 مراجعه کنید) به عنوان جایگزینی برای آزمون همبستگی رتبه اسپیرمن آزمایش کردیم. هر دو آزمون تطابق خوبی با یکدیگر داشتند.

آموزش شبکه عصبی AE/AR

ما از ترکیب یک AE عمیق و یک مدل AR ساده برای تحلیل مودال (مدل AE-AR) استفاده کردیم. در تنگنا، بازوی رمزگذار AE یک 4-نمای بعدی فشرده y از ورودی، 12-بردار حالت فیزیولوژیکی بعدی x ساخته شده از اندازه‌گیری‌های CBC موجود، تولید کرد. بازوی رمزگشا حالت اولیه 12-بعدی ~ x را از ویژگی‌های گلوگاه بازسازی کرد.

همزمان با AE، شبکه را آموزش دادیم تا برش طولی MPD (شامل حیوانات کاملاً رشد کرده در سنین 26 تا 104 هفته با فاصله نمونه‌برداری Δt=26 هفته) را با محلول خطی شده (g=0) نسخه معادله (1)

جایی که z بهترین ترکیب خطی ممکن از ویژگی‌های گردن بطری AE است، r=expð ΔtÞ ≈ 1، و z0 به ترتیب مقادیر مناسب ضریب خودرگرسیون و تغییر ثابت هستند. در اینجا ξ خطای تناسب (ترکیبی از نویز سیستم و خطاهای اندازه گیری) است.

ما معماری شبکه عصبی ارائه شده در ref را اتخاذ کردیم. 45. پیاده‌سازی ما اندازه‌گیری‌های مقطعی و طولی را به طور همزمان با عدم تعادل به نفع داده‌های مقطعی، که برای داده‌های بالینی دنیای واقعی معمول است، انجام می‌دهد. به عنوان ورودی، شبکه دارای سه 12-بردار بعدی است که با پارامترهای CBC نشان داده می‌شوند: یکی برای مجموعه داده مقطعی (x)، و دو بردار دیگر برای مجموعه داده‌های طولی مربوط به حال (xn) و آینده (xn به اضافه 1) ) حالات یک نمونه (شکل 7a).

نمونه های مقطعی به عنوان ورودی در AE خدمت کردند. نمونه‌های طولی در نمایش فشرده (yn، yn بعلاوه 1) نیز در بخش خودرگرسیون آموزشی شرکت کردند. مزیت اصلی گنجاندن AE در شبکه عصبی توانایی آن در کاهش ابعاد غیرخطی موثر است که برای مقادیر همبسته مانند اجزای CBC ضروری است (شکل 1a). اندازه کاهش یافته ابعاد پنهان به عنوان منظم عمل می کند و به آموزش بدون برازش بیش از حد بر روی یک مجموعه داده طولی کوچک با استفاده از نمونه های بیشتر از مجموعه داده های مقطعی بزرگتر کمک می کند.

بلوک AE ورودی (x) را به 4-بردار بعدی y=ϕ(x) رمزگذاری می‌کند و سپس سیگنال اصلی را بازسازی می‌کند e x=ϕ 1 ðyÞ. AE به عنوان پشته ای از لایه های متراکم کاملاً متصل و بلوک های شبکه باقی مانده (ResNet)67 پیاده سازی شد. لایه های متراکم به طور پیش فرض دارای یک ماتریس وزن قابل آموزش W، بردار بایاس b و یک تابع فعال سازی خطی هستند. بلوک ResNet، که در شکل 7b نشان داده شده است، پشته ای از دو لایه متراکم با تابع فعال سازی یک واحد خطی اصلاح شده نشتی (Leaky ReLU) است. ورودی و خروجی با اعمال جمع عنصری به هم مرتبط می شوند. بلوک‌های ResNet تبدیل‌های اصلاح غیرخطی را به ورودی اصلی اضافه می‌کنند و به یادگیری تبدیل‌های غیرخطی کمک می‌کنند. AE به طور همزمان بر روی مجموعه داده های مقطعی و طولی آموزش داده می شود.

بلوک پروژکتور یک 4-بردار بعدی را به عنوان ورودی می گیرد و آن را به اسکالر z=A ⋅ y تبدیل می کند که به آن dFI می گوییم. در طول آموزش، یک جفت بردار به ورودی ها داده می شود: یکی در وضعیت فعلی سیستم و یک yn به اضافه 1 برای وضعیت آینده. بلوک دینامیک خطی مسئله رگرسیون خودکار (7) را حل می کند و وضعیت آینده Zn به اضافه 1=ξ(rZn)=rzn به علاوه b را پیش بینی می کند. بلوک رمزگشای کمکی با استفاده از رمزگشای ϕ−1 از بلوک AE، بردار CBC ابعاد اصلی 12-بعد CBC را از خروجی بلوک دینامیک خطی ezn بعلاوه 1 بازسازی می کند: e xn به علاوه 1=ϕ 1 ðB ezn plus 1Þ.

برای وادار کردن ماتریس های A و B در پروژکتور و بلوک های دینامیک خطی به بردارهای ویژه چپ و راست در حل معادله. (7) ما محدودیت های زیر را اضافه کردیم:

در اینجا، LAE ضرر بازسازی AE است، Lpred ضرر بازسازی حالت آینده، LAR ضرر رگرسیون خودکار، LC ضرر برای اعمال محدودیت ها از معادله است. (8)، و اصطلاح k Wk{2}} تنظیم L2 وزنهای NN برای جلوگیری از مشکل بیش از حد برازش است.

وزن های 1، 3، و 4 به ترتیب به مقادیر 1، 100 و 0 اختصاص داده شد.01. وزن 2 به تدریج از 0 به 1 در طول تمرین افزایش یافت. این مدل برای 600 دوره با نرخ یادگیری 0.001 و Adam optimizer 68 آموزش داده شد. 200 دوره آخر با نرخ یادگیری 0.0001 آموزش داده شد. معماری AE/AR NN با پایتون و چارچوب TensorFlow69 پیاده سازی شد.

دینامیک غیر خطی پارامتر سفارش برای توضیح مرگ و میر بسیار مهم است. در عین حال، اگر پارامتر بی‌بعدی که طول عمر حیوان t را بر حسب واحد زمان دوبرابر شدن میزان مرگ و میر بیان می‌کند، بزرگ باشد، می‌توان تقریباً همیشه در طول زندگی حیوان از تأثیرات غیرخطی چشم پوشی کرد. }. با توجه به نرخ دو برابر شدن dFI مشاهده شده در موش، t ~ 3 و از این رو مدل AR خطی تنها یک تقریب معقول است. با افزایش رتبه در مدل‌های AR، احتمالاً از جمله تأثیرات جفت شدن حالت با dFI، باید انواع dFI بهتری در آینده به دست آورد.

ارزیابی مدل

این مدل در مجموعه داده‌های آزمایشی تأیید شد (به داده‌های تکمیلی 3 مراجعه کنید)، که به طور کامل از آموزش مدل AE-AR حذف شدند. مجموعه داده‌های آزمایشی از آزمایش‌های مستقل با جمع‌آوری نمونه‌های CBC از گروه‌هایی از موش‌های سوئیسی NIH در سنین و جنس‌های مختلف (مجموعه داده‌های MA0071)، گروهی از موش‌های نر سوئیسی NIH که به مدت 15 ماه مشاهده شدند (مجموعه داده MA0072)، و گروه‌هایی از نر و ساده لوح به دست آمد. موش های ماده سوئیسی NIH که پس از رسیدن به نقاط پایانی آزمایشی تایید شده (مجموعه داده MA0073) به طور انسانی کشته شدند.

ما خطای بازسازی AE را با محاسبه ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین R2 برای هر ویژگی CBC در مجموعه‌های آموزشی و آزمایشی (داده‌های تکمیلی 4 و داده‌های تکمیلی 5) برآورد کردیم. میانگین RMSE در مجموعه آزمایشی 229.6 با R2=0.55 بود. در مجموعه آموزشی، RMSE 106.4 و R2=0.77 بود. بهترین بازسازی برای هماتوکریت (R2=0.95)، گلبول های قرمز خون (R2=0.92)، و لنفوسیت ها (R2=0.87) به دست آمد. بدترین نتایج برای میانگین غلظت هموگلوبین سلولی (R{17}} - 0.82) و پلاکت‌ها (R{20}} - 0.14) در مجموعه آزمایش بود. توجه می‌کنیم که طبق تعریف -1

تعیین اثرات یک دارو بر روی dFI

ما بررسی اثرات راپامایسین بر مسیرهای dFI در حیوانات منفرد را انجام دادیم. از نظر فنی، ما افزایش سطوح dFI را در طول تاریخچه زندگی فردی در فواصل زمانی بسته به میزان درمان بین نقاط زمانی بعدی مقایسه کردیم. چنین تحلیلی به طور صریح بر معادله حرکت (7) برای پارامتر ترتیب تکیه می کند که با dFI تقریب می شود. اثر دارو خود را به عنوان عبارت "نیروی" نشان می دهد که افزایش های dFI را بین اندازه گیری ها هنگام تجویز دارو کاهش می دهد و هر زمان که دارو تجویز نمی شود، اثری ندارد (بدون نیرو) چه در گروه درمان و چه در گروه کنترل.

بنابراین، تعیین اثر یک دارو بر روند پیری معادل تعیین عبارت "نیروی" در مسئله خودرگرسیون در معادله است. (4). از آنجایی که تغییرات طبیعی سطوح dFI بین حیوانات اغلب زیاد است، مطالعات طولی باید قدرت آماری بیشتری نسبت به مقایسه‌های گروهی استاندارد داشته باشند. dFI با مدل AR (7) آموزش داده شد. بر این اساس، برای به حداکثر رساندن نسبت سیگنال به نویز در تجزیه و تحلیل طولی اثرات مداخله ضد پیری مناسب است. در صورت لزوم، مدل خودرگرسیون می‌تواند هر تعداد از عوامل مخدوش‌کننده، مانند دسته آزمایشی یا جنسیت حیوانات را در خود جای دهد. از نظر فنی، می توان با افزودن متغیرهای کمکی مربوطه به سمت راست معادله (4) به هدف دست یافت.

تجزیه و تحلیل مرگ و میر و بقا در اواخر عمر

داده های مربوط به مرگ و میر موش ها از ref. 25. فقط گروه های کنترل برای تجزیه و تحلیل انتخاب شدند. موش های حذف شده از مطالعه نیز از تجزیه و تحلیل بقای فعلی حذف شدند. موش ها از هر سه مرکز مطالعه و گروه ها با هم جمع شدند و بر اساس جنسیت به دو گروه تقسیم شدند. به طور کلی، 3249 موش نر و 2978 موش ماده وجود داشت.

تجزیه و تحلیل مرگ و میر با کمک فیتر نلسون-آلن از بسته لایف لاین پایتون 65 انجام می شود. برای تناسب گومپرتز بقاها و سایر تجزیه و تحلیل های بقا، از کد سفارشی منتشر شده در GitHub استفاده کردیم.

خلاصه گزارش

اطلاعات بیشتر در مورد طراحی تحقیق در خلاصه گزارش تحقیقات طبیعت مرتبط با این مقاله موجود است.

در دسترس بودن داده ها

داده های حمایت کننده از یافته های این مطالعه در MPD (RRID: SCR{0}}) موجود است. فایل های داده خام و اسکریپت ها برای بازتولید همه یافته ها در وب سایت GitHub در دسترس هستند. در صورت درخواست معقول، داده های اضافی از نویسندگان مربوطه در دسترس است. داده های منبع در این مقاله ارائه شده است.

در دسترس بودن کد

کد در وب سایت GitHub در دسترس خواهد بود.

منابع

1. Horvath، S. سن متیلاسیون DNA بافت ها و انواع سلول های انسانی. ژنوم بیول. 14, R115 (2013).

2. لوین، ME و همکاران. یک بیومارکر اپی ژنتیک پیری برای طول عمر و طول عمر. پیری 10, 573 (2018).

3. Antoch، MP و همکاران. شاخص شکنندگی فیزیولوژیکی (pdf): برآورد کمی در زندگی از سن بیولوژیکی فردی در موش. پیری 9, 615 (2017).

4. پوتین، ای و همکاران. نشانگرهای زیستی عمیق پیری انسان: کاربرد شبکه های عصبی عمیق برای توسعه نشانگرهای زیستی پیری 8, 1021 (2016).

5. پیرکوف، تی وی و همکاران. تجزیه و تحلیل طولی نشانگرهای خون از دست دادن تدریجی انعطاف پذیری را نشان می دهد و حد نهایی طول عمر انسان را پیش بینی می کند. نات. اشتراک. 12, 2765 (2019).

6. شولتز، ام بی و همکاران. ساعت های سن و امید به زندگی بر اساس تجزیه و تحلیل یادگیری ماشینی ضعف موش. نات. اشتراک. 11، 1 (2020).

7. کوهن، AA و همکاران. یک رویکرد آماری جدید شواهدی را برای اختلال در تنظیم فیزیولوژیکی چند سیستمی در طول پیری نشان می‌دهد. مکانیسم های پیری توسعه دهندگان 134، 110 (2013).

8. Mitnitski، AB، Mogilner، AJ & Rockwood، K. تجمع کمبودها به عنوان معیاری برای سنجش پیری. ScientificWorldJournal 1, 323-336 (2001).

9. Mitnitski، A. و همکاران. ضعف مرتبط با سن و ارتباط آن با نشانگرهای بیولوژیکی پیری BMC Med. 13, 161 (2015).

10. Blodgett, JM, Theou, O., Mitnitski, A., Howlett, SE & Rockwood, K. ارتباط بین شاخص ضعف آزمایشگاهی و پیامدهای نامطلوب سلامتی در سن و جنس. پزشکی پیری 2، 11 (2019).

11. عدالت، J. et al. Senolytics در فیبروز ریوی ایدیوپاتیک: نتایج یک مطالعه آزمایشی اولین در انسان، برچسب باز. ebiomedicine 40، 554-563 (2019).

12. فاهی، جنرال موتورز و همکاران. معکوس شدن روند پیری اپی ژنتیک و ایمنی در انسان سلول پیری 18، e13028 (2019).

13. هرمان هاکن. فیزیک اختر. Libr آنلاین

14. شفر، ام و همکاران. سیگنال های هشدار اولیه برای انتقال بحرانی Nature 461, 53 (2009).

15. شفر، ام و همکاران. کمی سازی تاب آوری انسان و سایر حیوانات Proc. Natl Acad. علمی USA 115, 11883 (2018).

16. Krotov, D., Dubuis, JO, Gregor, T. & Bialek, W. Morphogenesis at kritik. Proc. Natl Acad. علمی 111, 3683 (2014).

17. Kogan, V., Molodtsov, I., Menshikov, LI, Reis, RJS & Fedichev, P. تجزیه و تحلیل پایداری یک شبکه ژن مدل مقاومت در برابر استرس پیری و پیری ناچیز را پیوند می دهد. علمی 5، 13589 (2015).

18. پودولسکی، دی. دینامیک بحرانی شبکه های ژنی مکانیزمی است که در پس پیری و قانون گومپرتز قرار دارد.

19. Bogue, MA et al. دسترسی به منابع داده در پایگاه داده پدیده موش برای تجزیه و تحلیل ژنتیکی طول عمر و طول عمر موش. J. پیری. سر. A 71, 170 (2016).

20. Fiedler, BE Handbook of Dynamical Systems, Vol. 2 (انتشارات حرفه ای خلیج، 2002).

21. سیدل، R. عملی انشعاب و تجزیه و تحلیل پایداری، جلد. 1، ص. 477 (Springer Science & Business Media, 2009).

22. Hughes, BG & Hekimi, S. مکانیسم‌های مختلف طول عمر در موتان‌های با عمر طولانی و Caenorhabditis elegans با تجزیه و تحلیل آماری میزان مرگ و میر آشکار شد. ژنتیک 204، 905 (2016).

23. یوان، آر و همکاران. همبستگی ژنتیکی سن بلوغ جنسی ماده و طول عمر از طریق igf1 در گردش در میان سویه‌های موش همخون. Proc. Natl Acad. علمی 109, 8224 (2012).

24. یوان، آر و همکاران. سویه‌های همزاد پیر موش: طراحی مطالعه و گزارش موقت در مورد میانگین طول عمر و سطوح IGF1 در گردش. سلول پیری 8، 277 (2009).

25. هریسون، دی و همکاران. راپامایسین که در اواخر عمر تغذیه می شود، طول عمر موش های ناهمگن ژنتیکی را افزایش می دهد. Nature 460, 392 (2009).

26. O'Connell، KE و همکاران. هماتوپاتولوژی عملی موش: بررسی مقایسه ای و مفاهیم برای تحقیق Comp. پزشکی 65، 96 (2015).

27. پاتل، کی وی و همکاران. عرض توزیع گلبول قرمز و مرگ و میر در افراد مسن: یک متاآنالیز جی. جرونتول. 65 A, 258 (2010).

28. باگیولینی، ام. کموکاین ها و ترافیک لکوسیت.

29. هریس، سل و همکاران. ارتباط افزایش سطح اینترلوکین-6 و پروتئین واکنشی C با مرگ و میر در افراد مسن. صبح. جی. مد. 106, 506 (1999).

30. محمودی، س.، ژو، ال و برونت، ع. بازگشت زمان به عقب با راهبردهای نوظهور جوانسازی. نات. سلول بیول. 21، 32 (2019).

31. Kuilman, T., Michaloglou, C., Mooi, WJ & Peeper, DS The Essence of senescence. Genes Dev. 24, 2463 (2010).

32. van Deursen، JM نقش سلول های پیر در پیری. Nature 509, 439 (2014).

33. هال، BM و همکاران. پیری موش ها با تجمع ماکروفاژ مثبت p16(Ink4a) و -گالاکتوزیداز مرتبط است که می تواند توسط سلول های پیر در موش های جوان القا شود. پیری 8, 1294 (2016).

34. Kim, WY & Sharpless, NE تنظیم INK4/ARF در سرطان و پیری. سلول 127، 265 (2006).

35. Burd, CE et al. نظارت بر تومورزایی و پیری در داخل بدن با مدل p16 INK4a-luciferase. سلول 152، 340 (2013).

36. Wilkinson, JE et al. راپامایسین پیری موش ها را کند می کند. سلول پیری 11، 675 (2012).

37. Bitto، A. et al. درمان گذرا با راپامایسین می تواند طول عمر و طول عمر را در موش های میانسال افزایش دهد. elife 5, e16351 (2016).

38. Miller, RA et al. افزایش طول عمر با واسطه راپامایسین در موش‌ها وابسته به دوز و جنس است و از نظر متابولیک از محدودیت‌های غذایی متمایز است. سلول پیری 13، 468 (2014).

39. Balleza، E. و همکاران. پویایی بحرانی در شبکه های تنظیمی ژنتیکی: نمونه هایی از چهار پادشاهی PLoS One 3, e2456 (2008).

40. Nakamura، E.، Miyao، K. و Ozeki، T. ارزیابی سن بیولوژیکی با تجزیه و تحلیل مؤلفه های اصلی. مکانیک. توسعه دهنده پیری 46، 1 (1988).

41. Park, J., Cho, B., Kwon, H. & Lee, C. توسعه یک معادله ارزیابی سن بیولوژیکی با استفاده از تجزیه و تحلیل مؤلفه های اصلی و نشانگرهای زیستی بالینی پیری در مردان کره ای. قوس. جرونتول. سالمندان 49، 7 (2009).

42. ترخوف، AE و همکاران. یک امضای رونویسی جهانی سن، پوسته پوسته شدن زمانی مسیرهای پیری Caenorhabditis elegans را نشان می دهد. علمی Rep. 9, 1 (2019).

43. Johnstone, IM & Lu, AY در مورد سازگاری و پراکندگی برای تجزیه و تحلیل اجزای اصلی در ابعاد بالا. مربا. آمار دانشیار 104, 682 (2009).

44. Mardt, A., Pasquali, L., Wu, H. & Noé, F. VAMPnets برای یادگیری عمیق سینتیک مولکولی. نات. اشتراک. 9، 5 (2018).

45. Lusch, B., Kutz, JN & Brunton, SL یادگیری عمیق برای جاسازی خطی جهانی دینامیک غیرخطی. نات. اشتراک. 9, 4950 (2018).

46. ​​Wu, T. & Tegmark, M. Toward a فیزیکدان هوش مصنوعی برای یادگیری بدون نظارت. فیزیک Rev. E 100, 033311 (2019).

47. Liu, Z. & Tegmark, M. Ai poincar\'e: قوانین حفاظت از یادگیری ماشین از مسیرها. فیزیک کشیش لِت. 126, 180604 (2020).

48. Hofmann, B. Youngblood بدن های پیر را جوان می کند: فراخوانی برای تأمل هنگام حرکت از موش به انسان. Karger 1, 45 (2018).

49. بیرمن، آی و همکاران. تغییرات وابسته به تکثیر چشم انداز متیلاسیون DNA زمینه ساز پیری سلول های بنیادی خونساز است. Cell Stem Cell 12, 413 (2013).

50. فرانچسکی، سی و همکاران. پیری التهابی: دیدگاهی تکاملی در مورد ایمنی ان آکادمی نیویورک علمی 908, 244 (2006).

51. Pawelec، G. ایمنی و سرطان. Biogerontology 18, 717 (2017).

52. Crooke, SN, Ovsyannikova, IG, Poland, GA & Kennedy, RB Immunosenescence و پاسخ های ایمنی واکسن انسانی. ایمنی سن 16، 25 (2019).

53. Pang، WW و همکاران. سلول های بنیادی خونساز مغز استخوان انسان با افزایش سن افزایش می یابد و از نظر میلوئیدی سوگیری می کنند. Proc. Natl Acad. علمی USA 108, 20012 (2011).

54. López-Otín، C.، Blasco، MA، Partridge، L.، Serrano، M. & Kroemer، G. نشانه های پیری. سلول 153، 1194 (2013).

55. Partridge, L., Fuentealba, M. & Kennedy, BK تلاش برای کند کردن پیری از طریق کشف دارو. نات. Rev. Drug Discov. 19، 513-532 (2020).

56. وانگ، ی و همکاران. پیش بینی عوارض جانبی شیمی درمانی و مرگ و میر در بیماران مسن مبتلا به سرطان اولیه ریه از طریق شاخص شکنندگی بر اساس داده های معمول آزمایشگاهی. کلین مصاحبه پیری 14, 1187 (2019).

57. Kane, AE, Keller, KM, Heinze-Milne, S., Grandy, SA & Howlett, SE یک شاخص شکنندگی موش بر اساس اندازه‌گیری‌های بالینی و آزمایشگاهی: پیوند بین سیتوکین‌های شکنندگی و پیش التهابی به شیوه‌ای خاص جنس متفاوت است. . جی. جرونتول. سر. A 74, 275 (2019).

58. Sacher, G. & Trucco, E. Theory Stochastic of Mortality. ان آکادمی نیویورک علمی 96، 985 (1962).

59. Yashin، AI، Manton، KG & Vaupel، JW مرگ و میر و پیری در یک جمعیت ناهمگن: یک مدل فرآیند تصادفی با متغیرهای مشاهده شده و مشاهده نشده. نظریه. مردمی Biol. 27، 154 (1985).

60. Vaupel, JW et al. مسیرهای زیست جمعیتی طول عمر Science 280, 855 (1998).

61. Pyrkov, TV, Sokolov, IS & Fedichev, PO فنوتیپ طولی عمیق داده‌های حسگر پوشیدنی نشانگرهای مستقل طول عمر، استرس و انعطاف‌پذیری را نشان می‌دهد. پیری 13, 7900 (2021).

62. Tarkhov، AE، Denisov، KA، & Fedichev، PO ساعتهای پیری، آنتروپی و محدودیتهای تغییر سن. bioRxiv (McGraw-Hill، 2022).

63. Pedregosa، F. et al. Scikit-learn: یادگیری ماشین در {P}ython. جی. ماخ. فرا گرفتن. Res. 12, 2825 (2011).

64. Peterset, LL al. غربالگری در مقیاس بزرگ و با توان بالا برای انعقاد و فنوتیپ های هماتولوژیک در موش. فیزیول. Genomics.11, 185-193 (2002).

65. Davidson-Pilon, C. Lifelines.

66. Hinton, GE & Salakhutdinov, RR کاهش ابعاد داده ها با شبکه های عصبی. Science 313, 504 (2006).

67. He, K., Zhang, X., Ren, S. & Sun, J. Deep Residual Learning برای تشخیص تصویر. در 2016 کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، 2016، صفحات 770-778 (انجمن کامپیوتری IEEE، 2016).

68. Kingma, DP & Ba, JL Adam: روشی برای بهینه سازی تصادفی.

69. آبادی، م. TensorFlow: یادگیری ماشینی در مقیاس بزرگ در سیستم های ناهمگن.

70. Steel, RGD & Torrie, JH Principles and procedures of statistics: با اشاره ویژه به علوم زیستی. (McGraw Hill، 1960). 71. Avchaciov، K. AI برای یادگیری بدون نظارت اصول پیری از داده های طولی.

قدردانی

ما از نورمن شارپلس برای ارائه سخاوتمندانه موش های گزارشگر p{0}Luc تشکر می کنیم. این کار تا حدی توسط مؤسسه ملی سرطان (NCI) کمک مالی P30 CA016056 برای استفاده از منابع مشترک آزمایشگاهی حیوانات و تصویربرداری ترجمه‌ای مرکز جامع سرطان Roswell Park (MPA و AVG) و با قراردادی از Genome Protection, Inc. (MPA و AVG). نویسندگان از M. Kholin از Gero برای نظرات و بحث های مفید تشکر می کنند.

مشارکت های نویسنده

MPA و EIA آزمایش‌ها را طراحی و اجرا کردند، داده‌ها را تجزیه و تحلیل و تفسیر کردند و نسخه‌های خطی را بررسی کردند. KA و AET محاسبات و تجزیه و تحلیل داده ها را انجام دادند و دستنوشته را نوشتند. OG، LIM، AVG و POF نتایج را مورد بحث قرار دادند و دستنوشته را نوشتند و بررسی کردند.

منافع رقابتی

POF یکی از سهامداران Gero PTE است. محدود AVG یکی از اعضای Gero PTE است. محدود هیئت مشورتی. KA، AET، LIM، OB و POF کارمندان Gero PTE هستند. محدود AVG یکی از بنیانگذاران و سهامداران Genome Protection است. EIA کارمند حفاظت ژنوم است. MPA هیچ منافع رقابتی ندارد. این مطالعه توسط Gero PTE تامین مالی شد. محدود

اطلاعات تکمیلی

اطلاعات تکمیلینسخه آنلاین حاوی مطالب تکمیلی در دسترس است.

مکاتبه و درخواستبرای مطالب باید به پیتر O. Fedichev خطاب شود.

اطلاعات بررسی همتایانNature Communications از کنستانتین آربیف، آرنولد میتنیتسکی، و داوران ناشناس برای مشارکت در بررسی همتایان این اثر تشکر می‌کند.

یادداشت ناشرSpringer Nature در مورد ادعاهای قضایی در نقشه های منتشر شده و وابستگی های سازمانی بی طرف باقی می ماند.

دسترسی آزاداین مقاله تحت مجوز Creative Commons Attribution 4 مجوز دارد.0 مجوز بین‌المللی، که اجازه استفاده، اشتراک‌گذاری، اقتباس، توزیع، و تکثیر را در هر رسانه یا قالبی می‌دهد، تا زمانی که اعتبار مناسب را به نویسنده (نویسندگان) اصلی بدهید. ) و منبع، پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییراتی ایجاد شده است یا خیر. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است، مگر اینکه در خط اعتباری مطالب به گونه دیگری ذکر شده باشد. اگر مطالب در مجوز Creative Commons مقاله گنجانده نشده است و استفاده مورد نظر شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود، باید مستقیماً از دارنده حق چاپ مجوز دریافت کنید.

برای اطلاعات بیشتر: david.deng@wecistanche.com / WhatApp:86 13632399501