知財求人 - 知財ポータルサイト「IP Force」
▶ エイチケージー エピセラピューティクス リミテッドの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-08-31
(54)【発明の名称】ヘルシーエイジングを管理するための新規エコシステム
(51)【国際特許分類】
C12Q 1/6869 20180101AFI20220824BHJP
C12Q 1/6876 20180101ALI20220824BHJP
C12Q 1/686 20180101ALI20220824BHJP
C12N 15/09 20060101ALN20220824BHJP
【ＦＩ】
C12Q1/6869 Z ZNA
C12Q1/6876 Z
C12Q1/686 Z
C12N15/09 Z
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2021570246
(86)(22)【出願日】2020-05-29
(85)【翻訳文提出日】2022-01-25
(86)【国際出願番号】 IB2020055146
(87)【国際公開番号】W WO2020240511
(87)【国際公開日】2020-12-03
(31)【優先権主張番号】62/854,226
(32)【優先日】2019-05-29
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＡＮＤＲＯＩＤ
２．ＴＥＮＳＯＲＦＬＯＷ
３．ＴＲＩＴＯＮ
(71)【出願人】
【識別番号】520465839
【氏名又は名称】エイチケージー エピセラピューティクス リミテッド
【氏名又は名称原語表記】ＨＫＧ ＥＰＩＴＨＥＲＡＰＥＵＴＩＣＳ ＬＩＭＩＴＥＤ
【住所又は居所原語表記】８１２ Ｓｉｌｖｅｒｃｏｒｄ，Ｔｏｗｅｒ １，３０ Ｃａｎｔｏｎ Ｒｏａｄ Ｔｓｉｍｓｈａｔｓｕｉ，Ｋｏｗｌｏｏｎ，ＨｏｎｇＫｏｎｇ，Ｃｈｉｎａ
(74)【代理人】
【識別番号】110001999
【氏名又は名称】特許業務法人はなぶさ特許商標事務所
(72)【発明者】
【氏名】チェイシビリ，デビッド
(72)【発明者】
【氏名】シフ，モシェ
(72)【発明者】
【氏名】ウォン，チーファット
(72)【発明者】
【氏名】リー，フイ
【テーマコード（参考）】
4B063
【Ｆターム（参考）】
4B063QA13
4B063QA20
4B063QQ03
4B063QQ42
4B063QR08
4B063QR55
4B063QR58
4B063QR62
4B063QR90
4B063QS25
4B063QS28
4B063QX02
(57)【要約】
【選択図】なし
本発明は、バイオマーカーに対してポリジェニックＤＮＡメチル化を実施することにより、被験者の生物学的年齢および複数の被験者にわたる生物学的年齢を計算するための方法に関する。前記ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域であるＥｌｏｖＬ２ＡＳ１領域に位置する１３ ＣＧサイトのメチル化状態を測定することを含む。さらに、本発明は、連続的な動的結果としてのＤＮＡメチル化時計の新規測定を使用して、生物学的エイジングのライフスタイル管理のための自己学習「エコシステム」の形態でライフスタイル変化の推奨事項を提供するためのコンピュータ実施方法を提供する。また、本発明は生物学的年齢を計算するためのＤＮＡメチル化バイオマーカー、生物学的年齢を決定するためのキットの組み合わせに関する。さらに、本発明は、生物学的介入の効果を評価する方法およびアンチエイジング剤をスクリーニングする方法において、生物学的年齢を計算するための開示された方法の使用を開示する。
本発明は、バイオマーカーに対してポリジェニックＤＮＡメチル化を実施することにより、被験者の生物学的年齢および複数の被験者にわたる生物学的年齢を計算するための方法に関する。前記ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域であるＥｌｏｖＬ２ＡＳ１領域に位置する１３ ＣＧサイトのメチル化状態を測定することを含む。さらに、本発明は、連続的な動的結果としてのＤＮＡメチル化時計の新規測定を使用して、生物学的エイジングのライフスタイル管理のための自己学習「エコシステム」の形態でライフスタイル変化の推奨事項を提供するためのコンピュータ実施方法を提供する。また、本発明は生物学的年齢を計算するためのＤＮＡメチル化バイオマーカー、生物学的年齢を決定するためのキットの組み合わせに関する。さらに、本発明は、生物学的介入の効果を評価する方法およびアンチエイジング剤をスクリーニングする方法において、生物学的年齢を計算するための開示された方法の使用を開示する。
【特許請求の範囲】
【請求項1】
以下のステップ：（ａ）被験者の基質からＤＮＡを抽出すること、
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化測定によりＤＮＡメチル化プロファイルを得ること、
（ｃ）前記ＤＮＡメチル化プロファイルの分析によりポリジェニッスコアを得ること、および
（ｄ）前記ポリジェニッスコアから被験者の生物学的年齢を決定すること、
を含む被験者の生物学的年齢を計算するための方法であって、
前記基質からＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出すること含む方法。
【請求項2】
前記ＤＮＡメチル化測定は、ＤＮＡパイロシーケンシング、質量分析ベース（ＥｐｉｔｙｐｅｒTM）、ＰＣＲベースのメチル化アッセイ、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑおよびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォームでのターゲットアンプリコン次世代バイサルファイトシーケンス、イオントレントシーケンス、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンス、またはオリゴヌクレオチドアレイとのハイブリダイゼーションを含む方法を使用して実行される、請求項１に記載の方法。
【請求項3】
前記ＤＮＡメチル化測定は、ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域のＳＥＱＩＤ ＮＯ：１におけるＥｌｏｖＬ２ ＡＳ１領域に位置するヒトＣＧサイトのいずれか１つの内のＣＧサイトおよびそれらの組み合わせのメチル化状態の測定を含むポリジェニックＤＮＡメチル化バイオマーカーに対して実行される、請求項１に記載の方法。
【請求項4】
前記ＤＮＡメチル化測定は、ＳＥＱ ＩＤ ＮＯ：２で示されるビオチン化フォワードプライマー、ＳＥＱ ＩＤ ＮＯ：３で示されるリバースプライマー、およびＳＥＱ ＩＤＮＯ：４で示されるパイロシーケンシングプライマーを含むＤＮＡパイロシーケンシングを使用して実行される、請求項１に記載の方法。
【請求項5】
前記ＤＮＡメチル化測定は、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォーム上でＳＥＱ ＩＤ ＮＯ：５で示されるフォワードプライマーおよびＳＥＱ ＩＤ ＮＯ：６で示されるリバースプライマーを含みターゲットアンプリコン次世代バイサルファイトシーケンシングを使用して実行される、請求項１に記載の方法。
【請求項6】
前記ＤＮＡメチル化測定は、メチル化特異的ＰＣＲおよびデジタルＰＣＲの群から選択されたＰＣＲベースのメチル化アッセイを使用して実行される、請求項１に記載の方法。
【請求項7】
前記ポリジェニッスコアを得るためにＤＮＡメチル化プロファイルを分析することは、複数の線形回帰方程式またはニューラルネットワーク分析を使用することを含む、請求項１に記載の方法。
【請求項8】
以下のステップ：（ａ）複数の被験者の複数の基質からＤＮＡを抽出すること、
（ｂ）前記複数の基質から抽出されたＤＮＡのＤＮＡメチル化測定によりＤＮＡメチル化プロファイルを得ること、
（ｃ）前記ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得ること、および
（ｄ）前記ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定すること、
を含む複数の被験者にわたる生物学的年齢を計算するための方法であって、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、方法。
【請求項9】
前記複数の基質から抽出されたＤＮＡのＤＮＡメチル化測定は、以下のステップ：（ａ）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得ること、
（ｂ）プライマーをバーコーディングすることによりステップ（ａ）のＰＣＲ産物１を増幅してＰＣＲ産物２を得ること、
（ｃ）ステップ（ｂ）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンス反応でマルチプレックスシーケンシングを実行すること、
（ｄ）ステップ（ｃ）の多重化されたシーケンシングからデータを抽出すること、および（ｅ）ステップ（ｄ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プロファイルを得ること、
を含み、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、請求項８に記載の方法。
【請求項10】
前記ＰＣＲ産物１を得るためのターゲット特異的プライマーは、ＳＥＱ ＩＤ ＮＯ：５で示されたフォワードプライマーおよびＳＥＱ ＩＤ ＮＯ：６で示されたリバースプライマーを含み、前記ＰＣＲ産物２を得るためのバーコードプライマーは、バーコードインデックスプライマーであり、ＳＥＱ ＩＤ ＮＯ：７で示されたフォワードプライマーおよびＳＥＱ ＩＤ ＮＯ：８で示リバースプライマーを含む、請求項９に記載の方法。
【請求項11】
生物学的年齢を計算するためのＤＮＡメチル化バイオマーカーの組み合わせであって、前記ＤＮＡメチル化バイオマーカーの組み合わせはそれらのヒトＣＧサイトの組み合わせを含み、これらはＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域に位置付けられ、ＳＥＱ ＩＤ ＮＯ：１で示されたＥｌｏｖＬ２ ＡＳ１領域である。
【請求項12】
被験者の生物学的年齢を決定するためのキットであって、被験者の基質の収集および安定化のための手段および試薬と、
キットのバーコードを読み取るためのスキャナーと、
基質の収集と安定化のための指示書と、
を含み、
前記基質は被験者の唾液または血液であり、
前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化の測定を目的としてＤＮＡを抽出するために収集された基質を郵送して被験者のＤＮＡメチル化プロファイルを得、被験者の生物学的年齢を決定するためのキット。
【請求項13】
以下のステップ：（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価すること、
（ｂ）前記被験者の生物学的年齢を決定するために、前記被験者から得られた請求項１２のキットにステップ（ａ）のエントリーを一致させること、
（ｃ）計算された生物学的年齢を得るために、請求項１または８の方法を使用して被験者の生物学的年齢を計算すること、
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨
事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有すること、
を含む、
ライフスタイルの変化に関する推奨事項を提供するためのコンピュータ実施の方法。
【請求項14】
前記コンピュータ可読媒体は、請求項１または請求項８の方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、
前記テストを注文するための仮想ショッピングカート、
請求項１２に記載のキットのバーコードをスキャンするためのスキャン機能、および
ラボからテスト結果を受け取る機能、
を含む、方法であって、
前記オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む、請求項１３に記載のコンピュータ実施方法。
【請求項15】
パーソナライズされたライフスタイルの推奨のためにＡｎｄｒｏｉｄ、Ａｐｐｌｅ、またはＷｅ Ｃｈａｔミニプログラムを使用して被験者の生物学的エイジングを正常化または遅延することに焦点を当てたヘルスエコシステムを作成すること、または、複数の被験者にわたる標準のデータパイプラインとＣｌｏｕｄ ｄａｔａ ｐｒｅｐなどの管理システムを使用して、サーバーまたはＡｍａｚｏｎ、Ａｌｉクラウド、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅなどのクラウドサーバーにおけるオブジェクトストレージエンタープライズにデータを保存すること、を含む、請求項１４に記載のコンピュータ実施方法。
【請求項16】
被験者または複数の被験者にわたる生物学的年齢の異なるライフスタイルの測定値の加重寄与を計算するためのランダムフォレスト（ＲＦ）、サポートベクターマシン（ＳＶＭ）、線形判別分析（ＬＤＡ）、一般化線形モデル（ＧＬＭ）、および深層学習（ＤＬ）などの人工知能アルゴリズムのセットの使用を含み、これは動的に更新され、ライフスタイルの変化に関するパーソナライズされたライフスタイルの推奨事項を提供する、請求項１４に記載のコンピュータ実施方法。
【請求項17】
以下のステップ：（ａ）複数の被験者から得られたデータを保存すること、
（ｂ）ステップ（ａ）の保存データを分析すること、および
（ｃ）モデルを構築すること、
を含む、コンピュータ可読媒体を開発するための方法であって、
前記複数のユーザーから得られたデータを保存するステップは、クラウドベースのＳＱＬデータベースであり、
前記保存されたデータを分析するステップは、深層機械学習、強化学習、および機械学習から選択される群、またはそれらの組み合わせを含み、
前記モデルを構築するステップは、入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む、方法。
【請求項18】
前記機械学習が、ランダムフォレスト分析を含むデータマイニングアルゴリズムまたはＫ－Ｍｅａｎｓクラスター分析を含むデータマイニングアルゴリズム、またはＡｍａｚｏｎＭａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）を含むプラットフォーム、またはＡｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ＧｏｏｇｌｅコンピュートエンジンおよびＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むプラットフォーム上のＨ２Ｏ．ａｉ製品を含むソフトウェアから選択される群及びそれらの組み合わせを含む、請求項１７に記載のコンピュータ可読媒体を開発するための方法。
【請求項19】
以下のステップ：（ａ）生物学的介入の前の初期生物学的年齢を得るため、請求項１または請求項８の方法を使用して被験者の生物学的年齢を計算すること、
（ｂ）前記被験者に対して生物学的介入を実行すること、
（ｃ）生物学的介入後の生物学的年齢を得るためにステップ（ｂ）が実行された後、前記被験者から得られた後続の基質上でステップ（ａ）を繰り返すこと、
（ｄ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価すること、
を含む、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するための請求項１または請求項８の方法であって、
前記ステップ（ｂ）の生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作およびエピジェネティック操作から選択される群またはそれらの組み合わせであり、
前記基質からＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｃ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む、方法。
【請求項20】
以下のステップ：（ａ）テスト剤の投与前の初期生物学的年齢を得るために、請求項１または請求項８の方法を使用して被験者から得られた基質の年齢を計算すること、
（ｂ）前記被験者にテスト剤を投与すること、
（ｃ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｂ）が実行された後、前記被験者から得られた後続の基質上でステップ（ａ）を繰り返すこと、
（ｄ）テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合し、年齢の低減が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者のアンチエイジング剤として決定すること、
を含む、
アンチエイジング剤である薬剤をスクリーニングする方法で使用するための請求項１または請求項８に記載の方法であって、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合することは、前記ステップ（ｃ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む、方法。
【発明の詳細な説明】
【技術分野】
【0001】
[関連出願への相互参照]
この出願は、米国特許法第１１９条（ｅ）に従って、２０１９年５月２９日付けで出願した「エピエイジング：ヘルシーエイジングを管理するための新規エコシステム」と題する仮出願番号６２／８５４，２２６の優先権を主張するものであり、それぞれの内容は、参照により本明細書に組み込まれるものである。
[配列表]
この出願は、ＡＳＣＩＩ形式で電子的に提出され、参照によりその全体が本明細書に組み込まれる配列表を含む。２０２０年５月２８日付けで作成した前記のＡＳＣＩＩコピーは、ＴＰＣ５７５０５＿Ｓｅｑ Ｌｉｓｔ＿ＳＴ２５．ｔｘｔという名称で、サイズは４，０９６バイトである。
この出願は、米国特許法第１１９条（ｅ）に従って、２０１９年５月２９日付けで出願した「エピエイジング：ヘルシーエイジングを管理するための新規エコシステム」と題する仮出願番号６２／８５４，２２６の優先権を主張するものであり、それぞれの内容は、参照により本明細書に組み込まれるものである。
[配列表]
この出願は、ＡＳＣＩＩ形式で電子的に提出され、参照によりその全体が本明細書に組み込まれる配列表を含む。２０２０年５月２８日付けで作成した前記のＡＳＣＩＩコピーは、ＴＰＣ５７５０５＿Ｓｅｑ Ｌｉｓｔ＿ＳＴ２５．ｔｘｔという名称で、サイズは４，０９６バイトである。
【0002】
本発明は、概して、ヒトＤＮＡにおけるエピジェネティクスおよびＤＮＡメチル化シグネチャー、特に、人のエピジェネティックなエイジングを決定し、ＤＮＡメチル化シグネチャーに基づいてヘルシーエイジングを管理する方法に関する。より具体的には、本発明は、分子診断、健康管理、およびアプリデジタル技術を使用してパーソナライズされたルシーエイジングのライフスタイル修正ためのＤＮＡメチル化シグネチャーを含む方法を提供する。
【背景技術】
【0003】
暦年齢は、人が生きている年数として理解されるが、生理学的年齢とも呼ばれる生物学的年齢は、個人が何歳であるかを示す。人々はさまざまな割合でエイジングするため、個人の生物学的年齢を決定することは困難である。暦年齢よりも年上に「見える」および「感じる」ものいれば、暦年齢よりも若く見えるものもいる。全体的な人間の暦年齢は生物学的年齢と相関しているが、常にそうであるとは限らない。生物学的年齢は、暦年齢よりも、個人の健康、幸福、寿命のより良いパラメータである。生理学的年齢に相当するものとして、生物学的年齢は、食事、運動、睡眠習慣などを含むいくつかのライフスタイル要因を反映し、影響を受ける。しかし、個人の生物学的年齢の評価は依然として課題である。重要なことに、真の生物学的年齢を測定する必要性は、生物学的エイジングの速度を減速させる介入のテストと設計につながる可能性があるという考えによって推進されている。過去数十年の間に、生物学的エイジングと寿命を予測できるさまざまなパラメータを特定するために多大な努力が費やされてきた。例えば、フレイルの測定（Ｆｅｒｒｕｃｃｉ ｅｔ ａｌ．，２００２）、髪の白髪化、皮膚のエイジング（Ｙａｎａｉ、Ｂｕｄｏｖｓｋｙ、Ｔａｃｕｔｕ、＆Ｆｒａｉｆｅｌｄ、２０１１）、さまざまな種類の白血球のレベルなどが挙げられる。ただし、これらのマーカーのほとんどは、暦年齢を知ることよりも利点がないことがわかった。
【0004】
最近では、分子生物学の進歩により、エイジングの新規分子測定法が導入されている。「テロメアの長さ」（Ｍｏｎａｇｈａｎ、２０１０年）および「代謝測定」（Ｈｅｒｔｅｌ
ｅｔ ａｌ．，２０１６年）は、生物学的年齢を予測するために使用されてきた。ただし、テロメアの長さは年齢によって異なるが、暦年齢とテロメアの長さの間の相関は弱く、寿命の予測力は低かった。さらに、テロメアの長さを測定するために使用される技術は技術的に要求が厳しく、技術的なエラーが年齢の決定を混乱させる。使用されているもう１つの測定値は、尿中のさまざまな代謝物を測定する「代謝年齢スコア」である。（Ｈｅｒｔｅｌ ｅｔ ａｌ．，２０１６）この手法では、さまざまな尿成分を測定するための高度な方法が必要である。
ｅｔ ａｌ．，２０１６年）は、生物学的年齢を予測するために使用されてきた。ただし、テロメアの長さは年齢によって異なるが、暦年齢とテロメアの長さの間の相関は弱く、寿命の予測力は低かった。さらに、テロメアの長さを測定するために使用される技術は技術的に要求が厳しく、技術的なエラーが年齢の決定を混乱させる。使用されているもう１つの測定値は、尿中のさまざまな代謝物を測定する「代謝年齢スコア」である。（Ｈｅｒｔｅｌ ｅｔ ａｌ．，２０１６）この手法では、さまざまな尿成分を測定するための高度な方法が必要である。
【0005】
Ｈｏｒｖａｔｈによる「エピジェネティッククロック」の発見により、生物学的年齢マーカーの検索におけるパラダイムシフトが起こった（Ｈｏｒｖａｔｈ、２０１３年）。このクロックは、ＤＮＡの３５３ＣＧ位置でのＤＮＡメチル化クロックの測定に基づいている。メチル化クロックに含まれる遺伝子のメチル化の程度は、テロメアの長さやその他の髪、皮膚、フレイルなどのエイジングの測定値よりも、暦年齢との相関性が高いことがわかっている。さらに重要なことに、ほとんどの人にとって、ＤＮＡメチル化クロックは暦のクロックに非常に近いが、特定の人にとっては、該クロックは暦のクロックよりも速く進む。そのため、人は暦のクロックよりもはるかに老いたエピジェネティックな年齢を持つことができる。最近の研究は、ＤＮＡメチル化クロックのそのような進歩がさまざまな原因による早期死亡を予測することを示唆した。合計１３，０８９人の１３の異なる研究の最近の分析では、エピジェネティッククロックが、例えば、年齢、肥満度指数（ＢＭＩ）、教育、喫煙、身体活動、アルコール使用、喫煙および特定の合併症などのいくつかの危険因子とは無関係に、すべての原因による死亡率を予測することができたことを示した。（Ｃｈｅｎ ｅｔ ａｌ．，２０１６）
【0006】
ＥＢｉｏｍｅｄｉｃｉｎｅのＪｙｌｈaｖa、Ｐｅｄｅｒｓｅｎ、Ｈaｇｇによる最近のレビューには、「テロメアの長さは最もよく研究されている生物学的年齢予測因子であるが、多くの新規予測因子が出現しており、エピジェネティッククロックは、年齢とよく相関し、死亡率を予測するため、現在、最良の生物学的年齢予測因子である」と結論付けている（Ｊｙｌｈａｖａ， Ｐｅｄｅｒｓｅｎ， ＆ Ｈａｇｇ， ２０１７）。「テロメアの長さの測定における技術的な偏りも、一貫した結果の欠如の一因となる可能性がある。」著者らは、「簡単に言えば、テロメアの長さは広く検証されているが、予測力は低い。複合バイオマーカーは十分に検証されていないが、代謝年齢スコアと同様に、テロメアよりも強力な予測因子となる可能性がある。エピジェネティッククロックは現在、両方の側面を考慮して最高のパフォーマンスを発揮すると要約する。（Ｊｙｌｈａｖａ ｅｔ ａｌ．，２０１７）
【0007】
Ｖａｌｅｎｔｉｎ Ｍａｘ Ｖｅｔｔｅｒｅｔらによる１８９５人のベルリンエイジング研究ＩＩにおける生物学的年齢の測定値としてのテロメアの長さとエピジェネティッククロックの比較は、「前述のように、ＢＡＳＥ－ＩＩコホートでは、年齢の低い集団のテロメアの長さは、年齢の高い集団よりも有意に短かったが、テロメアの長さと暦年齢は、ＢＡＳＥ－ＩＩでは非常に弱い負の相関があった（Ｒｓ２ ＝ ．０１３）」と結論付けた。対照的に、この研究では、「私たちの結果は、ＤＮＡメチル化（エピジェネティッククロック）の年齢推定と暦年齢Ｒ２ｓＲｓ２ ＝０．４７の間に正の有意な相関関係を示し、これは共変量（性別、白血球分布、アルコール、喫煙）の調整後も持続した」ことを見出した。著者らは、「要約すると、予想通り、ＤＮＡｍ年齢は、テロメアの長さよりもはるかに正確な年代順の予測因子であることがわかったと結論付けている。（Ｖｅｔｔｅｒ
ｅｔ ａｌ．，２０１８）
ｅｔ ａｌ．，２０１８）
【0008】
２つの出生コホートに関するスコットランドの研究では、テロメアの長さが年齢の変動の２．８％を説明し、エピジェネティッククロックが年齢の変動の３４．５％を説明することが、組み合わせたコホート分析で判明した。同じ研究では、組み合わせたコホート分析でも、ベースラインのエピジェネティックな年齢の１標準偏差の増加は、死亡リスクの２５％の増加に関連していた。同じモデルでのベースラインのテロメア長さの１標準偏差の増加は、死亡リスクの１１％の減少と独立して関連していた（Ｐ ＜０．０４７）（Ｍａｒｉｏｎｉ ｅｔ ａｌ．，２０１８）。
【発明の概要】
【0009】
「エピジェネティッククロック」がこれまでの生物学的年齢の最も正確な測定値であるこ
とが明らかになりつつあるが、利用可能なテストでは、侵襲的で費用のかかるサンプルである血液を使用して多数のサイトをテストする必要がある。これは、大規模な患者がトリガーする使用には適用できない。利用可能な方法は、研究および臨床関連の研究には十分であるが、このテストの消費者中心の使用には適していない。したがって、正確で堅牢な高スループットで非侵襲的なテストが必要である。
とが明らかになりつつあるが、利用可能なテストでは、侵襲的で費用のかかるサンプルである血液を使用して多数のサイトをテストする必要がある。これは、大規模な患者がトリガーする使用には適用できない。利用可能な方法は、研究および臨床関連の研究には十分であるが、このテストの消費者中心の使用には適していない。したがって、正確で堅牢な高スループットで非侵襲的なテストが必要である。
【0010】
本発明は、前述の課題に対する解決策として、自己学習、自己啓発のヘルシーエイジングのためのヘルスエコシステム全体において、新規のＣＧサイトを使用し、正確で、堅牢な、唾液ベースの「エピエイジングテスト」を統合するシステムの形態で、コンピュータ可読媒体と統合されたエピジェネティッククロックの消費者ベースの実行可能な反復テストを使用し、これにより、データ収集と消費者との通信、データ共有、機械学習テクノロジーが可能になるアプリケーションとも呼ばれるもの（以下において「アプリ」ともいう）を提供する。
現在の方法は費用がかかり（異なるゲノム領域にわたる多くのＣＧサイトの分析のＤＮＡメチル化が必要）、侵襲的（血液を使用）であり、スタンドアロンであり、年齢スコアの改善のためのガイダンスを提供しない。健康にポジティブな影響を与える行動の一般的な概念は医学文献で推奨されているが、特定の人に役立ち得るライフスタイルの変化の正確なパーソナライズされた組み合わせは不明である。本発明は、唾液を使用する消費者ベースの「ＤＮＡメチル化年齢テスト」を、アプリを介して消費者によって管理されるデータ共有、機械学習、および健康スタイル介入のパーソナライズを組み合わせたアプリ誘導健康およびライフスタイル管理環境と統合するシステムを開示する。データは完全に個人的にされ、消費者間でのみ共有され、外部の者とは共有されない。消費者がデータを共有する動機は、共有コミュニティに参加することで健康を改善するためのより質の高いアドバイスを受け取るということである。したがって、データを共有することのメリットは、より質の高いデータをライフスタイルの評価と推奨事項を得ることにより、動的かつ反復的に消費者に提供される。
現在の方法は費用がかかり（異なるゲノム領域にわたる多くのＣＧサイトの分析のＤＮＡメチル化が必要）、侵襲的（血液を使用）であり、スタンドアロンであり、年齢スコアの改善のためのガイダンスを提供しない。健康にポジティブな影響を与える行動の一般的な概念は医学文献で推奨されているが、特定の人に役立ち得るライフスタイルの変化の正確なパーソナライズされた組み合わせは不明である。本発明は、唾液を使用する消費者ベースの「ＤＮＡメチル化年齢テスト」を、アプリを介して消費者によって管理されるデータ共有、機械学習、および健康スタイル介入のパーソナライズを組み合わせたアプリ誘導健康およびライフスタイル管理環境と統合するシステムを開示する。データは完全に個人的にされ、消費者間でのみ共有され、外部の者とは共有されない。消費者がデータを共有する動機は、共有コミュニティに参加することで健康を改善するためのより質の高いアドバイスを受け取るということである。したがって、データを共有することのメリットは、より質の高いデータをライフスタイルの評価と推奨事項を得ることにより、動的かつ反復的に消費者に提供される。
【発明の目的】
【0011】
本発明の主な目的は、被験者の基質からＤＮＡを抽出し、基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定してＤＮＡメチル化プロファイルを取得し、ポリジェニッスコアを得るためにＤＮＡメチル化プロファイルを分析し、およびポリジェニッスコアから被験者の生物学的年齢を決定するステップを含む、被験者の生物学的年齢を計算する方法に関する。
ここで、基質からＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
ここで、基質からＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
【0012】
本発明のさらなる目的は、ポリジェニックＤＮＡメチル化バイオマーカーに対して実施される測定されたＤＮＡメチル化プロファイルから得られたポリジェニッスコアから得られる被験者の生物学的年齢を計算する方法に関する。これは、ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域に位置され、ＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置するヒトＣＧサイトのいずれかおよびそれらの組み合わせの内のＣＧサイトのメチル化状態を測定することを含む。
【0013】
本発明のもう一つの目的は、複数の被験者の複数の基質からＤＮＡを抽出し、複数の基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定してＤＮＡメチル化プロファイルを取得し、ポリジェニッスコアを得るためにＤＮＡメチル化プロファイルを分析し、およびポリジェニッスコアから被験者の生物学的年齢を決定するステップを含む、複数の被験者にわたる生物学的年齢を計算する方法に関する。
ここで、ＤＮＡを抽出することは、複数の被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
ここで、ＤＮＡを抽出することは、複数の被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
【0014】
本発明のさらにもう一つの目的は、被験者の生物学的年齢を決定するためのキットに関する。前記キットは、被験者からの基質の収集および安定化のための手段および試薬；キットのバーコードを読み取るためのスキャナー；前記基質の収集および安定化に関する指示書を含み；前記基質は被験者の唾液または血液であり、前記基質の安定化が基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、被験者の生物学的年齢を決定するステップを含むキットである。
【0015】
本発明のさらにもう一つの目的は、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法に関する。前記方法は、被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価し、前記被験者の生物学的年齢を決定するための前記被験者から得られた被験者の生物学的年齢を決定するためのキットに前記エントリーを一致させ、生物学的年齢を計算するための方法、または複数の被験者にわたって生物学的年齢を計算するための方法を使用して、前記被験者の計算された生物学的年齢を取得するために前記被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーの評価を使用して統計分析を実行することにより、前記計算された生物学的年齢を前記被験者の機械学習モデルに統合して、統合データレポートを取得し、前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともに統合データレポートを分析することにより前記被験者の動的レポートを作成し、ライフスタイルの変化についての推奨を提供するために、コンピュータ可読媒体において動的レポートを前記被験者と共有するステップを含む、方法である。
【0016】
本発明の別の目的は、コンピュータ可読媒体を開発するための方法に関する。
前記方法は、複数の被験者から得られたデータを保存し、保存されたデータを分析し、モデルを構築するステップを含み、
前記複数の被験者から得られたデータを保存するステップはクラウドベースのＳＱＬデータベースを含み、
前記保存されたデータを分析するステップは、深層機械学習、強化学習および機械学習から選択される群、またはそれらの組み合わせを含み、
および前記モデルを構築するステップは、入力質問票の測定値および出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む、コンピュータ可読媒体を開発するための方法である。
前記方法は、複数の被験者から得られたデータを保存し、保存されたデータを分析し、モデルを構築するステップを含み、
前記複数の被験者から得られたデータを保存するステップはクラウドベースのＳＱＬデータベースを含み、
前記保存されたデータを分析するステップは、深層機械学習、強化学習および機械学習から選択される群、またはそれらの組み合わせを含み、
および前記モデルを構築するステップは、入力質問票の測定値および出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む、コンピュータ可読媒体を開発するための方法である。
【0017】
したがって、本発明は、年齢の進行、ライフスタイルの影響を評価するのに有用な方法および材料を提供し、および被験者からまたは複数の被験者にわたる基質または血液や唾液を含む基質から抽出されたＤＮＡにおけるＥｌｏｖＬ２遺伝子（ＥｌｏｖＬ２ ＡＳ１領域）に対して向けられたアンチセンスｍＲＮＡをコードする遺伝子の上流にあるＣＧサイトまたはＣＧ位置のＤＮＡメチル化を分析する方法による生物学的年齢の計算に基づくライフスタイル変化に関するパーソナライズされたライフスタイル推奨事項を提供する。
【課題を解決するための手段】
【0018】
本発明の一実施形態は、被験者の生物学的年齢を計算するための方法に関する。前記方法は、被験者の基質からＤＮＡを抽出し、ＤＮＡメチル化プロファイルを取得するために基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定し、ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを取得し、およびポリジェニッスコアから被験者の生物学的年齢を決定するステップを含む方法である。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
【0019】
本発明は、年齢の進行が、ＥｌｏｖＬ２遺伝子に対して向けられたアンチセンスｍＲＮＡをコードする遺伝子（ＥｌｏｖＬ２ ＡＳ１領域と呼ばれる）の上流の領域に存在するかまたは位置するＣＧ位置またはＣＧサイトのメチル化と高度に相関することを見出した。したがって、本発明の別の実施形態は、被験者の生物学的年齢を計算するための方法に関する。前記方法は、表１に記載されるヒトＣＧサイトの任意の１つのメチル化状態を測定することを含むポリジェニックＤＮＡメチル化バイオマーカーに対して実施されるＤＮＡメチル化を測定するステップを含む。表１はＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置する本明細書に開示されるヒト染色体６上に現れるＣＧ位置およびそれらの組み合わせを提供する。本発明は、前記領域のターゲット化されたアンプリコン配列決定が、表１に記載される前述の１３の新規ＣＧサイトの組み合わせを明らかにすること見出した。表１はＳＥＱ ＩＤ ＮＯ：１に示されたＥｌｏｖＬ２ ＡＳ１領域における本明細書に開示されるヒト染色体６上に現れるＣＧ位置を提供し、そのメチル化は唾液中の生物学的年齢と高度に相関していた。本発明の線形回帰方程式は、これらのサイトの年齢による回帰係数を明らかにし、これらのサイトの複合加重方程式は、生物学的年齢を正確に予測する。
【0020】
本発明の一実施形態は、複数の被験者にわたる生物学的年齢を計算するための方法を開示し、前記方法は、複数の被験者の複数の基質からＤＮＡを抽出し、複数の基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得、ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを取得し、ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定するステップを含み、前記ＤＮＡの抽出は、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む方法である。
本発明は、表１に記載されるＣＧサイトのポリジェネックセットにおけるＤＮＡメチル化を決定することによって唾液中のＤＮＡメチル化年齢を正確に測定する方法を開示する。これは、数百人の人々における同時にＳＥＱ ＩＤ ＮＯ：１で示されているＥｌｏｖＬ２ ＡＳ１領域における本明細書に開示されているヒト染色体６上に現れるＣＧ位置を提供する。これは、ターゲット特異的プライマーを用いた連続増幅、続いてバーコードプライマー、および単一の次世代Ｍｉｓｅｑ配列決定反応における多重配列決定シーケンシング、データ抽出、およびメチル化の定量化による。
また本発明は、表１に記載されるＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域における本明細書に開示されるヒト染色体６上に現れるＣＧ位置を提供し、前記ＤＮＡメチル化ＣＧサイトのメチル化の測定を開示する。これは、パイロシーケンシングアッセイまたはメチル化特異的ＰＣＲまたはデジタルＰＣＲを使用するによる。
本発明は、年齢を予測するポリジーン加重メチル化スコアの計算を開示する。
本発明は、表１に記載されるＣＧサイトのポリジェネックセットにおけるＤＮＡメチル化を決定することによって唾液中のＤＮＡメチル化年齢を正確に測定する方法を開示する。これは、数百人の人々における同時にＳＥＱ ＩＤ ＮＯ：１で示されているＥｌｏｖＬ２ ＡＳ１領域における本明細書に開示されているヒト染色体６上に現れるＣＧ位置を提供する。これは、ターゲット特異的プライマーを用いた連続増幅、続いてバーコードプライマー、および単一の次世代Ｍｉｓｅｑ配列決定反応における多重配列決定シーケンシング、データ抽出、およびメチル化の定量化による。
また本発明は、表１に記載されるＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域における本明細書に開示されるヒト染色体６上に現れるＣＧ位置を提供し、前記ＤＮＡメチル化ＣＧサイトのメチル化の測定を開示する。これは、パイロシーケンシングアッセイまたはメチル化特異的ＰＣＲまたはデジタルＰＣＲを使用するによる。
本発明は、年齢を予測するポリジーン加重メチル化スコアの計算を開示する。
【0021】
本発明の一実施形態は、被験者の生物学的年齢を決定するためのキットを開示する。前記キットは、被験者の基質の収集および安定化のための手段および試薬；キットのバーコードを読み取るためのスキャナー；および基質の収集および安定化に関する指示書を含む。前記基質は被験者の唾液または血液であり、前記基質の安定化が、基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、被験者の生物学的年齢を決定することを含むキットである。
【0022】
本発明の一実施形態は、ライフスタイルの変化についての推奨事項を提供するためのコンピュータ実施方法を開示している。前記方法は、被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価し；本明細書に開示され、および前記被験者の生物学的年齢を決定するために前記対象から得られたキットに前記エントリーを一致させ；本明細書に開示される被験者の生物学的年齢を計算する方法、または複数の被験者にわたる生物学的年齢を計算する方法を使用して被験者の生物学的年齢を計算し；コンピュータ可読媒体へのエントリーの評価を使用して統計分析を実行して統合デー
タレポートを取得することにより、前記計算された生物学的年齢を前記被験者の機械学習モデルに統合して、統合データレポートを取得し；前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともに統合データレポートを分析することにより前記被験者の動的レポートを作成し；ライフスタイルの変化についての推奨を提供するために、コンピュータ可読媒体において動的レポートを前記被験者と共有するステップを含む、方法である。
したがって、本発明はコンピュータ実施方法を開示する。これは、唾液中の生物学的年齢の繰り返されるＤＮＡメチル化年齢測定を、これらの変化を管理するアプリとも呼ばれるコンピュータ可読媒体を使用する動的なライフスタイルの変化と統合する新規プロセスである。
ＤＮＡメチル化年齢の決定には唾液のみが必要であるため、本発明の開示された方法は、コンピュータ可読媒体またはアプリを介して、唾液収集キットに吐き出し、ＤＮＡメチル化分析のためにＤＮＡ抽出キットがラボに郵送される。消費者主導のテストの順序付けを提供する。ライフスタイルの変化はアプリに記録され、メチル化データとライフスタイルデータはデータベースにキャプチャされ、ニューラルネットワークなどの機械学習プログラムによって継続的かつ反復的に分析される。
タレポートを取得することにより、前記計算された生物学的年齢を前記被験者の機械学習モデルに統合して、統合データレポートを取得し；前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともに統合データレポートを分析することにより前記被験者の動的レポートを作成し；ライフスタイルの変化についての推奨を提供するために、コンピュータ可読媒体において動的レポートを前記被験者と共有するステップを含む、方法である。
したがって、本発明はコンピュータ実施方法を開示する。これは、唾液中の生物学的年齢の繰り返されるＤＮＡメチル化年齢測定を、これらの変化を管理するアプリとも呼ばれるコンピュータ可読媒体を使用する動的なライフスタイルの変化と統合する新規プロセスである。
ＤＮＡメチル化年齢の決定には唾液のみが必要であるため、本発明の開示された方法は、コンピュータ可読媒体またはアプリを介して、唾液収集キットに吐き出し、ＤＮＡメチル化分析のためにＤＮＡ抽出キットがラボに郵送される。消費者主導のテストの順序付けを提供する。ライフスタイルの変化はアプリに記録され、メチル化データとライフスタイルデータはデータベースにキャプチャされ、ニューラルネットワークなどの機械学習プログラムによって継続的かつ反復的に分析される。
【0023】
本発明の一実施形態は、コンピュータ可読媒体を開発するための方法を開示する。前記方法は、複数の被験者から得られたデータを保存し、保存されたデータを分析し、モデルを構築するステップを含む方法であって、複数のユーザーから得られたデータを保存するステップは、クラウドベースのＳＱＬデータベースを含む。前記保存されたデータを分析するステップは、深層機械学習、強化学習、機械学習、またはそれらの組み合わせから選択されたグループを含み、モデルを構築するステップは、入力質問票の測定値および出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む。複数の消費者が共有するデータを継続的に分析して、入力ライフスタイルの変化を、本発明に開示される方法によって提供されるＤＮＡメチル化年齢または生物学的年齢と暦年齢との間の差の出力と関連付けるモデルを構築する。ここに開示されているモデルは個人データに適用され、該モデルはライフスタイルの個人的な変化に関する推奨事項を導き出す。ここに開示されている入力ライフスタイルの変化と出力ＤＮＡメチル化年齢または生物学的年齢は繰り返し測定され、消費者のアプリに向けられた追加のアドバイスとともにさらなる強化学習に使用される。
【0024】
本発明は、生物学的年齢およびライフスタイルの変化とＤＮＡメチル化年齢との間の関係を測定するために当業者によって使用され得る方法を提供する。表１に記載のＤＮＡメチル化マーカー（ＣＧＩＤ）は、本明細書に記載の本明細書に開示されるＳＥＱ ＩＤ ＮＯ：１に記載の新たに発見された遺伝子ＥｌｏｖＬ２ ＡＳ１のヒト染色体６の上流領域における選択されたＣＧ位置を描写する。本発明は、ＤＮＡメチル化のエイジングまたは生物学的年齢を決定するための消費者主導の唾液ベースのテスト、および「共有」アプリまたはコンピュータ可読媒体および機械学習システムを使用したライフスタイルパラメータの報告および修正に有用である。
本発明は、同時に数百人の人々または被験者にわたる本明細書に開示されるＳＥＱ ＩＤ
ＮＯ：１に記載されるアンチセンスＥＬＯＶＬ２ ＡＳ１領域のターゲット化されたアンプリコン配列決定を含む、本明細書に開示されるＤＮＡメチル化測定方法に基づくポリジェニッスコアまたは次世代のバイサルファイトシーケンシング、パイロシーケンシング、ＭｅＤｉｐシーケンシング、イオントレントシーケンシング、Ｉｌｌｕｍｉｎａ４５０Ｋアレイ、Ｅｐｉｃマイクロアレイなどの当業者の人々が利用できるＤＮＡメチル化を測定する他の方法を使用して「生物学的年齢」を測定するのに有用であることが示される。本発明はまた、オープンソースおよびＢｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、およびＳｉｂｅｒｉａｎ ＣＭＳなどの他のプログラムを使用して、当業者によって開
発され得る本明細書に開示される「エピエイジング」アプリを使用してライフスタイルの変化に対する包括的な計画におけるＤＮＡメチル化測定を統合させるための本発明の有用性を開示する。データは、当業者であれば誰でも扱うことができる。ＡｚｕｒｅクラウドやＡｍａｚｏｎクラウドなどのクラウドサーバーのＭｙＳＱＬなどのデータベースに保存される。これらのサーバーで該データは、当業者が利用できるＴｅｎｓｏｒフローやＲ統計などのオープンソースプログラムを使用して、ニューラルネットワークなどの機械学習プラットフォームによって分析される。
本発明は、ヘルシーエイジングに影響を与える可能性のあるライフスタイルの変化の組み合わせに関する推奨事項を含む動的な「パーソナライズされた」レポートを顧客に提供する際の本発明の有用性を開示する。
本発明はまた、推奨されるライフスタイルの変化の前後にＤＮＡメチル化年齢を測定するための唾液を送ることによって、介入が生物学的年齢に及ぼす影響を測定するための「エピエイジング」ＤＮＡメチル化テストおよびアプリの有用性を開示する。
本発明は、同時に数百人の人々または被験者にわたる本明細書に開示されるＳＥＱ ＩＤ
ＮＯ：１に記載されるアンチセンスＥＬＯＶＬ２ ＡＳ１領域のターゲット化されたアンプリコン配列決定を含む、本明細書に開示されるＤＮＡメチル化測定方法に基づくポリジェニッスコアまたは次世代のバイサルファイトシーケンシング、パイロシーケンシング、ＭｅＤｉｐシーケンシング、イオントレントシーケンシング、Ｉｌｌｕｍｉｎａ４５０Ｋアレイ、Ｅｐｉｃマイクロアレイなどの当業者の人々が利用できるＤＮＡメチル化を測定する他の方法を使用して「生物学的年齢」を測定するのに有用であることが示される。本発明はまた、オープンソースおよびＢｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、およびＳｉｂｅｒｉａｎ ＣＭＳなどの他のプログラムを使用して、当業者によって開
発され得る本明細書に開示される「エピエイジング」アプリを使用してライフスタイルの変化に対する包括的な計画におけるＤＮＡメチル化測定を統合させるための本発明の有用性を開示する。データは、当業者であれば誰でも扱うことができる。ＡｚｕｒｅクラウドやＡｍａｚｏｎクラウドなどのクラウドサーバーのＭｙＳＱＬなどのデータベースに保存される。これらのサーバーで該データは、当業者が利用できるＴｅｎｓｏｒフローやＲ統計などのオープンソースプログラムを使用して、ニューラルネットワークなどの機械学習プラットフォームによって分析される。
本発明は、ヘルシーエイジングに影響を与える可能性のあるライフスタイルの変化の組み合わせに関する推奨事項を含む動的な「パーソナライズされた」レポートを顧客に提供する際の本発明の有用性を開示する。
本発明はまた、推奨されるライフスタイルの変化の前後にＤＮＡメチル化年齢を測定するための唾液を送ることによって、介入が生物学的年齢に及ぼす影響を測定するための「エピエイジング」ＤＮＡメチル化テストおよびアプリの有用性を開示する。
【0025】
本発明の他の目的、特徴および利点は、以下の詳細な説明から当業者に明らかになるであろう。
しかしながら、詳細な説明および特定の実施例は、本発明のいくつかの実施形態を示しているが、限定ではなく例示として与えられていることを理解されたい。本発明の範囲内の多くの変更および修正は、その精神から逸脱することなく行うことができ、本発明は、そのような修正すべてを含む。
しかしながら、詳細な説明および特定の実施例は、本発明のいくつかの実施形態を示しているが、限定ではなく例示として与えられていることを理解されたい。本発明の範囲内の多くの変更および修正は、その精神から逸脱することなく行うことができ、本発明は、そのような修正すべてを含む。
【図面の簡単な説明】
【0026】
【図1】ＥｌｏｖＬ２ ＡＳ１領域と呼ばれるＥｌｏｖＬ２遺伝子の上流のアンチセンス領域のＣＧサイトでのＤＮＡメチル化は、年齢と相関する。ＣＧサイト周辺のヒトゲノム領域のＩＧＶブラウザビュー、および本明細書で開示される表１に記載されるＥｌｏｖＬ２ ＡＳ１領域、すなわちｃｇ１６８６６７５７およびｃｇ２１５７２７２２の２つのＣＧの位置が示されている。公的に入手可能なＩｌｌｕｍｉｎａ４５０Ｋアレイの血球のゲノム全体のＣＧＩＤのメチル化状態と年齢の間のピアソン相関により、トップのＣＧはｃｇ１６８６７６５７であり、ピアソンの積率相関係数はｒ＝０．９３４（ｐ＝０）であり、隣接サイトｃｇ２１５７２７２２の年齢との相関係数はｒ＝０．８１００４（ｐ＝０）であることが明らかになり、発見されたＣＧサイトのメチル化状態がＥｌｏｖＬ２ＡＳ１領域の年齢と相関していることが示されている。このＣＧのゲノム位置を調べると、これまで特徴付けられていなかった領域であるＥｌｏｖＬ２アンチセンス遺伝子ＥｌｏｖＬ２ ＡＳ１領域に存在する１３個のＣＧ（表示）の配列のメンバーであることが明らかになった。
【図2】ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトは、唾液の年齢と高い相関がある。ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトの加重メチル化レベルのメチル化スコア、すなわち、第６染色体に位置するｃｇ１６８６７６５７、ｃｇ２１５７２７２２、および第１染色体に位置するｃｇ０９８０９６７２（ゲノムの表１の位置を参照）と公的に入手可能な血液Ｉｌｌｕｍｉｎａ４５０Ｋアレイ（ＧＳＥ４０２７９ ｎ＝６５６およびＧＳＥ２２１９、ｎ＝６０）の年齢との相関が示されている。分析により、すべての年齢にわたるメチル化と年齢の間に強い相関関係があることが明らかになった。
【図3】ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトでのメチル化と唾液中の年齢の相関、およびＨｏｒｖａｔｈ エピジェネティッククロックとの比較。ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト、すなわちｃｇ１６８７６５７およびｃｇ２１５７２７２２でのメチル化と唾液中の年齢の相関関係、およびＨｏｒｖａｔｈ エピジェネティッククロックとの比較が示されている。Ａ．ｃｇ１６８７６５７とｃｇ２１５７２７２２の組み合わせたメチル化スコア（ＨＫＧ）と、ＧＳＥ７８８７４の唾液からのＤＮＡメチル化プロファイルを使用した年齢との相関。Ｂ．同じＩｌｌｕｍｉｎａ４５０Ｋデータを使用したゴールドスタンダードのＨｏｒｖａｔｈメチル化クロックスコア間の相関。Ｃ．２つのテストの精度の比較。これら２つのサイトの合計スコアは、ゴールドスタンダードのＨｏｒｖａｔｈクロックよりも予測年齢の平均偏差が低くなっている。
【図4】唾液中の１３ＣＧ ＥｌｏｖＬ２ＡＳ１ポリジェニッスコアを使用した年齢の予測。本発明の有用性が示されている。Ａ．６５人の唾液ＤＮＡのメチル化レベルを用いてＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト１、５、６、９の加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。図１に記載されているＥｌｏｖＬ２ ＡＳ１領域は、バイサルファイト変換唾液ＤＮＡから増幅され、Ｍｉｓｅｑ次世代シーケンサーでマルチプレックス次世代シーケンスにかけられた。Ｂ．ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト１、２、５、６、９の加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。Ｃ．ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト１、２の加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。Ｄ．ＥｌｏｖＬ２ ＡＳ１領域のすべてのＣＧサイトの加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。Ｅ．さまざまなメチル化スコアの予測値の比較。１３ ＣＧサイトすべてを含む方程式は、他のどの組み合わせよりも優れている。
【図5】エピエイジングアプリ。エピエイジングアプリのホームページが描かれている。
【図6】エピエイジングアプリベースのヘルスエコシステム。エピエイジングアプリのユーティリティ；データガイド付きのライフスタイル管理が描かれている。ヘルスエコシステムの中心にあるのはエピエイジングアプリである。このアプリを使用すると、顧客はＤＮＡメチル化、生物学的エイジング、栄養補助食品について学ぶことができる。このアプリを使用すると、顧客はライフスタイル、心臓血管の健康、気分、栄養、性差による睡眠、痛みのデータを入力できる。このアプリを使用すると、顧客はマーケットプレイスから唾液検査キットを注文できる。唾液キットは郵送され、顧客はバーコードをスキャンして、電話ＩＤとテストＩＤを接続するＩＤを顧客に割り当てる。顧客は郵送料前払いで唾液キットをラボに送る。ラボからのメチル化年齢データと反復的なライフスタイルデータは、アプリとラボからＳＱＬでプログラムされたデータベースに送信される。同様に、他の顧客は自分のライフスタイルデータとＤＮＡメチル化データをデータベースに送信している。機械学習アルゴリズムは、深層学習と反復入力データを使用してデータを分析している。結果を決定する際の各入力の重みを定義するモデルが計算される。個人データはモデルによって分析され、結果を変えると予測されるライフスタイルの変化（デルタＤＮＡメチル化－暦年齢）がアプリに配信される。顧客はライフスタイルを変化し、新たに唾液検査を注文し、このサイクルは暦年齢に対するＤＮＡメチル化年齢の変化の方向と範囲に基づいて繰り返し分析されさらなる提案を繰り返し行う。
【図7】ヘルスエピエコシステム。ヘルスエピエコシステムとヘルシーエイジングにおけるその有用性が描かれている。エピエイジングアプリは、ヘルスエコシステムの中心に位置している。それは評判の良い全米医師会からの健康アドバイスのライブ配信を可能にする。ヘルスプロバイダーとライフスタイル製品のマーケットプレイス、およびさまざまな新規テストのマーケットプレイスを作成する。アプリは、すべての情報を繰り返し分析する一般的なデータサーバーにデータを送信し、ライフスタイルの変化、実行可能なテスト、および分析に基づいた医療提供者とベンダーの情報に関する推奨事項を提供する。
【発明の詳細な説明】
【0027】
実施形態の説明において、本明細書の一部を形成し、本発明を実施することができる特定の実施形態を例示として示す添付の図を参照することができる。本発明の範囲から逸脱することなく、他の実施形態を利用することができ、構造変更を行うことができることを理解されたい。本明細書で説明または参照される技術および手順の多くは、当業者によって十分に理解され、一般的に使用されている。別段の定義がない限り、本明細書で使用され
るすべての技術用語、表記法、および他の科学用語または専門用語は、本発明が関係する当業者によって一般に理解される意味を有することを意図している。場合によっては、一般に理解されている意味を持つ用語は、明確にするため、および／またはすぐに参照できるように本明細書で定義され、本明細書にそのような定義を含めることは、当技術分野で一般に理解されているものとの実質的な違いを表すと必ずしも解釈されるべきではない。
るすべての技術用語、表記法、および他の科学用語または専門用語は、本発明が関係する当業者によって一般に理解される意味を有することを意図している。場合によっては、一般に理解されている意味を持つ用語は、明確にするため、および／またはすぐに参照できるように本明細書で定義され、本明細書にそのような定義を含めることは、当技術分野で一般に理解されているものとの実質的な違いを表すと必ずしも解釈されるべきではない。
【0028】
図面のすべての図は、本発明の選択されたバージョンを説明することを目的としており、本発明の範囲を限定することを意図するものではない。
【0029】
本明細書で言及されるすべての刊行物は、引用された刊行物に関連する態様、方法、および／または材料を開示および説明するために、参照により本明細書に組み込まれる。
【0030】
ＤＮＡメチル化とは、ＤＮＡ分子の化学修飾を指す。ＩｌｌｕｍｉｎａインフィニウムマイクロアレイやＤＮＡシーケンシングベースの方法などの技術プラットフォームは、人のＤＮＡメチル化レベルの非常に堅牢で再現性のある測定につながることがわかっている。
ヒトゲノムには２８００万を超えるＣｐＧまたはＣＧ遺伝子座がある。 その結果、特定の遺伝子座には、ＩｌｌｕｍｉｎａのＣｐＧまたはＣＧ遺伝子座データベースにあるような固有の識別子が与えられる。これらのＣＧ遺伝子座指定識別子は、本明細書で使用される。
［定義］
ヒトゲノムには２８００万を超えるＣｐＧまたはＣＧ遺伝子座がある。 その結果、特定の遺伝子座には、ＩｌｌｕｍｉｎａのＣｐＧまたはＣＧ遺伝子座データベースにあるような固有の識別子が与えられる。これらのＣＧ遺伝子座指定識別子は、本明細書で使用される。
［定義］
【0031】
本明細書で使用される「ＣＧ」という用語は、シトシンおよびグアノシン塩基を含むＤＮＡ中のジヌクレオチド配列を指す。本明細書で使用される「ＣＧサイト」と呼ばれるＣＧ位置は、ヒトゲノムにおける位置であり、参照ヒトゲノムｈｇ１９における染色体およびヌクレオチド位置によって定義される。
本明細書で使用される「ベータ値」という用語は、メチル化プローブと非メチル化プローブの間の強度の比および式：ベータ値＝０は完全に非メチル化され、１は完全にメチル化されている。０と１の間のメチル化Ｃ強度／（メチル化Ｃ強度＋非メチル化Ｃ強度）を使用したＩｌｌｕｍｉｎａ４５０ＫまたはＥＰＩＣアレイの正規化および定量化によって導き出されたＣＧＩＤ位置でのメチル化レベルの計算を指す。
本明細書で使用される「ディシジョンツリー」という用語は、多くの変数および変数間の相互作用から、説明される応答または結果を最も予測するものを選択する一種のデータマイニングアルゴリズムである（Ｍａｎｎ ｅｔ ａｌ．，２００８）。
本明細書で使用される「ランダムフォレスト」という用語は、特定の結果または応答を決定する際に最も重要な変数を選択できるデータマイニングアルゴリズムの一種である（Ｓｈｉ、Ｓｅｌｉｇｓｏｎ、Ｂｅｌｌｄｅｇｒｕｎ、Ｐａｌｏｔｉｅ、＆Ｈｏｒｖａｔｈ、２００５； Ｓｖｅｔｎｉｋ ｅｔ ａｌ．，２００３）。
本明細書で使用される「ラッソ回帰」という用語は、線形回帰モデルの変数を選択する方法であり、最小化された予測誤差で結果（応答変数）を予測するために必要である予測因子の最小サブセットを識別する（Ｋｉｍ、Ｋｉｍ、Ｊｅｏｎｇ、Ｊｅｏｎｇ、＆Ｋｉｍ、２０１８）。
本明細書で使用される「Ｋ－ｍｅａｎｓクラスター分析」という用語は、個々の観測が１つのクラスターに属する、観測をより小さなクラスターのセットに分割する指導なし機械学習手法である（Ｂｅａｕｃｈａｉｎｅ＆Ｂｅａｕｃｈａｉｎｅ、２００２； Ｋａｋｕｓｈａｄｚｅ＆Ｙｕ、２０１７）。
本明細書で使用される「強化学習」という用語は、データ分析からフィードバックを受け取り、試行錯誤しながら学習することを含む。一連の成功した決定は、プロセスの強化につながる（Ｚｈａｏ、Ｋｏｓｏｒｏｋ、＆Ｚｅｎｇ、２００９）。
本明細書で使用される「ペナルティ付き回帰」という用語は、Ｇｏｅｍａｎ、ＪＪ（Ｂｉｏｍｅｔｒｉｃａｌ Ｊｏｕｒｎａｌ ５２（１）、７０－８４）による「Ｃｏｘ比例ハ
ザードモデルにおけるＬ１ペナルティ付きを推定」に記載されるように、Ｒ統計パッケージに実装されるようなバイオマーカーのより大きなリストから結果を予測するために必要な最小数の予測因子を特定することを目的とした統計的方法を指す。
本明細書で使用される「クラスタリング」という用語は、同じグループ（クラスターと呼ばれる）内のオブジェクトが他のグループ（クラスター）内のオブジェクトよりも（様々な意味で）互いにより類似するような方法でのオブジェクトのセットのグループ化を指す。
本明細書で使用される「ニューラルネットワークおよび深層学習」という用語は、データから反復的に学習するためにいくつかの層にニューラルネットワークを組み込む機械学習の方法を指す。ニューラルネットワークは、ライフスタイル変数などのさまざまなデータ入力を、脳内のニューロンのように複数の相互作用を持つ人工ニューロンと呼ばれる接続されたユニットまたはノードのコレクションとして調べる（Ｄｅ Ｒｏａｃｈ、１９８９； Ｍｕｐｐａｒａｐｕ、Ｗｕ、＆Ｃｈｅｎ、２０１８； Ｓｈｅｒｂｅｔ、 Ｗｏｏ、＆Ｄｌａｙ、２０１８）。これらの相互作用は、暦年齢と比較して加速または減速として測定される生物学的エイジングの出力を駆動する。
本明細書で使用される「多重またはポリジェニック線形回帰」という用語は、複数のＣＧ
ＩＤにおけるメチル化のパーセンテージなどの複数の「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の関係を推定する統計的方法を指す。前記方法では、ＣＧ ＩＤなどの複数の「独立変数」がモデルに含まれている場合に、「結果」（年齢などの従属変数）を予測する際に、各ＣＧ ＩＤの「重み」または係数を決定する。
本明細書で使用される「ピアソン相関」という用語は、ＣＧ ＩＤにおけるメチル化のパーセンテージなどの「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の相関を推定する統計的方法を指す。ピアソンの積率相関係数ｒは、相関がないことを示す０と完全な相関を示す１の間の相関に定量的に重み付けをする（Ｈａｒｄｙ＆Ｍａｇｎｅｌｌｏ、２００２）。
本明細書で使用される「ベータ値」という用語は、メチル化プローブと非メチル化プローブの間の強度の比および式：ベータ値＝０は完全に非メチル化され、１は完全にメチル化されている。０と１の間のメチル化Ｃ強度／（メチル化Ｃ強度＋非メチル化Ｃ強度）を使用したＩｌｌｕｍｉｎａ４５０ＫまたはＥＰＩＣアレイの正規化および定量化によって導き出されたＣＧＩＤ位置でのメチル化レベルの計算を指す。
本明細書で使用される「ディシジョンツリー」という用語は、多くの変数および変数間の相互作用から、説明される応答または結果を最も予測するものを選択する一種のデータマイニングアルゴリズムである（Ｍａｎｎ ｅｔ ａｌ．，２００８）。
本明細書で使用される「ランダムフォレスト」という用語は、特定の結果または応答を決定する際に最も重要な変数を選択できるデータマイニングアルゴリズムの一種である（Ｓｈｉ、Ｓｅｌｉｇｓｏｎ、Ｂｅｌｌｄｅｇｒｕｎ、Ｐａｌｏｔｉｅ、＆Ｈｏｒｖａｔｈ、２００５； Ｓｖｅｔｎｉｋ ｅｔ ａｌ．，２００３）。
本明細書で使用される「ラッソ回帰」という用語は、線形回帰モデルの変数を選択する方法であり、最小化された予測誤差で結果（応答変数）を予測するために必要である予測因子の最小サブセットを識別する（Ｋｉｍ、Ｋｉｍ、Ｊｅｏｎｇ、Ｊｅｏｎｇ、＆Ｋｉｍ、２０１８）。
本明細書で使用される「Ｋ－ｍｅａｎｓクラスター分析」という用語は、個々の観測が１つのクラスターに属する、観測をより小さなクラスターのセットに分割する指導なし機械学習手法である（Ｂｅａｕｃｈａｉｎｅ＆Ｂｅａｕｃｈａｉｎｅ、２００２； Ｋａｋｕｓｈａｄｚｅ＆Ｙｕ、２０１７）。
本明細書で使用される「強化学習」という用語は、データ分析からフィードバックを受け取り、試行錯誤しながら学習することを含む。一連の成功した決定は、プロセスの強化につながる（Ｚｈａｏ、Ｋｏｓｏｒｏｋ、＆Ｚｅｎｇ、２００９）。
本明細書で使用される「ペナルティ付き回帰」という用語は、Ｇｏｅｍａｎ、ＪＪ（Ｂｉｏｍｅｔｒｉｃａｌ Ｊｏｕｒｎａｌ ５２（１）、７０－８４）による「Ｃｏｘ比例ハ
ザードモデルにおけるＬ１ペナルティ付きを推定」に記載されるように、Ｒ統計パッケージに実装されるようなバイオマーカーのより大きなリストから結果を予測するために必要な最小数の予測因子を特定することを目的とした統計的方法を指す。
本明細書で使用される「クラスタリング」という用語は、同じグループ（クラスターと呼ばれる）内のオブジェクトが他のグループ（クラスター）内のオブジェクトよりも（様々な意味で）互いにより類似するような方法でのオブジェクトのセットのグループ化を指す。
本明細書で使用される「ニューラルネットワークおよび深層学習」という用語は、データから反復的に学習するためにいくつかの層にニューラルネットワークを組み込む機械学習の方法を指す。ニューラルネットワークは、ライフスタイル変数などのさまざまなデータ入力を、脳内のニューロンのように複数の相互作用を持つ人工ニューロンと呼ばれる接続されたユニットまたはノードのコレクションとして調べる（Ｄｅ Ｒｏａｃｈ、１９８９； Ｍｕｐｐａｒａｐｕ、Ｗｕ、＆Ｃｈｅｎ、２０１８； Ｓｈｅｒｂｅｔ、 Ｗｏｏ、＆Ｄｌａｙ、２０１８）。これらの相互作用は、暦年齢と比較して加速または減速として測定される生物学的エイジングの出力を駆動する。
本明細書で使用される「多重またはポリジェニック線形回帰」という用語は、複数のＣＧ
ＩＤにおけるメチル化のパーセンテージなどの複数の「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の関係を推定する統計的方法を指す。前記方法では、ＣＧ ＩＤなどの複数の「独立変数」がモデルに含まれている場合に、「結果」（年齢などの従属変数）を予測する際に、各ＣＧ ＩＤの「重み」または係数を決定する。
本明細書で使用される「ピアソン相関」という用語は、ＣＧ ＩＤにおけるメチル化のパーセンテージなどの「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の相関を推定する統計的方法を指す。ピアソンの積率相関係数ｒは、相関がないことを示す０と完全な相関を示す１の間の相関に定量的に重み付けをする（Ｈａｒｄｙ＆Ｍａｇｎｅｌｌｏ、２００２）。
【0032】
現在開示されている方法は、メチル化状態が年齢と相関するヒトゲノム内のサイトの発見に基づき、利用可能な公開データされたセット（ＧＳＥ６１４９６、ＧＳＥ９８８７６）のゲノム内の４５０Ｋサイトで年齢とＤＮＡメチル化の間の一連のピアソン相関を実行することによって発見され、ＧＳＥ４０７２９からのデータを使用してそのように発見されたＤＮＡメチル化マーカーが検証された。
分析により、ｃｇ１６８６７６３７が年齢と相関するトップサイトとして特定された（ｒ
＝ ０．９３４８２７、ｐ ＝ ０）。
本発明は、前述の加齢に伴うＥｌｏｖＬ２遺伝子に対するアンチセンス配列である染色体６上のヒトゲノムの断片を発見した。本明細書でＣＧサイトと呼ばれる１３ ＣＧを含む前記ＥｌｏｖＬ２ ＡＳ１領域は、本明細書に開示されるように、以下の表１に記載されるようなジヌクレオチド配列の位置であり、多重線形回帰方程式で計算され、組み合わせたメチル化測定値は、これまでに報告されたゲノム内の位置よりも高い精度で唾液中の生物学的年齢のポリジェニッスコアを提供する。これらのサイトは、Ｉｌｌｕｍｉｎａアレイに含まれていなかったため、これまでに説明されていなかった。
したがって、本発明は、組み合わされた加重メチル化レベルが年齢と相関する新規のＣＧサイトを開示する。本発明はさらに、単一のアンプリコンを増幅し、インデックス付きの次世代シーケンシングを使用して数百人を同時に測定することにより、すべての１３ ＣＧサイトのメチル化を正確に測定できることを本明細書で実証する。
したがって、ここに開示されている「エピエイジング」テストを使用することにより、コストを削減し、スループットを向上させる。被験者または顧客は唾液収集キットを注文し、キット収集チューブに唾を吐き、キットをラボに送り返する。ラボではＤＮＡが抽出され、亜硫酸水素塩によって変換され、ＥｌｏｖＬ２ ＡＳ１領域が増幅されてインデックスが付けられる。２００人の被験者からのアンプリコンが同じＭｉｓｅｑ反応でシーケンスされる。ＦａｓｔＱファイルが分析され、１３のＣＧサイトでのメチル化レベルが決定
される。１３ ＣＧサイトの加重メチル化値と年齢を相関させる方程式を使用して、生物学的年齢が計算され、顧客と共有される。
分析により、ｃｇ１６８６７６３７が年齢と相関するトップサイトとして特定された（ｒ
＝ ０．９３４８２７、ｐ ＝ ０）。
本発明は、前述の加齢に伴うＥｌｏｖＬ２遺伝子に対するアンチセンス配列である染色体６上のヒトゲノムの断片を発見した。本明細書でＣＧサイトと呼ばれる１３ ＣＧを含む前記ＥｌｏｖＬ２ ＡＳ１領域は、本明細書に開示されるように、以下の表１に記載されるようなジヌクレオチド配列の位置であり、多重線形回帰方程式で計算され、組み合わせたメチル化測定値は、これまでに報告されたゲノム内の位置よりも高い精度で唾液中の生物学的年齢のポリジェニッスコアを提供する。これらのサイトは、Ｉｌｌｕｍｉｎａアレイに含まれていなかったため、これまでに説明されていなかった。
したがって、本発明は、組み合わされた加重メチル化レベルが年齢と相関する新規のＣＧサイトを開示する。本発明はさらに、単一のアンプリコンを増幅し、インデックス付きの次世代シーケンシングを使用して数百人を同時に測定することにより、すべての１３ ＣＧサイトのメチル化を正確に測定できることを本明細書で実証する。
したがって、ここに開示されている「エピエイジング」テストを使用することにより、コストを削減し、スループットを向上させる。被験者または顧客は唾液収集キットを注文し、キット収集チューブに唾を吐き、キットをラボに送り返する。ラボではＤＮＡが抽出され、亜硫酸水素塩によって変換され、ＥｌｏｖＬ２ ＡＳ１領域が増幅されてインデックスが付けられる。２００人の被験者からのアンプリコンが同じＭｉｓｅｑ反応でシーケンスされる。ＦａｓｔＱファイルが分析され、１３のＣＧサイトでのメチル化レベルが決定
される。１３ ＣＧサイトの加重メチル化値と年齢を相関させる方程式を使用して、生物学的年齢が計算され、顧客と共有される。
【0033】
本発明はさらに、ライフスタイルの変化を提案することによって顧客のヘルシーエイジングを改善するために、動的な方法で生物学的年齢を計算する際の現在開示されている方法の有用性を開示し、対処する。本発明は、効果的な介入が、複数のライフスタイル変数間の関係、およびＤＮＡメチル化年齢と生物学的変化との間の差異の「機械学習」から導き出され得ることを開示している。
ライフスタイルデータとメチル化年齢データまたは生物学的年齢が複数の被験者／ユーザーから動的に収集されるため、マシンはライフスタイルパラメータの変化の組み合わせがＤＮＡメチル化と生物学的年齢の差の増減にどのように関連するかを学習する。本発明は、ＤＮＡメチル化テストを、被験者／消費者に中心の共有、学習およびライフスタイルの変化と統合する。
本発明において本明細書に開示されるように、被験者／消費者は、エピエイジングアプリまたはコンピュータ可読媒体を使用して、ライフスタイルの決定を注文し、伝達する。 健康の改善は双方向のパートナーシップと共同努力であり、「博学な全知」の医療専門家（医療提供者）から「従順」で受動的な患者（医療消費者）への一方向の指示の流れではない。最も評判の良い全米医師会から精選された科学的知識からの最良のアドバイスは、エピエイジングアプリを使用して消費者に提示される。消費者は、どの推奨事項に基づいて行動するかを決定する。消費者は、「完全に盲目的」なアプリを使用して決定を共有する。消費者は、自分のモバイルＩＤにリンクされているが、住所、名前、電子メールなどの個人情報から「ファイアウォールされた」ＩＤを受け取る。複数のユーザーの個人的な介入と結果、およびＤＮＡメチル化年齢テストの結果が繰り返し分析され、身体的および精神的な結果の両方が統合される。データは、たとえば、Ｔｅｎｓｏｒｆｌｏｗなどのニューラルネットワークなどの最先端の機械学習アルゴリズムを使用して分析される。異なる入力パラメータをＤＮＡメチル化年齢と暦年齢の間の出力デルタと相関させるモデルが確立される。消費者の個人データは該モデルで使用され、調整の提案はパーソナライズされて消費者に配信される。本発明は、科学的知識に触発された永続的に進歩する動的な推奨事項モデルを発するための壮大なプラットフォームを提供する。
本発明は、拡大し続けるデータ本体とともに使用することで動的に改善する「進化的」プラットフォームを提案する。本発明に開示されているように、顧客の幸福と学習環境の両方が、ＤＮＡメチル化テスト、ライフスタイルの変化、共有データ、および機械学習の間の動的な相互作用において共進化する。
ライフスタイルデータとメチル化年齢データまたは生物学的年齢が複数の被験者／ユーザーから動的に収集されるため、マシンはライフスタイルパラメータの変化の組み合わせがＤＮＡメチル化と生物学的年齢の差の増減にどのように関連するかを学習する。本発明は、ＤＮＡメチル化テストを、被験者／消費者に中心の共有、学習およびライフスタイルの変化と統合する。
本発明において本明細書に開示されるように、被験者／消費者は、エピエイジングアプリまたはコンピュータ可読媒体を使用して、ライフスタイルの決定を注文し、伝達する。 健康の改善は双方向のパートナーシップと共同努力であり、「博学な全知」の医療専門家（医療提供者）から「従順」で受動的な患者（医療消費者）への一方向の指示の流れではない。最も評判の良い全米医師会から精選された科学的知識からの最良のアドバイスは、エピエイジングアプリを使用して消費者に提示される。消費者は、どの推奨事項に基づいて行動するかを決定する。消費者は、「完全に盲目的」なアプリを使用して決定を共有する。消費者は、自分のモバイルＩＤにリンクされているが、住所、名前、電子メールなどの個人情報から「ファイアウォールされた」ＩＤを受け取る。複数のユーザーの個人的な介入と結果、およびＤＮＡメチル化年齢テストの結果が繰り返し分析され、身体的および精神的な結果の両方が統合される。データは、たとえば、Ｔｅｎｓｏｒｆｌｏｗなどのニューラルネットワークなどの最先端の機械学習アルゴリズムを使用して分析される。異なる入力パラメータをＤＮＡメチル化年齢と暦年齢の間の出力デルタと相関させるモデルが確立される。消費者の個人データは該モデルで使用され、調整の提案はパーソナライズされて消費者に配信される。本発明は、科学的知識に触発された永続的に進歩する動的な推奨事項モデルを発するための壮大なプラットフォームを提供する。
本発明は、拡大し続けるデータ本体とともに使用することで動的に改善する「進化的」プラットフォームを提案する。本発明に開示されているように、顧客の幸福と学習環境の両方が、ＤＮＡメチル化テスト、ライフスタイルの変化、共有データ、および機械学習の間の動的な相互作用において共進化する。
【0034】
本明細書に開示される本発明は、いくつかの実施形態を有する。
本発明の一態様では、本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリジェニックＤＮＡメチル化マーカーを提供する。前記ポリジェニックＤＮＡメチル化マーカーセットは、マッピング法によって導出されたゲノムワイドＤＮＡメチル化に関するゲノム全体の年齢とＤＮＡメチル化の間の相関のピアソン相関分析を使用して導出される。Ｉｌｌｕｍｉｎａ４５０Ｋまたは８５０Ｋアレイ、さまざまな次世代シーケンシングプラットフォームを使用したゲノムワイドバイサルファイトシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、オリゴヌクレオチドアレイとのハイブリダイゼーション、またはこれらの方法の組み合わせなど。
本発明の一態様では、本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリジェニックＤＮＡメチル化マーカーを提供する。前記ポリジェニックＤＮＡメチル化マーカーセットは、マッピング法によって導出されたゲノムワイドＤＮＡメチル化に関するゲノム全体の年齢とＤＮＡメチル化の間の相関のピアソン相関分析を使用して導出される。Ｉｌｌｕｍｉｎａ４５０Ｋまたは８５０Ｋアレイ、さまざまな次世代シーケンシングプラットフォームを使用したゲノムワイドバイサルファイトシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、オリゴヌクレオチドアレイとのハイブリダイゼーション、またはこれらの方法の組み合わせなど。
【0035】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
ここで、ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ＤＮＡパイロシーケンシング、質量分析ベース（ＥｐｉｔｙｐｅｒTM）、ＰＣＲベースのメチル化アッセイ、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォームでのターゲットアンプリコン次世代バイサルファイトシーケンシング、イオントレントシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、またはオリゴヌクレオチドアレイとのハイブリダイゼーションを含む方法を使用して実行される。
本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ヒトＣＧサイトのいずれか１つの内のＣＧサイトのメチル化状態の測定を含むポリジェニックＤＮＡメチル化バイオマーカーに対して行われ、それらの組み合わせは、本明細書に開示される以下の表１に記載されるようなジヌクレオチド配列の位置であり、これはヒト染色体６におけるＥＬＯＶＬ２遺伝子に対するアンチセンス領域内に配置されており、ＥＬＯＶＬ２ ＡＳ１領域はＳＥＱ ＩＤ ＮＯ：１で示される（ＣＧＣＣＣＴＣＧＣＧＴＣＣＧＣＧＧＣＧＴＣＣＣＣＴＧＣＣＧＧＣＣＧＧＧＣＧＧＣＧＡＴＴＴＧＣＡＧＧＴＣＣＡＧＣＣＧＧＣＧＣＣＧＧＴＴＴＣＧＣＧＣＧＧＣＧＧＣＴＣＡＡＣＧＴＣＣＡＣＧＧＡＧＣＣＣＣＡＧＧＡＡＴＡＣＣＣＡＣＣＣＧＣＴＧＣＣＣＡＧＡＴＣＧＧＣＡＧＣＣＧＣＴＧＣＴＧＣＧＧＧＧＡＧＡＡＧＣＡＧＴＡＴＣＧＴＧＣＡＧＧＧＣＧＧＧＣＡＣＧＣＴＧＧＴＣＴＴＧＣＴＴＡＣＡＧＴＴＧＧＧＣＴＴＣＧＧＴＧＧＧＴＴＴＧＡＡＧＣＡＣＡＣＡＴＴＡＧＧＧＧＧＡＡＡＴＧＧＣＴＣＴＧＴＴＣＣＴＧＣＡＧＧＴＴＴＧＣＧＣＡＧＴＣＴＧＧＧＴＴＴＣＴＴＡＧ）。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
ここで、ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ＤＮＡパイロシーケンシング、質量分析ベース（ＥｐｉｔｙｐｅｒTM）、ＰＣＲベースのメチル化アッセイ、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォームでのターゲットアンプリコン次世代バイサルファイトシーケンシング、イオントレントシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、またはオリゴヌクレオチドアレイとのハイブリダイゼーションを含む方法を使用して実行される。
本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ヒトＣＧサイトのいずれか１つの内のＣＧサイトのメチル化状態の測定を含むポリジェニックＤＮＡメチル化バイオマーカーに対して行われ、それらの組み合わせは、本明細書に開示される以下の表１に記載されるようなジヌクレオチド配列の位置であり、これはヒト染色体６におけるＥＬＯＶＬ２遺伝子に対するアンチセンス領域内に配置されており、ＥＬＯＶＬ２ ＡＳ１領域はＳＥＱ ＩＤ ＮＯ：１で示される（ＣＧＣＣＣＴＣＧＣＧＴＣＣＧＣＧＧＣＧＴＣＣＣＣＴＧＣＣＧＧＣＣＧＧＧＣＧＧＣＧＡＴＴＴＧＣＡＧＧＴＣＣＡＧＣＣＧＧＣＧＣＣＧＧＴＴＴＣＧＣＧＣＧＧＣＧＧＣＴＣＡＡＣＧＴＣＣＡＣＧＧＡＧＣＣＣＣＡＧＧＡＡＴＡＣＣＣＡＣＣＣＧＣＴＧＣＣＣＡＧＡＴＣＧＧＣＡＧＣＣＧＣＴＧＣＴＧＣＧＧＧＧＡＧＡＡＧＣＡＧＴＡＴＣＧＴＧＣＡＧＧＧＣＧＧＧＣＡＣＧＣＴＧＧＴＣＴＴＧＣＴＴＡＣＡＧＴＴＧＧＧＣＴＴＣＧＧＴＧＧＧＴＴＴＧＡＡＧＣＡＣＡＣＡＴＴＡＧＧＧＧＧＡＡＡＴＧＧＣＴＣＴＧＴＴＣＣＴＧＣＡＧＧＴＴＴＧＣＧＣＡＧＴＣＴＧＧＧＴＴＴＣＴＴＡＧ）。
【0036】
表１：アンチセンスＥｌｏｖＬ２遺伝子の上流の１３ ＣＧサイト、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２ ＡＳ１領域に対応し、本発明の実施形態において有用なＣＧメチル化サイト（ＣＧサイト）を有する位置。
本明細書の様々な実施形態で使用されるＣＧサイトにおける選択された１３ ＣＧジヌクレオチドのヒトゲノムにおける位置は、本出願の表１に見出され、これはまた、本願の図面か実施例で使用される染色体１のＣＧ位置を提供する。
＊ＮＡは不可を意味する。
本明細書の様々な実施形態で使用されるＣＧサイトにおける選択された１３ ＣＧジヌクレオチドのヒトゲノムにおける位置は、本出願の表１に見出され、これはまた、本願の図面か実施例で使用される染色体１のＣＧ位置を提供する。
【表1】
【0037】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ビオチン化フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：２（ＡＧＧＧＧＡＧＴＡＧＧＧＴＡＡＧＴＧＡＧ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：３（ＡＣＣＡＴＴＴＣＣＣＣＣＴＡＡＴＡＴＡＴＡＣＴＴ）、パイロシーケンシングプライマーとしてのＳＥＱ ＩＤ ＮＯ：４（ＧＧＧＡＧＧＡＧＡＴＴＴＧＴＡＧＧＴＴＴ）に記載のプライマーを含むＤＮＡパイロシーケンシングを使用して実行される。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ビオチン化フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：２（ＡＧＧＧＧＡＧＴＡＧＧＧＴＡＡＧＴＧＡＧ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：３（ＡＣＣＡＴＴＴＣＣＣＣＣＴＡＡＴＡＴＡＴＡＣＴＴ）、パイロシーケンシングプライマーとしてのＳＥＱ ＩＤ ＮＯ：４（ＧＧＧＡＧＧＡＧＡＴＴＴＧＴＡＧＧＴＴＴ）に記載のプライマーを含むＤＮＡパイロシーケンシングを使用して実行される。
【0038】
本発明の一実施形態では、ＣＧサイトを含むＥｌｏｖＬ２ ＡＳ１領域を使用するＤＮＡメチル化年齢のためのＤＮＡパイロシーケンシングメチル化アッセイの使用を提供し、それらの組み合わせは、本明細書に開示されるプライマーおよび製造業者（Ｐｙｒｏｍａｒｋ、Ｑｉａｇｅｎ）によって推奨されるパイロシーケンシング反応の標準条件を使用し、本明細書に開示される表１に記載されるジヌクレオチド配列の位置である。前記プライマーは、ＳＥＱ ＩＤ ＮＯ：２に設定されるビオチン化フォワードプライマー、ＳＥＱ ＩＤ ＮＯ：３およびＳＥＱ ＩＤ ＮＯ：４に示されるＥｌｏｖ１＿Ｓｅｑプライマーを含むプライマーである。
【0039】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォーム上でＳＥＱ
ＩＤ ＮＯ：５で示されるフォワードプライマー（ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）およびＳＥＱ ＩＤ ＮＯ：６で示されるリバースプライマー（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）を含み、ターゲット化されたアンプリコン次世代バイサルファイトシーケンシングを使用して実行される。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォーム上でＳＥＱ
ＩＤ ＮＯ：５で示されるフォワードプライマー（ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）およびＳＥＱ ＩＤ ＮＯ：６で示されるリバースプライマー（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）を含み、ターゲット化されたアンプリコン次世代バイサルファイトシーケンシングを使用して実行される。
【0040】
本発明の一実施形態では、ＣＧサイトを含むＥｌｏｖＬ２ ＡＳ１領域を使用することによって唾液中のＤＮＡメチル化年齢を測定するためのポリジェネック多重アンプリコンバイサルファイトシーケンシングＤＮＡメチル化アッセイの使用を提供し、それらの組み合わせは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置であり、本明細書に開示されるプライマーおよびバイサルファイト変換を含む標準条件（ａ）ターゲット特異的プライマー（ＰＣＲ１）および（ｂ）バーコードプライマー（ＰＣＲ２）および単一の次世代Ｍｉｓｅｑにおける多重配列決定シーケンシング（Ｉｌｌｕｍｉｎａ）、Ｉｌｌｕｍｉｎａソフトウェアを使用した逆多重化、メチルキットを含むメチル化分析の標準的な方法を使用したメチル化のデータ抽出と定量化、続いて被験者の生物学的年齢の計算のための加重ＤＮＡメチル化スコアの計算することの使用を含む連続増幅を使用し、前記ターゲット特異的プライマー（ＰＣＲ１）は、フォワードプライマーはＳＥＱ ＩＤ ＮＯ：５で示され（ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）、
リバースプライマーはＳＥＱ ＩＤ ＮＯ：６で示され（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＣＴＣＴＣＣＣＣ）、フォワードプライマーについてはＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）で、リバースプライマーについてはＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ）で示されるバーコードプライマー（ＰＣＲ２）であり、これは、バーコードインデックスプライマーである。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：５において、ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：６において、ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：８において、バーコードプライマー、ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ、赤色の塩基がインデックスであり、このインデックスの最大２００
のバリエーションが使用される。
リバースプライマーはＳＥＱ ＩＤ ＮＯ：６で示され（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＣＴＣＴＣＣＣＣ）、フォワードプライマーについてはＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）で、リバースプライマーについてはＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ）で示されるバーコードプライマー（ＰＣＲ２）であり、これは、バーコードインデックスプライマーである。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：５において、ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：６において、ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：８において、バーコードプライマー、ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ、赤色の塩基がインデックスであり、このインデックスの最大２００
のバリエーションが使用される。
【0041】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡメチル化測定は、メチル化特異的ＰＣＲおよびデジタルＰＣＲの群から選択されるＰＣＲベースのメチル化アッセイを使用して実行する方法。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡメチル化測定は、メチル化特異的ＰＣＲおよびデジタルＰＣＲの群から選択されるＰＣＲベースのメチル化アッセイを使用して実行する方法。
【0042】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
ポリジェニッスコアを得るための前記ＤＮＡメチル化プロファイルの分析は、複数の線形回帰方程式またはニューラルネットワーク分析の使用を含む方法。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
ポリジェニッスコアを得るための前記ＤＮＡメチル化プロファイルの分析は、複数の線形回帰方程式またはニューラルネットワーク分析の使用を含む方法。
【0043】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定する。
前記、ＤＮＡの抽出は、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む方法。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定する。
前記、ＤＮＡの抽出は、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む方法。
【0044】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得、ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定することは、以下のステップを含む。
（ｉ）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（ｉｉ）プライマーをバーコーディングすることによりステップ（ｉ）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（ｉｉｉ）ステップ（ｉｉ）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンシング反応でマルチプレックスシーケンシングを実行する。
（ｉｖ）ステップ（ｉｉｉ）の多重化されたシーケンシングからデータを抽出する。ステップ（ｉｖ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プ
ロファイルを得る。
本発明の別の実施形態において、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、ＰＣＲ産物１を得るためのターゲット特異的プライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：５（ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＴＡＣＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：６（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）に記載されるプライマーを含み、ＰＣＲ産物２を得るためのバーコーディングプライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡ）に記載されるプライマーを含み、これは、バーコードインデックスプライマーである。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得、ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定することは、以下のステップを含む。
（ｉ）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（ｉｉ）プライマーをバーコーディングすることによりステップ（ｉ）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（ｉｉｉ）ステップ（ｉｉ）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンシング反応でマルチプレックスシーケンシングを実行する。
（ｉｖ）ステップ（ｉｉｉ）の多重化されたシーケンシングからデータを抽出する。ステップ（ｉｖ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プ
ロファイルを得る。
本発明の別の実施形態において、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、ＰＣＲ産物１を得るためのターゲット特異的プライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：５（ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＴＡＣＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：６（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）に記載されるプライマーを含み、ＰＣＲ産物２を得るためのバーコーディングプライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡ）に記載されるプライマーを含み、これは、バーコードインデックスプライマーである。
【0045】
本発明の一実施形態では、生物学的年齢を計算するためのＤＮＡメチル化バイオマーカーの組み合わせを提供し、前記ＤＮＡメチル化バイオマーカーの組み合わせは、ヒトＣＧサイトおよびそれらの組み合わせを含み、これらは、ＳＥＱ ＩＤ ＮＯ：１に示されるように、ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＥｌｏｖＬ２ ＡＳ１領域に位置付けられている。
本発明の一実施形態では、生物学的年齢の測定値として単独でまたは組み合わせて使用することができる、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＥｌｏｖＬ２ ＡＳ１領域に位置する１３ ＣＧサイトが描写される。本発明の一実施形態では、ＣＧサイトの使用を提供し、それらの組み合わせは、本発明に開示される表１に記載されるようなジヌクレオチド配列の位置である。
本発明の一実施形態では、生物学的年齢の測定値として単独でまたは組み合わせて使用することができる、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＥｌｏｖＬ２ ＡＳ１領域に位置する１３ ＣＧサイトが描写される。本発明の一実施形態では、ＣＧサイトの使用を提供し、それらの組み合わせは、本発明に開示される表１に記載されるようなジヌクレオチド配列の位置である。
【0046】
本発明の一実施形態では、被験者の生物学的年齢を決定するためのキットを提供する。前記キットは、被験者の基質の収集および安定化のための手段および試薬；キットのバーコードを読み取るためのスキャナー；基質の収集と安定化のための指示書を含み、前記基質は被験者の唾液または血液であり、前記基質の安定化は基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを得て被験者の生物学的年齢を決定することを含む。
本発明の別の実施形態において、被験者の生物学的年齢を決定するためのキットを提供し、前記キットは、顧客または被験者が注文する唾液収集キットであり、キット収集チューブに吐き出され、ＤＮＡ抽出キットによりＤＮＡメチル化分析のためにラボに郵送される。
本発明の別の実施形態において、被験者の生物学的年齢を決定するためのキットを提供し、前記キットは、顧客または被験者が注文する唾液収集キットであり、キット収集チューブに吐き出され、ＤＮＡ抽出キットによりＤＮＡメチル化分析のためにラボに郵送される。
【0047】
本発明の一実施形態では、顧客からの唾液を収集および安定化するための手段および試薬を含む、顧客からの唾液サンプルを収集するためのキットを提供する。
本発明の一実施形態では、ＣＧサイトのＤＮＡメチル化測定のための手段および試薬を含むキットを提供し、それらの組み合わせは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置である。
本発明の一実施形態では、ＤＮＡメチル化年齢テストの順序付け、提出、テスト結果の受け取り、およびライフスタイルの管理を管理するためのアプリケーション（アプリ）を提供する。
本発明の一実施形態では、アプリは、オープンソース開発ツールを使用して開発され、テストに関する情報、テストを注文するための仮想ショッピングカート、唾液キットのバーコードをスキャンするためのスキャン機能、およびラボからテスト結果を受け取るための機能を含む。
本発明の一実施形態では、「ヘルシーエイジング」に影響を与える可能性のあるライフス
タイル機能を調査するアプリに含まれる質問票を提供し、これらには、体重、身長血圧、心拍数などの基本的な生理学的測定、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動に関する質問票、およびアルコール、薬物、喫煙などのライフスタイルに関する質問票が含まれる。
本発明の一実施形態では、質問票への回答について統計分析を実行し、癌、心臓病と脳卒中および糖尿病などの全米協会の推奨事項と比較して、時間とともに質問票への回答の進行を説明する動的レポートをアプリ上で消費者に提供する方法を含む。
本発明の一実施形態では、ＣＧサイトのＤＮＡメチル化測定のための手段および試薬を含むキットを提供し、それらの組み合わせは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置である。
本発明の一実施形態では、ＤＮＡメチル化年齢テストの順序付け、提出、テスト結果の受け取り、およびライフスタイルの管理を管理するためのアプリケーション（アプリ）を提供する。
本発明の一実施形態では、アプリは、オープンソース開発ツールを使用して開発され、テストに関する情報、テストを注文するための仮想ショッピングカート、唾液キットのバーコードをスキャンするためのスキャン機能、およびラボからテスト結果を受け取るための機能を含む。
本発明の一実施形態では、「ヘルシーエイジング」に影響を与える可能性のあるライフス
タイル機能を調査するアプリに含まれる質問票を提供し、これらには、体重、身長血圧、心拍数などの基本的な生理学的測定、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動に関する質問票、およびアルコール、薬物、喫煙などのライフスタイルに関する質問票が含まれる。
本発明の一実施形態では、質問票への回答について統計分析を実行し、癌、心臓病と脳卒中および糖尿病などの全米協会の推奨事項と比較して、時間とともに質問票への回答の進行を説明する動的レポートをアプリ上で消費者に提供する方法を含む。
【0048】
本発明の一実施形態では、クラウドベースのＳＱＬデータベースに複数のユーザーから得られたデータを保存し、データの分析に「機械学習」を使用し、入力質問票の測定値および出力としての暦年齢とＤＮＡメチル化年齢との差を相関させるモデルを構築することを提供する。例えば暦年齢、痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力。
本明細書に開示される発明のさらなる実施形態では、機械学習がニューラルネットワークを含む「深層機械学習」データマイニング方法、または最も効果的なライフスタイルの変化を強化するために利用される消費者からのフィードバックによる「強化学習」、または「ランダムフォレスト」分析を含む。「機械学習」データマイニングアルゴリズム、またはＫ－Ｍｅａｎｓクラスター分析を含む、またはＡｍａｚｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）を含む、「機械学習」プラットフォームまたは Ａｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ Ｇｏｏｇｌｅコンピュートエンジン、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅなどのプラットフォーム上にＨ２Ｏ．ａｉ製品を含む、「機械学習」ソフトウェアの群から選択される。
本明細書に開示される発明のさらなる実施形態では、機械学習がニューラルネットワークを含む「深層機械学習」データマイニング方法、または最も効果的なライフスタイルの変化を強化するために利用される消費者からのフィードバックによる「強化学習」、または「ランダムフォレスト」分析を含む。「機械学習」データマイニングアルゴリズム、またはＫ－Ｍｅａｎｓクラスター分析を含む、またはＡｍａｚｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）を含む、「機械学習」プラットフォームまたは Ａｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ Ｇｏｏｇｌｅコンピュートエンジン、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅなどのプラットフォーム上にＨ２Ｏ．ａｉ製品を含む、「機械学習」ソフトウェアの群から選択される。
【0049】
本発明の一実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）被験者からの基質からＤＮＡを抽出する。
（ｉｉ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｉｖ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
さらなる本発明の実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能を含み、オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）被験者からの基質からＤＮＡを抽出する。
（ｉｉ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｉｖ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
さらなる本発明の実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能を含み、オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
【0050】
別の実施形態では、本発明は、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含み、前記基質は被験者の唾液または血液であり、基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して当該被験者の生物学的年齢を決定する。（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｉｖ）ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含み、前記基質は被験者の唾液または血液であり、基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して当該被験者の生物学的年齢を決定する。（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｉｖ）ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
【0051】
本発明のさらなる実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能を含み、オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫
煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む
煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む
【0052】
本発明のさらに別の実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集および安定化に関する指示書を含み、基質が被験者の唾液または血液であり、基質の安定化が、基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、該被験者の生物学的年齢を決定すること。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｉｖ）ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定し、
ここで、ＤＮＡを抽出することは、計算された生物学的年齢を得るために被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡにおけるＤＮＡメチル化測定は、以下のステップを含む：
（１）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（２）プライマーをバーコーディングすることによりステップ（１）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（３）ステップ（２）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンス反応でマルチプレックスシーケンシングを実行する。
（４）ステップ（３）の多重化されたシーケンシングからデータを抽出する。
（５）ステップ（ｄ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プロファイルを得る。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集および安定化に関する指示書を含み、基質が被験者の唾液または血液であり、基質の安定化が、基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、該被験者の生物学的年齢を決定すること。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｉｖ）ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定し、
ここで、ＤＮＡを抽出することは、計算された生物学的年齢を得るために被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡにおけるＤＮＡメチル化測定は、以下のステップを含む：
（１）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（２）プライマーをバーコーディングすることによりステップ（１）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（３）ステップ（２）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンス反応でマルチプレックスシーケンシングを実行する。
（４）ステップ（３）の多重化されたシーケンシングからデータを抽出する。
（５）ステップ（ｄ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プロファイルを得る。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
【0053】
さらなる実施形態では、本発明は、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能、およびオープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙
を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
【0054】
本発明の一実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される被験者の生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される被験者の生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
【0055】
本発明のさらなる実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、ここで、前記方法は、被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するためのランダムフォレスト（ＲＦ）、サポートベクターマシン（ＳＶＭ）、線形判別分析（ＬＤＡ）、一般化線形モデル（ＧＬＭ）、および被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するための深層学習（ＤＬ）などの人工知能アルゴリズムのセットの使用を含み、これは動的に更新され、ライフスタイルの変化に関するパーソナライズされたライフスタイルの推奨事項を提供する。
【0056】
本発明の一実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当
該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される複数の被験者にわたる生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当
該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される複数の被験者にわたる生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
【0057】
本発明のさらなる実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、ここで、前記方法は、被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するためのランダムフォレスト（ＲＦ）、サポートベクターマシン（ＳＶＭ）、線形判別分析（ＬＤＡ）、一般化線形モデル（ＧＬＭ）、および被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するための深層学習（ＤＬ）などの人工知能アルゴリズムのセットの使用を含み、これは動的に更新され、ライフスタイルの変化に関するパーソナライズされたライフスタイルの推奨事項を提供する。
【0058】
本発明の一実施形態では、コンピュータ可読媒体を開発するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者から得られたデータを保存する。
（ｂ）ステップ（ａ）の保存データを分析する。
（ｃ）複数のユーザーから得られたデータを保存するステップがクラウドベースのＳＱＬデータベースを含むモデルを構築する。
前記保存されたデータを分析するステップは、深層機械学習、強化学習、および機械学習から選択された群を含み、モデルを構築するステップは、入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む
（ａ）複数の被験者から得られたデータを保存する。
（ｂ）ステップ（ａ）の保存データを分析する。
（ｃ）複数のユーザーから得られたデータを保存するステップがクラウドベースのＳＱＬデータベースを含むモデルを構築する。
前記保存されたデータを分析するステップは、深層機械学習、強化学習、および機械学習から選択された群を含み、モデルを構築するステップは、入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む
【0059】
本発明のさらなる実施形態では、コンピュータ可読媒体を開発するための方法を提供し、機械学習は、ランダムフォレスト分析を含むデータマイニングアルゴリズム、またはＫ－Ｍｅａｎｓクラスター分析を含むデータマイニングアルゴリズム、またはＡｍａｚｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）プラットフォーム、またはＡｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ ＧｏｏｇｌｅコンピュートエンジンおよびＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むプラットフォーム上のＨ２Ｏ．ａｉ製品を含むソフトウェアまたはそれらの組み合わせから選択される群を含む。
【0060】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【0061】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定し、
前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定し、
前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【0062】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、アンチエイジング剤であるための薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与すること。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。
（ｄ）ポリジェニッスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、アンチエイジング剤であるための薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与すること。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【0063】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定し、前記ＤＮＡを抽出することは、アンチエイジング剤である薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与する。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合することは、ステップ（ｉｉｉ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニッスコアを得る。ポリジェニッスコアから複数の被験者にわたる生物学的年齢を決定し、前記ＤＮＡを抽出することは、アンチエイジング剤である薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与する。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合することは、ステップ（ｉｉｉ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【実施例】
【0064】
以下の実施例は、本発明の例示として与えられており、したがって、本発明の範囲を限定するものと解釈されるべきではない。
［実施例１］
［実施例１］
【0065】
ＥｌｏｖＬ２遺伝子の上流のＤＮＡ領域に含まれる１３ ＣＧサイトの発見、その加重ＤＮＡメチル化レベルが唾液ＤＮＡの年齢を予測するＥｌｏｖＬ２ ＡＳ１領域
この実施例では、本発明は、これまでの生物学的年齢の最も正確な測定値として認識されてきた「エピジェネティッククロック」に関する。ただし、これまでに利用可能なテストでは、血液を使用して多くのサイト（～３５０）でＤＮＡメチル化を測定する必要があり、これは、広く流通している消費者製品としては適用できない侵襲的で費用のかかる方法である。利用可能な方法は、研究および臨床関連の研究には十分であるが、このテストの消費者主導の一般的な使用には適していない。
したがって、本発明は、「エピジェネティッククロック」、特にＤＮＡメチル化に基づく生物学的エイジングの正確で、堅牢で、高スループットで、非侵襲的なテストである方法を提供する。
この実施例における本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリＣＧ ＤＮＡメチル化マーカーを提供する。
この実施例では、本発明は、これまでの生物学的年齢の最も正確な測定値として認識されてきた「エピジェネティッククロック」に関する。ただし、これまでに利用可能なテストでは、血液を使用して多くのサイト（～３５０）でＤＮＡメチル化を測定する必要があり、これは、広く流通している消費者製品としては適用できない侵襲的で費用のかかる方法である。利用可能な方法は、研究および臨床関連の研究には十分であるが、このテストの消費者主導の一般的な使用には適していない。
したがって、本発明は、「エピジェネティッククロック」、特にＤＮＡメチル化に基づく生物学的エイジングの正確で、堅牢で、高スループットで、非侵襲的なテストである方法を提供する。
この実施例における本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリＣＧ ＤＮＡメチル化マーカーを提供する。
【0066】
血中年齢と相関するＣＧサイトの発見
本発明は、血液からの公的に利用可能な４５０Ｋ ＩｌｌｕｍｉｎａのゲノムワイドＤＮＡメチル化アレイ（ＧＳＥ４０７２９）をピアソン相関分析にかけた。これまでに報告されていない少数のＣＧサイトが選択され、分析された。それらのＣＧサイトのうちの２つは、物理的地図について本明細書に開示されるように、図１の代表的な例として示されるＥｌｏｖＬ２ ＡＳ１領域と呼ばれるＥｌｏｖＬ２遺伝子のアンチセンス領域の上流にあることが見出された。そこで示されているように、それらは年齢と高度に相関していることがわかった（ピアソン相関係数ｒ＞ ０．９およびｐ ＝ ０）。次に、本発明は、本明細書に開示されるように、図２に示される前記ＣＧサイトの両方の複合加重ＤＮＡメチル化測定が、独立コホート（ＧＳＥ４０２７９ ｎ ＝ ６５６およびＧＳＥ２２１９、ｎ ＝ ６０）における血中ＤＮＡの年齢を正確に予測することを決定した。本明細書に開示されるＳＥＱ ＩＤ ＮＯ：１に示されるように、ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトのメチル化は、胎児の０％近くから９０歳の人々の９０％近くに進行した。したがって、ＳＥＱ ＩＤ ＮＯ：１に示されるこのＥｌｏｖＬ２ ＡＳ１領域および前記領域内に見出されるＣＧサイトは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置であり、単独で年齢とほぼ完全な相関関係を示し、生物学的年齢を決定するには、少数の前述のＣＧサイトで十分である可能性があることを示唆している。
本発明は、血液からの公的に利用可能な４５０Ｋ ＩｌｌｕｍｉｎａのゲノムワイドＤＮＡメチル化アレイ（ＧＳＥ４０７２９）をピアソン相関分析にかけた。これまでに報告されていない少数のＣＧサイトが選択され、分析された。それらのＣＧサイトのうちの２つは、物理的地図について本明細書に開示されるように、図１の代表的な例として示されるＥｌｏｖＬ２ ＡＳ１領域と呼ばれるＥｌｏｖＬ２遺伝子のアンチセンス領域の上流にあることが見出された。そこで示されているように、それらは年齢と高度に相関していることがわかった（ピアソン相関係数ｒ＞ ０．９およびｐ ＝ ０）。次に、本発明は、本明細書に開示されるように、図２に示される前記ＣＧサイトの両方の複合加重ＤＮＡメチル化測定が、独立コホート（ＧＳＥ４０２７９ ｎ ＝ ６５６およびＧＳＥ２２１９、ｎ ＝ ６０）における血中ＤＮＡの年齢を正確に予測することを決定した。本明細書に開示されるＳＥＱ ＩＤ ＮＯ：１に示されるように、ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトのメチル化は、胎児の０％近くから９０歳の人々の９０％近くに進行した。したがって、ＳＥＱ ＩＤ ＮＯ：１に示されるこのＥｌｏｖＬ２ ＡＳ１領域および前記領域内に見出されるＣＧサイトは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置であり、単独で年齢とほぼ完全な相関関係を示し、生物学的年齢を決定するには、少数の前述のＣＧサイトで十分である可能性があることを示唆している。
【0067】
ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト唾液サンプルの年齢を予測する
開示されたＤＮＡメチル化年齢テストの幅広い適用性を評価するために、生物学的材料を導き出すために資格のある医療専門家を必要としないことが重要である。この実施例において、本発明は、本明細書に開示されているＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置する表１に記載されるようなジヌクレオチド配列の位置である、開示される高度に相関するＣＧサイトを唾液の公的に利用可能な４５０Ｋ Ｉｌｌｕｍｉｎａアレイメチル化データをテストすることにより、を唾液の年齢予測因子として使用することが可能であるかどうかを決定した（ＧＳＥ７８８７４、ｎ ＝ ２５９）。本発明は、ｃｇ１６８６７６５７およびｃｇ２１５７２７２２の加重メチル化測定値から構成されるメチル化スコアを開示した。これらは、表１に記載されているジヌクレオチド配列の位置であり、ＳＥＱ ＩＤ ＮＯ：１に記載されている領域内のＣＧサイトの位置であり、ＥｌｏｖＬ２ ＡＳ１領域とｃｇ０９８０９６７２は、本明細書に開示されている表１に記載されている染色体１のＣＧサイトであり、平均偏差５．６２歳および中央偏差４．７４歳で年齢を予測した。次に、本発明は、本明細書に開示されたモデルの精度を、ゴールドスタンダードであるＨｏｒｖａｔｈクロックと比較した。図３に示すように、ＥｌｏｖＬ２ ＡＳ１領域サイトのパフォーマンスは、Ｈｏｒｖａｔｈクロックよりもわずかに優れていた。年齢検出におけるＥｌｏｖＬ２遺伝子の価値は当技術分野で知られていることに留意されたい。しかしながら、本発明は、前記過去の知識が、ＥｌｏｖＬ２遺伝子に存在すると考えられた２つのＣＧサイト（すなわち、ｃｇ１６８６６７５７およびｃｇ２１５７２７２２）が、ＥｌｏｖＬ２遺伝子ＥｌｏｖＬ２－ＡＳ１遺伝子に対するアンチセ
ンス配向において実際は異なる遺伝子の上流領域にあるという事実を見逃していたことを開示する（本明細書に開示されるように図１に示される物理的な記述を参照）、ここで、前記上流領域はＥｌｏｖＬ２ ＡＳ１領域と呼ばれ、ＳＥＱ ＩＤ ＮＯ：１に示されるように本明細書に開示される。ＥｌｏｖＬ２ ＡＳ１遺伝子の上流のこの領域には、選択された１３ ＣＧサイトが含まれている（前記の表１を参照）。
開示されたＤＮＡメチル化年齢テストの幅広い適用性を評価するために、生物学的材料を導き出すために資格のある医療専門家を必要としないことが重要である。この実施例において、本発明は、本明細書に開示されているＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置する表１に記載されるようなジヌクレオチド配列の位置である、開示される高度に相関するＣＧサイトを唾液の公的に利用可能な４５０Ｋ Ｉｌｌｕｍｉｎａアレイメチル化データをテストすることにより、を唾液の年齢予測因子として使用することが可能であるかどうかを決定した（ＧＳＥ７８８７４、ｎ ＝ ２５９）。本発明は、ｃｇ１６８６７６５７およびｃｇ２１５７２７２２の加重メチル化測定値から構成されるメチル化スコアを開示した。これらは、表１に記載されているジヌクレオチド配列の位置であり、ＳＥＱ ＩＤ ＮＯ：１に記載されている領域内のＣＧサイトの位置であり、ＥｌｏｖＬ２ ＡＳ１領域とｃｇ０９８０９６７２は、本明細書に開示されている表１に記載されている染色体１のＣＧサイトであり、平均偏差５．６２歳および中央偏差４．７４歳で年齢を予測した。次に、本発明は、本明細書に開示されたモデルの精度を、ゴールドスタンダードであるＨｏｒｖａｔｈクロックと比較した。図３に示すように、ＥｌｏｖＬ２ ＡＳ１領域サイトのパフォーマンスは、Ｈｏｒｖａｔｈクロックよりもわずかに優れていた。年齢検出におけるＥｌｏｖＬ２遺伝子の価値は当技術分野で知られていることに留意されたい。しかしながら、本発明は、前記過去の知識が、ＥｌｏｖＬ２遺伝子に存在すると考えられた２つのＣＧサイト（すなわち、ｃｇ１６８６６７５７およびｃｇ２１５７２７２２）が、ＥｌｏｖＬ２遺伝子ＥｌｏｖＬ２－ＡＳ１遺伝子に対するアンチセ
ンス配向において実際は異なる遺伝子の上流領域にあるという事実を見逃していたことを開示する（本明細書に開示されるように図１に示される物理的な記述を参照）、ここで、前記上流領域はＥｌｏｖＬ２ ＡＳ１領域と呼ばれ、ＳＥＱ ＩＤ ＮＯ：１に示されるように本明細書に開示される。ＥｌｏｖＬ２ ＡＳ１遺伝子の上流のこの領域には、選択された１３ ＣＧサイトが含まれている（前記の表１を参照）。
【0068】
［実施例２］
ＥｌｏｖＬ２ ＡＳ１領域の１３個のＣＧのバイサルファイト変換、マルチプレックス増幅、次世代シーケンシングおよびメチル化の計算
本開示はさらに、被験者または顧客によって収集され、ラボに郵送されるＤＮＡ安定化緩衝液（トリス１０ｍＭ ＥＤＴＡ １０ｍＭ、ＳＤＳ１％）中の唾液がラボでプロテアーゼＫとインキュベートされた（２００マイクログラムの場合３７℃で３０分）。次に、Ｑｉａｇｅｎキットを使用してゲノムＤＮＡを精製した。精製されたＤＮＡは、例えば、ＥＺ ＤＮＡバイサルファイトキットを使用して、亜硫酸水素ナトリウムで処理された。ターゲット配列のライブラリーは、標準的なＴａｑポリメラーゼ反応で以下のプライマーを使用した２段階のＰＣＲ反応によって生成された。
ＰＣＲ１の場合-ＳＥＱ ＩＤ ＮＯ：１に記載されている配列に対応するアンプリコンを増幅した。
ＳＥＱ ＩＤ ＮＯ：５で示されているフォワードプライマー：
５’ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ３’
ＳＥＱ ＩＤ ＮＯ：６で示されているリバースプライマー：
５’ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ３’
ＰＣＲ２の場合-サンプルにバーコードを付けるために、次のプライマーを使用して２番目のＰＣＲ反応を実行した。
ＳＥＱ ＩＤ ＮＯ：７で示されているフォワードプライマー：
５’ＡＡＴｇＡＴＡＣｇｇＣｇＡＣＣＡＣＣｇＡｇＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣｇＡＣ３’
ＳＥＱ ＩＤ ＮＯ：８で示されているバーコーディングリバースプライマー：
５’ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ３’（赤色の塩基がインデックスであり、このインデックスの最大２００のバリエーションが使用される）。
プライマーの２番目のセットは、各サンプルのインデックスと、リバースおよびフォワードシーケンシングプライマーを導入した。すべてのサンプルからのＰＣＲ産物２を組み合わせ、ＡＭＰｐｕｒｅ－ＸＰビーズ（ＮＥＢ）で精製した。ライブラリーはＱＰＣＲによって定量化され、ＭｉＳｅｑフローセルにロードされた。高速Ｑファイルは、ＢｉｓＭａｒｋまたは他の編集ソフトウェアを使用して関連するゲノム領域にアラインメントされた。
ＥｌｏｖＬ２ ＡＳ１領域の１３個のＣＧのバイサルファイト変換、マルチプレックス増幅、次世代シーケンシングおよびメチル化の計算
本開示はさらに、被験者または顧客によって収集され、ラボに郵送されるＤＮＡ安定化緩衝液（トリス１０ｍＭ ＥＤＴＡ １０ｍＭ、ＳＤＳ１％）中の唾液がラボでプロテアーゼＫとインキュベートされた（２００マイクログラムの場合３７℃で３０分）。次に、Ｑｉａｇｅｎキットを使用してゲノムＤＮＡを精製した。精製されたＤＮＡは、例えば、ＥＺ ＤＮＡバイサルファイトキットを使用して、亜硫酸水素ナトリウムで処理された。ターゲット配列のライブラリーは、標準的なＴａｑポリメラーゼ反応で以下のプライマーを使用した２段階のＰＣＲ反応によって生成された。
ＰＣＲ１の場合-ＳＥＱ ＩＤ ＮＯ：１に記載されている配列に対応するアンプリコンを増幅した。
ＳＥＱ ＩＤ ＮＯ：５で示されているフォワードプライマー：
５’ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ３’
ＳＥＱ ＩＤ ＮＯ：６で示されているリバースプライマー：
５’ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ３’
ＰＣＲ２の場合-サンプルにバーコードを付けるために、次のプライマーを使用して２番目のＰＣＲ反応を実行した。
ＳＥＱ ＩＤ ＮＯ：７で示されているフォワードプライマー：
５’ＡＡＴｇＡＴＡＣｇｇＣｇＡＣＣＡＣＣｇＡｇＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣｇＡＣ３’
ＳＥＱ ＩＤ ＮＯ：８で示されているバーコーディングリバースプライマー：
５’ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ３’（赤色の塩基がインデックスであり、このインデックスの最大２００のバリエーションが使用される）。
プライマーの２番目のセットは、各サンプルのインデックスと、リバースおよびフォワードシーケンシングプライマーを導入した。すべてのサンプルからのＰＣＲ産物２を組み合わせ、ＡＭＰｐｕｒｅ－ＸＰビーズ（ＮＥＢ）で精製した。ライブラリーはＱＰＣＲによって定量化され、ＭｉＳｅｑフローセルにロードされた。高速Ｑファイルは、ＢｉｓＭａｒｋまたは他の編集ソフトウェアを使用して関連するゲノム領域にアラインメントされた。
【0069】
［実施例３］
ＥｌｏｖＬ２ ＡＳ１遺伝子領域の上流の領域、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２ ＡＳ１領域における１３ ＣＧサイトの優れた性能
次に、本開示は、開示された１３ ＣＧサイトの組み合わされた加重メチル化スコアが、２または３ ＣＧサイトのいずれかと比較した場合に優れた予測性能を提供するかどうかを決定したホンコンサイエンスパークの６５人のボランティアから唾液サンプルを収集し、１３ ＣＧサイト（前記の表１を参照）でのメチル化レベルを例２に記載されているように決定した。本開示は、ＣＧサイトの異なる組み合わせで一連の多変数線形回帰を実行した。本明細書に開示される図４に示される結果は、１３ ＣＧサイト（図４のパートＤを参照）の組み合わせが、４ ＣＧサイト（図４のパートＡを参照）、５ ＣＧサイト（
図４のパートＢを参照）またはＩｌｌｕｍｉｎａ２ ＣＧサイト（図４のパートＣを参照）のいずれかの組み合わせよりも良好に機能することを示した。図４Ｅに示すように、４、５、または２ ＣＧサイトのより小さな組み合わせに対する１３ ＣＧサイトの組み合わせの優位性に関する結果は、統計的比較データでさらに実証された。１３ ＣＧメチル化スコアのピアソン積率相関係数ｒは０．９５（ｐ ＝ １．８ｘ１０－３３）であった。
ＥｌｏｖＬ２ ＡＳ１遺伝子領域の上流の領域、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２ ＡＳ１領域における１３ ＣＧサイトの優れた性能
次に、本開示は、開示された１３ ＣＧサイトの組み合わされた加重メチル化スコアが、２または３ ＣＧサイトのいずれかと比較した場合に優れた予測性能を提供するかどうかを決定したホンコンサイエンスパークの６５人のボランティアから唾液サンプルを収集し、１３ ＣＧサイト（前記の表１を参照）でのメチル化レベルを例２に記載されているように決定した。本開示は、ＣＧサイトの異なる組み合わせで一連の多変数線形回帰を実行した。本明細書に開示される図４に示される結果は、１３ ＣＧサイト（図４のパートＤを参照）の組み合わせが、４ ＣＧサイト（図４のパートＡを参照）、５ ＣＧサイト（
図４のパートＢを参照）またはＩｌｌｕｍｉｎａ２ ＣＧサイト（図４のパートＣを参照）のいずれかの組み合わせよりも良好に機能することを示した。図４Ｅに示すように、４、５、または２ ＣＧサイトのより小さな組み合わせに対する１３ ＣＧサイトの組み合わせの優位性に関する結果は、統計的比較データでさらに実証された。１３ ＣＧメチル化スコアのピアソン積率相関係数ｒは０．９５（ｐ ＝ １．８ｘ１０－３３）であった。
【0070】
［実施例４］
顧客からの唾液サンプルの生物学的年齢の決定
前記で説明したように、生物学的年齢は私たちの健康の重要なパラメータである。しかしながら、本発明に開示されるテストは、被験者によって行われることを意図しているため、専門医療システム外の自宅の顧客にとって、検査が単純であり、好ましい実施形態として医療専門家が採血する必要がないことが重要である。採血自体が軽度のリスクのある手順である可能性があるため、定期的な船便で最先端の中央ラボ施設に配達することもできる。したがって、本発明は、ＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトが、そのような機会を提供するエピエイジングテストの基礎を形成することを開示する。開示される本発明において、顧客は、エピエイジングアプリ、ウェブまたは電子メールを通じて、ＤＮＡを最大１ヶ月間安定に保つ安定化緩衝液を含む唾液検査キットを注文する。安定化バッファーには、２０ ｍＭ Ｔｒｉｓ－ＨＣｌ（ｐＨ ８．０）、２０ ｍＭ ＥＤＴＡ、０．５％ＳＤＳ、および１％Ｔｒｉｔｏｎ Ｘ－１００が含まれる。バーコードキットは顧客の住居に郵送される。顧客は自分の電話のスキャナーでバーコードをスキャンし、バーコードを自分の電話の内部ＩＤにリンクするアプリに登録する。エピエイジングテストキットに含まれる手順書に従って、顧客は収集チューブに唾を吐き、唾液を安定化バッファーを含むチューブに移し、チューブを郵便料金前払いの封筒に入れてラボに送る。ラボでは、ＤＮＡが抽出され、バイサルファイト変換され（化学的バイサルファイト変換処理により、メチル化されていないＣがＴに変換され、メチル化されたＣはＣのままになる）、ＥｌｏｖＬ２ ＡＳ１領域が実施例３で説明したように増幅され、ＭｉＳｅｑＩｌｌｕｍｉｎａシーケンサーで他の患者からのサンプルでシーケンスされた。ｆａｓｔＱファイルが分析され、１３ ＣＧサイトのメチル化値（ｍ）「ｍＣＧｎ＝ ＣＧｎＣカウント／（ＣＧｎＴカウント＋ ＣＧｎＣカウント）」が計算される。
次に、値を次の式に入力して、生物学的年齢を計算する。
生物学的年齢＝（ＣＧ１ ＊ ８７．５６４３ ＋ ＣＧ２ ＊ ６．３３０１ ＋ ＣＧ３ ＊ －０．８６９１ ＋ ＣＧ４ ＊ １．９４６８ ＋ ＣＧ５ ＊ ４０．０３３６ ＋ ＣＧ６ ＊ ４９．４３０３ ＋ ＣＧ７ ＊ －１４．７８６８ ＋ ＣＧ８ ＊ ２２．９０４２ ＋ ＣＧ９ ＊ －４９．７９４２ ＋ ＣＧ１０ ＊ １１１．７４６７ ＋ ＣＧ１１ ＊ ４１．８１０８ ＋ ＣＧ１２ ＊ ０．４１４４
＋ ＣＧ１３ ＊ －１５０．８００５）－７１．６８７２
次に、生物学的年齢がエピエイジングアプリで顧客に送信されるか、顧客はバーコードＩＤを使用して結果を取得できる。暦年齢よりもかなり老いた生物学的年齢（＋５歳）は、ライフスタイルの変化の「危険信号」として機能する。顧客は自分の生物学的年齢を定期的に（６～１２か月ごとに）測定し、生物学的年齢と暦年齢の間のギャップを減らすことにおける進捗状況を評価する。
顧客からの唾液サンプルの生物学的年齢の決定
前記で説明したように、生物学的年齢は私たちの健康の重要なパラメータである。しかしながら、本発明に開示されるテストは、被験者によって行われることを意図しているため、専門医療システム外の自宅の顧客にとって、検査が単純であり、好ましい実施形態として医療専門家が採血する必要がないことが重要である。採血自体が軽度のリスクのある手順である可能性があるため、定期的な船便で最先端の中央ラボ施設に配達することもできる。したがって、本発明は、ＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトが、そのような機会を提供するエピエイジングテストの基礎を形成することを開示する。開示される本発明において、顧客は、エピエイジングアプリ、ウェブまたは電子メールを通じて、ＤＮＡを最大１ヶ月間安定に保つ安定化緩衝液を含む唾液検査キットを注文する。安定化バッファーには、２０ ｍＭ Ｔｒｉｓ－ＨＣｌ（ｐＨ ８．０）、２０ ｍＭ ＥＤＴＡ、０．５％ＳＤＳ、および１％Ｔｒｉｔｏｎ Ｘ－１００が含まれる。バーコードキットは顧客の住居に郵送される。顧客は自分の電話のスキャナーでバーコードをスキャンし、バーコードを自分の電話の内部ＩＤにリンクするアプリに登録する。エピエイジングテストキットに含まれる手順書に従って、顧客は収集チューブに唾を吐き、唾液を安定化バッファーを含むチューブに移し、チューブを郵便料金前払いの封筒に入れてラボに送る。ラボでは、ＤＮＡが抽出され、バイサルファイト変換され（化学的バイサルファイト変換処理により、メチル化されていないＣがＴに変換され、メチル化されたＣはＣのままになる）、ＥｌｏｖＬ２ ＡＳ１領域が実施例３で説明したように増幅され、ＭｉＳｅｑＩｌｌｕｍｉｎａシーケンサーで他の患者からのサンプルでシーケンスされた。ｆａｓｔＱファイルが分析され、１３ ＣＧサイトのメチル化値（ｍ）「ｍＣＧｎ＝ ＣＧｎＣカウント／（ＣＧｎＴカウント＋ ＣＧｎＣカウント）」が計算される。
次に、値を次の式に入力して、生物学的年齢を計算する。
生物学的年齢＝（ＣＧ１ ＊ ８７．５６４３ ＋ ＣＧ２ ＊ ６．３３０１ ＋ ＣＧ３ ＊ －０．８６９１ ＋ ＣＧ４ ＊ １．９４６８ ＋ ＣＧ５ ＊ ４０．０３３６ ＋ ＣＧ６ ＊ ４９．４３０３ ＋ ＣＧ７ ＊ －１４．７８６８ ＋ ＣＧ８ ＊ ２２．９０４２ ＋ ＣＧ９ ＊ －４９．７９４２ ＋ ＣＧ１０ ＊ １１１．７４６７ ＋ ＣＧ１１ ＊ ４１．８１０８ ＋ ＣＧ１２ ＊ ０．４１４４
＋ ＣＧ１３ ＊ －１５０．８００５）－７１．６８７２
次に、生物学的年齢がエピエイジングアプリで顧客に送信されるか、顧客はバーコードＩＤを使用して結果を取得できる。暦年齢よりもかなり老いた生物学的年齢（＋５歳）は、ライフスタイルの変化の「危険信号」として機能する。顧客は自分の生物学的年齢を定期的に（６～１２か月ごとに）測定し、生物学的年齢と暦年齢の間のギャップを減らすことにおける進捗状況を評価する。
【0071】
［実施例５］
生物学的年齢テストとライフスタイルデータを管理するためのエピエイジングアプリ
本発明は、エピエイジングアプリを開示する（当該アプリのホームページについては図５を参照）。これは、ＡｐｐｌｅおよびＡｎｄｒｏｉｄオペレーティングシステムのいずれかに準拠し、「エピエイジングテスト」、注文方法、注文用カート、ＰａｙＰａｌやＡｌｉｐａｙなどの電子決済へのリンクに関する情報を提供する。本発明の開示されたアプリの革新的な側面は、「エピエイジングテスト」の顧客ベースの管理を、評判の良い国内お
よび国際的な医療群による動的な推奨事項「セルフレポート」、データの共有、機械学習、反復的な機械学習によって推進される反復的な変更、顧客へのパーソナライズされたレポート、および繰り返しの評価（図６を参照）に基づく顧客主導のライフスタイル変更の管理のためのシステムと組み合わせることである。「強化学習」のシステムは、ＤＮＡメチル化年齢と年代の年齢の違いによって決定されるように、エイジングの加速を減らすことに最大の影響を与えるライフスタイルの変化を指示する。前記本明細書で提供されるアプリは、オープンソースであり、Ｂｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、Ｓｉｂｅｒｉａｎ ＣＭＳなどの当業者に知られているプログラムによって構築されている。アプリは、Ａｐｐｌｅストア、Ｇｏｏｇｌｅ Ｐｌａｙ ｓｔｏｒｅ、およびＷｅｂサイトのいずれかからダウンロードされる。アプリには、顧客ＩＤの登録と割り当てが必要である。アプリは、バーコードをスキャンしてテストバーコードと顧客のＩＤをリンクするスキャナーをアクティブにする。データはこれらの「ブラインド」ＩＤにリンクされる。個人データと顧客データは「ファイアウオール」で切離され、トークン化されて、「エイジング」とライフスタイルデータの完全なブラインデイングを保護する。データ管理システムは個人データにアクセスできない。システムは、顧客が自分の電子メールアカウントを使用することによってのみ開始できるが、データ管理システムから完全に知らされていない個人ＩＤを復元するように構築されている。データのブラインド化された、該アプリの基本的な機能である。アプリのフロントページにはいくつかのボタンがある（図５を参照）。１つのボタンで、「エイジング」テストと科学的引用に関する基本情報にリンクし、ＰｕｂＭｅｄリンクを使用して、該当地域に関するより広くより深い知識を得ることができる。この情報は、ライフスタイルと「エイジング」の間のリンクに関する情報を提供する。
２番目のボタンは、ライフスタイルにリンクする一連のボタンおよび「気分」、「慢性的な痛み」、血圧、心拍数、体重、身長、空腹時糖度、その他の代謝テスト、投薬、乱用薬物、アルコール、喫煙、および顧客が入力した運動データなどの「生理学的測定」（ＳＡＭｅ、ビタミンなどの栄養補助食品の摂取を含む）、「栄養」などのウェルビーイングドメインボタンを含むページにリンクする。各セクションの前には、全米心臓脳卒中協会や糖尿病協会、アメリカ癌協会などの評判の良い協会から集められた推奨事項が提供される。
推奨事項のセクションには、これらの協会へのリンクが含まれているため、顧客は自分で判断や決定を行うことができる。ライフスタイル管理セクションの背後にある考え方は、自己啓発と顧客のライフスタイル決定を自分でコントロールすることである。データ入力は、数値の目盛りを動かすことによって行われます。ＹＥＳ－ＮＯのエントリーは、ＮＯの場合は０、ＹＥＳの場合は１としてスケーリングされる。
その他の定量化可能なエントリーは、数量別に入力される。各データ入力スケールに加えて、推奨事項のスケーリングされたプレゼンテーションが提示され、色分けされた推奨事項と比較したパフォーマンスの評価を顧客に提供する。
推奨事項の範囲は緑色で示されている。推奨事項からの逸脱は、その範囲の上は赤、下に青で示される。各セクションのデータ入力の終了時に顧客がクリックするセーブボタンにより、データの保存を可能にする。データが入力されると、サマリー分析レポートが提供される。国の推奨事項に関連して時間の経過にともなう進捗状況を説明するチャートも提供される。ラボのエージングテストが完了すると、テストはアプリにリモートで配信される。顧客データとその他の顧客のデータは、さらに分析するためにクラウドベースのデータベースに保存される。
生物学的年齢テストとライフスタイルデータを管理するためのエピエイジングアプリ
本発明は、エピエイジングアプリを開示する（当該アプリのホームページについては図５を参照）。これは、ＡｐｐｌｅおよびＡｎｄｒｏｉｄオペレーティングシステムのいずれかに準拠し、「エピエイジングテスト」、注文方法、注文用カート、ＰａｙＰａｌやＡｌｉｐａｙなどの電子決済へのリンクに関する情報を提供する。本発明の開示されたアプリの革新的な側面は、「エピエイジングテスト」の顧客ベースの管理を、評判の良い国内お
よび国際的な医療群による動的な推奨事項「セルフレポート」、データの共有、機械学習、反復的な機械学習によって推進される反復的な変更、顧客へのパーソナライズされたレポート、および繰り返しの評価（図６を参照）に基づく顧客主導のライフスタイル変更の管理のためのシステムと組み合わせることである。「強化学習」のシステムは、ＤＮＡメチル化年齢と年代の年齢の違いによって決定されるように、エイジングの加速を減らすことに最大の影響を与えるライフスタイルの変化を指示する。前記本明細書で提供されるアプリは、オープンソースであり、Ｂｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、Ｓｉｂｅｒｉａｎ ＣＭＳなどの当業者に知られているプログラムによって構築されている。アプリは、Ａｐｐｌｅストア、Ｇｏｏｇｌｅ Ｐｌａｙ ｓｔｏｒｅ、およびＷｅｂサイトのいずれかからダウンロードされる。アプリには、顧客ＩＤの登録と割り当てが必要である。アプリは、バーコードをスキャンしてテストバーコードと顧客のＩＤをリンクするスキャナーをアクティブにする。データはこれらの「ブラインド」ＩＤにリンクされる。個人データと顧客データは「ファイアウオール」で切離され、トークン化されて、「エイジング」とライフスタイルデータの完全なブラインデイングを保護する。データ管理システムは個人データにアクセスできない。システムは、顧客が自分の電子メールアカウントを使用することによってのみ開始できるが、データ管理システムから完全に知らされていない個人ＩＤを復元するように構築されている。データのブラインド化された、該アプリの基本的な機能である。アプリのフロントページにはいくつかのボタンがある（図５を参照）。１つのボタンで、「エイジング」テストと科学的引用に関する基本情報にリンクし、ＰｕｂＭｅｄリンクを使用して、該当地域に関するより広くより深い知識を得ることができる。この情報は、ライフスタイルと「エイジング」の間のリンクに関する情報を提供する。
２番目のボタンは、ライフスタイルにリンクする一連のボタンおよび「気分」、「慢性的な痛み」、血圧、心拍数、体重、身長、空腹時糖度、その他の代謝テスト、投薬、乱用薬物、アルコール、喫煙、および顧客が入力した運動データなどの「生理学的測定」（ＳＡＭｅ、ビタミンなどの栄養補助食品の摂取を含む）、「栄養」などのウェルビーイングドメインボタンを含むページにリンクする。各セクションの前には、全米心臓脳卒中協会や糖尿病協会、アメリカ癌協会などの評判の良い協会から集められた推奨事項が提供される。
推奨事項のセクションには、これらの協会へのリンクが含まれているため、顧客は自分で判断や決定を行うことができる。ライフスタイル管理セクションの背後にある考え方は、自己啓発と顧客のライフスタイル決定を自分でコントロールすることである。データ入力は、数値の目盛りを動かすことによって行われます。ＹＥＳ－ＮＯのエントリーは、ＮＯの場合は０、ＹＥＳの場合は１としてスケーリングされる。
その他の定量化可能なエントリーは、数量別に入力される。各データ入力スケールに加えて、推奨事項のスケーリングされたプレゼンテーションが提示され、色分けされた推奨事項と比較したパフォーマンスの評価を顧客に提供する。
推奨事項の範囲は緑色で示されている。推奨事項からの逸脱は、その範囲の上は赤、下に青で示される。各セクションのデータ入力の終了時に顧客がクリックするセーブボタンにより、データの保存を可能にする。データが入力されると、サマリー分析レポートが提供される。国の推奨事項に関連して時間の経過にともなう進捗状況を説明するチャートも提供される。ラボのエージングテストが完了すると、テストはアプリにリモートで配信される。顧客データとその他の顧客のデータは、さらに分析するためにクラウドベースのデータベースに保存される。
【0072】
［実施例６］
健康とＤＮＡメチル化年齢データの機械学習主導の分析とライフスタイル改善のための個別の推奨事項
複数のユーザーから得られたデータは、クラウドベースのＳＱＬデータベースに保存され
る（図７を参照）。「機械学習」アルゴリズムはデータの分析に使用され、痛み、血圧、ＢＭＩ、気分などの入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差を相関させるモデルを構築している。たとえば、「ニューラルネットワーク」、ディシジョンツリー、ランダムフォレストラッソ回帰、Ｋ－Ｍｅａｎｓクラスター分析、強化学習、「ペナルティ付き回帰」などの方法を使用する。本発明に開示される方法は、質問票への回答について統計分析を実行し、アプリ上で消費者に動的レポートを提供することを含み、癌、心臓病、脳卒中、糖尿病などの全米協会の推奨事項と比較した、時間の経過に伴う質問票への回答の進行を説明している。
健康とＤＮＡメチル化年齢データの機械学習主導の分析とライフスタイル改善のための個別の推奨事項
複数のユーザーから得られたデータは、クラウドベースのＳＱＬデータベースに保存され
る（図７を参照）。「機械学習」アルゴリズムはデータの分析に使用され、痛み、血圧、ＢＭＩ、気分などの入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差を相関させるモデルを構築している。たとえば、「ニューラルネットワーク」、ディシジョンツリー、ランダムフォレストラッソ回帰、Ｋ－Ｍｅａｎｓクラスター分析、強化学習、「ペナルティ付き回帰」などの方法を使用する。本発明に開示される方法は、質問票への回答について統計分析を実行し、アプリ上で消費者に動的レポートを提供することを含み、癌、心臓病、脳卒中、糖尿病などの全米協会の推奨事項と比較した、時間の経過に伴う質問票への回答の進行を説明している。
【0073】
本発明は、その好ましい実施形態に関連して説明されてきたが、本発明の精神および範囲から逸脱することなく、他の多くの可能な修正および変更を行うことができることを理解されたい。
【0074】
［利点］
当技術分野で知られているものに対する本発明で開示される方法の革新的な態様は、これまで記載されていないＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトの組み合わせが、１つの単一アンプリコンの唾液サンプルからの非常に正確な年齢の予測を提供することである。堅牢な次世代シーケンシングの多重化と使用により、精度とシンプルさが向上する。このアプローチにより、コストが大幅に削減され、消費者製品としてのアプリケーションでテストが実行可能になる。
当技術分野で知られているものに対する本発明で開示される方法の革新的な態様は、これまで記載されていないＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトの組み合わせが、１つの単一アンプリコンの唾液サンプルからの非常に正確な年齢の予測を提供することである。堅牢な次世代シーケンシングの多重化と使用により、精度とシンプルさが向上する。このアプローチにより、コストが大幅に削減され、消費者製品としてのアプリケーションでテストが実行可能になる。
【0075】
［参考文献］
Beauchaine, T. P., & Beauchaine, R. J., 3rd. (2002). A comparison of maximum covariance and K-means cluster analysis in classifying cases into known taxon
groups. Psychol Methods, 7(2), 245-261.
Bybee, S. M., Bracken-Grissom, H., Haynes, B. D., Hermansen, R. A., Byers,
R. L., Clement, M. J., . . . Crandall, K. A. (2011). Targeted amplicon sequencing (TAS): a scalable next-gen approach to multilocus, multitaxa phylogenetics. Genome Biol Evol, 3, 1312-1323. doi:10.1093/gbe/evr106
Chen, B. H., Marioni, R. E., Colicino, E., Peters, M. J., Ward-Caviness, C. K., Tsai, P. C., . . . Horvath, S. (2016). DNA methylation-based measures of biological age: meta-analysis predicting time to death. Aging (Albany NY), 8(9), 1844-1865. doi:10.18632/aging.101020
Colella, S., Shen, L., Baggerly, K. A., Issa, J. P., & Krahe, R. (2003). Sensitive and quantitative universal Pyrosequencing methylation analysis of CpG sites. Biotechniques, 35(1), 146-150.
De Roach, J. N. (1989). Neural networks--an artificial intelligence approach to the analysis of clinical data. Australas Phys Eng Sci Med, 12(2), 100-106.
Ferrucci, L., Cavazzini, C., Corsi, A., Bartali, B., Russo, C. R., Lauretani, F., . . . Guralnik, J. M. (2002). Biomarkers of frailty in older persons. J Endocrinol Invest, 25(10 Suppl), 10-15.
Freire-Aradas, A., Phillips, C., Mosquera-Miguel, A., Giron-Santamaria, L., Gomez-Tato, A., Casares de Cal, M., . . . Lareu, M. V. (2016). Development of a methylation marker set for forensic age estimation using analysis of public methylation data and the Agena Bioscience EpiTYPER system. Forensic Sci Int Genet,
24, 65-74. doi:10.1016/j.fsigen.2016.06.005
Hardy, A., & Magnello, M. E. (2002). Statistical methods in epidemiology: Karl Pearson, Ronald Ross, Major Greenwood and Austin Bradford Hill, 1900-1945. Soz Praventivmed, 47(2), 80-89.
Hertel, J., Friedrich, N., Wittfeld, K., Pietzner, M., Budde, K., Van der Auwera, S., . . . Grabe, H. J. (2016). Measuring Biological Age via Metabonomics: The Metabolic Age Score. J Proteome Res, 15(2), 400-410. doi:10.1021/acs.jproteome.5b00561
Horvath, S. (2013). DNA methylation age of human tissues and cell types. Genome Biol, 14(10), R115. doi:10.1186/gb-2013-14-10-r115
Jylhava, J., Pedersen, N. L., & Hagg, S. (2017). Biological Age Predictors. EBioMedicine, 21, 29-36. doi:10.1016/j.ebiom.2017.03.046
Kakushadze, Z., & Yu, W. (2017). *K-means and cluster models for cancer signatures. Biomol Detect Quantif, 13, 7-31. doi:10.1016/j.bdq.2017.07.001
Kim, S. M., Kim, Y., Jeong, K., Jeong, H., & Kim, J. (2018). Logistic LASSO regression for the diagnosis of breast cancer using clinical demographic data and the BI-RADS lexicon for ultrasonography. Ultrasonography, 37(1), 36-42. doi:10.14366/usg.16045
Kristensen, L. S., Mikeska, T., Krypuy, M., & Dobrovic, A. (2008). Sensitive Melting Analysis after Real Time - Methylation Specific PCR (SMART-MSP): high-throughput and probe-free quantitative DNA methylation detection. Nucleic Acids
Res.
Mann, J. J., Ellis, S. P., Waternaux, C. M., Liu, X., Oquendo, M. A., Malone, K. M., . . . Currier, D. (2008). Classification trees distinguish suicide attempters in major psychiatric disorders: a model of clinical decision making. J Clin Psychiatry, 69(1), 23-31.
Marioni, R. E., Harris, S. E., Shah, S., McRae, A. F., von Zglinicki, T., Martin-Ruiz, C., . . . Deary, I. J. (2018). The epigenetic clock and telomere length are independently associated with chronological age and mortality. Int J Epidemiol, 47(1), 356. doi:10.1093/ije/dyx233
Monaghan, P. (2010). Telomeres and life histories: the long and the short of it. Ann N Y Acad Sci, 1206, 130-142. doi:10.1111/j.1749-6632.2010.05705.x
Mupparapu, M., Wu, C. W., & Chen, Y. C. (2018). Artificial intelligence, machine learning, neural networks, and deep learning: Futuristic concepts for new
dental diagnosis. Quintessence Int, 49(9), 687-688. doi:10.3290/j.qi.a41107
Sherbet, G. V., Woo, W. L., & Dlay, S. (2018). Application of Artificial Intelligence-based Technology in Cancer Management: A Commentary on the Deployment of Artificial Neural Networks. Anticancer Res, 38(12), 6607-6613. doi:10.21873/anticanres.13027
Shi, T., Seligson, D., Belldegrun, A. S., Palotie, A., & Horvath, S. (2005). Tumor classification by tissue microarray profiling: random forest clustering
applied to renal cell carcinoma. Mod Pathol, 18(4), 547-557. doi:10.1038/modpathol.3800322
Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P., & Feuston, B. P. (2003). Random forest: a classification and regression tool for compound classification and QSAR modeling. J Chem Inf Comput Sci, 43(6), 1947-1958. doi:10.1021/ci034160g
Vetter, V. M., Meyer, A., Karbasiyan, M., Steinhagen-Thiessen, E., Hopfenmuller, W., & Demuth, I. (2018). Epigenetic clock and relative telomere length represent largely different aspects of aging in the Berlin Aging Study II (BASE-II). J Gerontol A Biol Sci Med Sci.doi:10.1093/gerona/gly184
Yanai, H., Budovsky, A., Tacutu, R., & Fraifeld, V. E. (2011). Is rate of skin wound healing associated with aging or longevity phenotype, Biogerontology,
12(6), 591-597. doi:10.1007/s10522-011-9343-6
Yu, M., Heinzerling, T. J., & Grady, W. M. (2018). DNA Methylation Analysis Using Droplet Digital PCR. Methods Mol Biol, 1768, 363-383. doi:10.1007/978-1-4939-7778-9_21
Zhao, Y., Kosorok, M. R., & Zeng, D. (2009). Reinforcement learning design
for cancer clinical trials. Stat Med, 28(26), 3294-3315. doi:10.1002/sim.3720
Beauchaine, T. P., & Beauchaine, R. J., 3rd. (2002). A comparison of maximum covariance and K-means cluster analysis in classifying cases into known taxon
groups. Psychol Methods, 7(2), 245-261.
Bybee, S. M., Bracken-Grissom, H., Haynes, B. D., Hermansen, R. A., Byers,
R. L., Clement, M. J., . . . Crandall, K. A. (2011). Targeted amplicon sequencing (TAS): a scalable next-gen approach to multilocus, multitaxa phylogenetics. Genome Biol Evol, 3, 1312-1323. doi:10.1093/gbe/evr106
Chen, B. H., Marioni, R. E., Colicino, E., Peters, M. J., Ward-Caviness, C. K., Tsai, P. C., . . . Horvath, S. (2016). DNA methylation-based measures of biological age: meta-analysis predicting time to death. Aging (Albany NY), 8(9), 1844-1865. doi:10.18632/aging.101020
Colella, S., Shen, L., Baggerly, K. A., Issa, J. P., & Krahe, R. (2003). Sensitive and quantitative universal Pyrosequencing methylation analysis of CpG sites. Biotechniques, 35(1), 146-150.
De Roach, J. N. (1989). Neural networks--an artificial intelligence approach to the analysis of clinical data. Australas Phys Eng Sci Med, 12(2), 100-106.
Ferrucci, L., Cavazzini, C., Corsi, A., Bartali, B., Russo, C. R., Lauretani, F., . . . Guralnik, J. M. (2002). Biomarkers of frailty in older persons. J Endocrinol Invest, 25(10 Suppl), 10-15.
Freire-Aradas, A., Phillips, C., Mosquera-Miguel, A., Giron-Santamaria, L., Gomez-Tato, A., Casares de Cal, M., . . . Lareu, M. V. (2016). Development of a methylation marker set for forensic age estimation using analysis of public methylation data and the Agena Bioscience EpiTYPER system. Forensic Sci Int Genet,
24, 65-74. doi:10.1016/j.fsigen.2016.06.005
Hardy, A., & Magnello, M. E. (2002). Statistical methods in epidemiology: Karl Pearson, Ronald Ross, Major Greenwood and Austin Bradford Hill, 1900-1945. Soz Praventivmed, 47(2), 80-89.
Hertel, J., Friedrich, N., Wittfeld, K., Pietzner, M., Budde, K., Van der Auwera, S., . . . Grabe, H. J. (2016). Measuring Biological Age via Metabonomics: The Metabolic Age Score. J Proteome Res, 15(2), 400-410. doi:10.1021/acs.jproteome.5b00561
Horvath, S. (2013). DNA methylation age of human tissues and cell types. Genome Biol, 14(10), R115. doi:10.1186/gb-2013-14-10-r115
Jylhava, J., Pedersen, N. L., & Hagg, S. (2017). Biological Age Predictors. EBioMedicine, 21, 29-36. doi:10.1016/j.ebiom.2017.03.046
Kakushadze, Z., & Yu, W. (2017). *K-means and cluster models for cancer signatures. Biomol Detect Quantif, 13, 7-31. doi:10.1016/j.bdq.2017.07.001
Kim, S. M., Kim, Y., Jeong, K., Jeong, H., & Kim, J. (2018). Logistic LASSO regression for the diagnosis of breast cancer using clinical demographic data and the BI-RADS lexicon for ultrasonography. Ultrasonography, 37(1), 36-42. doi:10.14366/usg.16045
Kristensen, L. S., Mikeska, T., Krypuy, M., & Dobrovic, A. (2008). Sensitive Melting Analysis after Real Time - Methylation Specific PCR (SMART-MSP): high-throughput and probe-free quantitative DNA methylation detection. Nucleic Acids
Res.
Mann, J. J., Ellis, S. P., Waternaux, C. M., Liu, X., Oquendo, M. A., Malone, K. M., . . . Currier, D. (2008). Classification trees distinguish suicide attempters in major psychiatric disorders: a model of clinical decision making. J Clin Psychiatry, 69(1), 23-31.
Marioni, R. E., Harris, S. E., Shah, S., McRae, A. F., von Zglinicki, T., Martin-Ruiz, C., . . . Deary, I. J. (2018). The epigenetic clock and telomere length are independently associated with chronological age and mortality. Int J Epidemiol, 47(1), 356. doi:10.1093/ije/dyx233
Monaghan, P. (2010). Telomeres and life histories: the long and the short of it. Ann N Y Acad Sci, 1206, 130-142. doi:10.1111/j.1749-6632.2010.05705.x
Mupparapu, M., Wu, C. W., & Chen, Y. C. (2018). Artificial intelligence, machine learning, neural networks, and deep learning: Futuristic concepts for new
dental diagnosis. Quintessence Int, 49(9), 687-688. doi:10.3290/j.qi.a41107
Sherbet, G. V., Woo, W. L., & Dlay, S. (2018). Application of Artificial Intelligence-based Technology in Cancer Management: A Commentary on the Deployment of Artificial Neural Networks. Anticancer Res, 38(12), 6607-6613. doi:10.21873/anticanres.13027
Shi, T., Seligson, D., Belldegrun, A. S., Palotie, A., & Horvath, S. (2005). Tumor classification by tissue microarray profiling: random forest clustering
applied to renal cell carcinoma. Mod Pathol, 18(4), 547-557. doi:10.1038/modpathol.3800322
Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P., & Feuston, B. P. (2003). Random forest: a classification and regression tool for compound classification and QSAR modeling. J Chem Inf Comput Sci, 43(6), 1947-1958. doi:10.1021/ci034160g
Vetter, V. M., Meyer, A., Karbasiyan, M., Steinhagen-Thiessen, E., Hopfenmuller, W., & Demuth, I. (2018). Epigenetic clock and relative telomere length represent largely different aspects of aging in the Berlin Aging Study II (BASE-II). J Gerontol A Biol Sci Med Sci.doi:10.1093/gerona/gly184
Yanai, H., Budovsky, A., Tacutu, R., & Fraifeld, V. E. (2011). Is rate of skin wound healing associated with aging or longevity phenotype, Biogerontology,
12(6), 591-597. doi:10.1007/s10522-011-9343-6
Yu, M., Heinzerling, T. J., & Grady, W. M. (2018). DNA Methylation Analysis Using Droplet Digital PCR. Methods Mol Biol, 1768, 363-383. doi:10.1007/978-1-4939-7778-9_21
Zhao, Y., Kosorok, M. R., & Zeng, D. (2009). Reinforcement learning design
for cancer clinical trials. Stat Med, 28(26), 3294-3315. doi:10.1002/sim.3720
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【配列表】
【手続補正書】
【提出日】2022-02-04
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
以下のステップ：（ａ）被験者の基質からＤＮＡを抽出すること、
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化測定によりＤＮＡメチル化プロファイルを得ること、
（ｃ）前記ＤＮＡメチル化プロファイルの分析によりポリジェニックスコアを得ること、および
（ｄ）前記ポリジェニックスコアから被験者の生物学的年齢を決定すること、
を含む被験者の生物学的年齢を計算するための方法であって、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出すること含む方法。
【請求項2】
前記ＤＮＡメチル化測定は、ＤＮＡパイロシーケンシング、質量分析ベース（ＥｐｉｔｙｐｅｒTM）、ＰＣＲベースのメチル化アッセイ、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑおよびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォームでのターゲットアンプリコン次世代バイサルファイトシーケンス、イオントレントシーケンス、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンス、またはオリゴヌクレオチドアレイとのハイブリダイゼーションを含む方法を使用して実行される、請求項１に記載の方法。
【請求項3】
前記ＤＮＡメチル化測定は、ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域のＳＥＱＩＤ ＮＯ：１におけるＥｌｏｖＬ２ ＡＳ１領域に位置するヒトＣＧサイトのいずれか１つの内のＣＧサイトおよびそれらの組み合わせのメチル化状態の測定を含むポリジェニックＤＮＡメチル化バイオマーカーに対して実行される、請求項１に記載の方法。
【請求項4】
前記ＤＮＡメチル化測定は、ＳＥＱ ＩＤ ＮＯ：２で示されるビオチン化フォワードプライマー、ＳＥＱ ＩＤ ＮＯ：３で示されるリバースプライマー、およびＳＥＱ ＩＤＮＯ：４で示されるパイロシーケンシングプライマーを含むＤＮＡパイロシーケンシングを使用して実行される、請求項１に記載の方法。
【請求項5】
前記ＤＮＡメチル化測定は、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォーム上でＳＥＱ ＩＤ ＮＯ：５で示されるフォワードプライマーおよびＳＥＱ ＩＤ ＮＯ：６で示されるリバースプライマーを含みターゲットアンプリコン次世代バイサルファイトシーケンシングを使用して実行される、請求項１に記載の方法。
【請求項6】
前記ＤＮＡメチル化測定は、メチル化特異的ＰＣＲおよびデジタルＰＣＲの群から選択されたＰＣＲベースのメチル化アッセイを使用して実行される、請求項１に記載の方法。
【請求項7】
前記ポリジェニックスコアを得るためにＤＮＡメチル化プロファイルを分析することは、複数の線形回帰方程式またはニューラルネットワーク分析を使用することを含む、請求項１に記載の方法。
【請求項8】
以下のステップ：（ａ）複数の被験者の複数の基質からＤＮＡを抽出すること、
（ｂ）前記複数の基質から抽出されたＤＮＡのＤＮＡメチル化測定によりＤＮＡメチル化プロファイルを得ること、
（ｃ）前記ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得ること、および
（ｄ）前記ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定すること、
を含む複数の被験者にわたる生物学的年齢を計算するための方法であって、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、方法。
【請求項9】
前記複数の基質から抽出されたＤＮＡのＤＮＡメチル化測定は、以下のステップ：（ａ）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得ること、
（ｂ）プライマーをバーコーディングすることによりステップ（ａ）のＰＣＲ産物１を増幅してＰＣＲ産物２を得ること、
（ｃ）ステップ（ｂ）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンス反応でマルチプレックスシーケンシングを実行すること、
（ｄ）ステップ（ｃ）の多重化されたシーケンシングからデータを抽出すること、および（ｅ）ステップ（ｄ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プロファイルを得ること、
を含み、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、請求項８に記載の方法。
【請求項10】
前記ＰＣＲ産物１を得るためのターゲット特異的プライマーは、ＳＥＱ ＩＤ ＮＯ：５で示されたフォワードプライマーおよびＳＥＱ ＩＤ ＮＯ：６で示されたリバースプライマーを含み、前記ＰＣＲ産物２を得るためのバーコードプライマーは、バーコードインデックスプライマーであり、ＳＥＱ ＩＤ ＮＯ：７で示されたフォワードプライマーおよびＳＥＱ ＩＤ ＮＯ：８で示リバースプライマーを含む、請求項９に記載の方法。
【請求項11】
生物学的年齢を計算するためのＤＮＡメチル化バイオマーカーの組み合わせであって、前記ＤＮＡメチル化バイオマーカーの組み合わせはそれらのヒトＣＧサイトの組み合わせを含み、これらはＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域に位置付けられ、ＳＥＱ ＩＤ ＮＯ：１で示されたＥｌｏｖＬ２ ＡＳ１領域である。
【請求項12】
被験者の生物学的年齢を決定するためのキットであって、被験者の基質の収集および安定化のための手段および試薬と、
キットのバーコードを読み取るためのスキャナーと、
基質の収集と安定化のための指示書と、
を含み、
前記基質は被験者の唾液または血液であり、
前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化の測定を目的としてＤＮＡを抽出するために収集された基質を郵送して被験者のＤＮＡメチル化プロファイルを得、被験者の生物学的年齢を決定するためのキット。
【請求項13】
以下のステップ：（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価すること、
（ｂ）前記被験者の生物学的年齢を決定するために、前記被験者から得られた請求項１２のキットにステップ（ａ）のエントリーを一致させること、
（ｃ）計算された生物学的年齢を得るために、請求項１または８の方法を使用して被験者の生物学的年齢を計算すること、
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有すること、
を含む、
ライフスタイルの変化に関する推奨事項を提供するためのコンピュータ実施の方法。
【請求項14】
前記コンピュータ可読媒体は、請求項１または請求項８の方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、
前記テストを注文するための仮想ショッピングカート、
請求項１２に記載のキットのバーコードをスキャンするためのスキャン機能、および
ラボからテスト結果を受け取る機能、
を含む、方法であって、
前記オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む、請求項１３に記載のコンピュータ実施方法。
【請求項15】
パーソナライズされたライフスタイルの推奨のためにＡｎｄｒｏｉｄ、Ａｐｐｌｅ、またはＷｅ Ｃｈａｔミニプログラムを使用して被験者の生物学的エイジングを正常化または遅延することに焦点を当てたヘルスエコシステムを作成すること、または、複数の被験者にわたる標準のデータパイプラインとＣｌｏｕｄ ｄａｔａ ｐｒｅｐなどの管理システムを使用して、サーバーまたはＡｍａｚｏｎ、Ａｌｉクラウド、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅなどのクラウドサーバーにおけるオブジェクトストレージエンタープライズにデータを保存すること、を含む、請求項１４に記載のコンピュータ実施方法。
【請求項16】
被験者または複数の被験者にわたる生物学的年齢の異なるライフスタイルの測定値の加重寄与を計算するためのランダムフォレスト（ＲＦ）、サポートベクターマシン（ＳＶＭ）、線形判別分析（ＬＤＡ）、一般化線形モデル（ＧＬＭ）、および深層学習（ＤＬ）などの人工知能アルゴリズムのセットの使用を含み、これは動的に更新され、ライフスタイルの変化に関するパーソナライズされたライフスタイルの推奨事項を提供する、請求項１４に記載のコンピュータ実施方法。
【請求項17】
以下のステップ：（ａ）複数の被験者から得られたデータを保存すること、
（ｂ）ステップ（ａ）の保存データを分析すること、および
（ｃ）モデルを構築すること、
を含む、コンピュータ可読媒体を開発するための方法であって、
前記複数のユーザーから得られたデータを保存するステップは、クラウドベースのＳＱＬデータベースであり、
前記保存されたデータを分析するステップは、深層機械学習、強化学習、および機械学習から選択される群、またはそれらの組み合わせを含み、
前記モデルを構築するステップは、入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む、方法。
【請求項18】
前記機械学習が、ランダムフォレスト分析を含むデータマイニングアルゴリズムまたはＫ－Ｍｅａｎｓクラスター分析を含むデータマイニングアルゴリズム、またはＡｍａｚｏｎＭａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）を含むプラットフォーム、またはＡｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ＧｏｏｇｌｅコンピュートエンジンおよびＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むプラットフォーム上のＨ２Ｏ．ａｉ製品を含むソフトウェアから選択される群及びそれらの組み合わせを含む、請求項１７に記載のコンピュータ可読媒体を開発するための方法。
【請求項19】
以下のステップ：（ａ）生物学的介入の前の初期生物学的年齢を得るため、請求項１または請求項８の方法を使用して被験者の生物学的年齢を計算すること、
（ｂ）前記被験者に対して生物学的介入を実行すること、
（ｃ）生物学的介入後の生物学的年齢を得るためにステップ（ｂ）が実行された後、前記被験者から得られた後続の基質上でステップ（ａ）を繰り返すこと、
（ｄ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価すること、
を含む、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するための請求項１または請求項８の方法であって、
前記ステップ（ｂ）の生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作およびエピジェネティック操作から選択される群またはそれらの組み合わせであり、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｃ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む、方法。
【請求項20】
以下のステップ：（ａ）テスト剤の投与前の初期生物学的年齢を得るために、請求項１または請求項８の方法を使用して被験者から得られた基質の年齢を計算すること、
（ｂ）前記被験者にテスト剤を投与すること、
（ｃ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｂ）が実行された後、前記被験者から得られた後続の基質上でステップ（ａ）を繰り返すこと、
（ｄ）テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合し、年齢の低減が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者のアンチエイジング剤として決定すること、
を含む、
アンチエイジング剤である薬剤をスクリーニングする方法で使用するための請求項１または請求項８に記載の方法であって、
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合することは、前記ステップ（ｃ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む、方法。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【発明の詳細な説明】
【技術分野】
【0001】
[関連出願への相互参照]
この出願は、米国特許法第１１９条（ｅ）に従って、２０１９年５月２９日付けで出願した「エピエイジング：ヘルシーエイジングを管理するための新規エコシステム」と題する仮出願番号６２／８５４，２２６の優先権を主張するものであり、それぞれの内容は、参照により本明細書に組み込まれるものである。
［配列表］
この出願は、ＡＳＣＩＩ形式で電子的に提出され、参照によりその全体が本明細書に組み込まれる配列表を含む。２０２０年５月２８日付けで作成した前記のＡＳＣＩＩコピーは、ＴＰＣ５７５０５＿Ｓｅｑ Ｌｉｓｔ＿ＳＴ２５．ｔｘｔという名称で、サイズは４，０９６バイトである。
この出願は、米国特許法第１１９条（ｅ）に従って、２０１９年５月２９日付けで出願した「エピエイジング：ヘルシーエイジングを管理するための新規エコシステム」と題する仮出願番号６２／８５４，２２６の優先権を主張するものであり、それぞれの内容は、参照により本明細書に組み込まれるものである。
［配列表］
この出願は、ＡＳＣＩＩ形式で電子的に提出され、参照によりその全体が本明細書に組み込まれる配列表を含む。２０２０年５月２８日付けで作成した前記のＡＳＣＩＩコピーは、ＴＰＣ５７５０５＿Ｓｅｑ Ｌｉｓｔ＿ＳＴ２５．ｔｘｔという名称で、サイズは４，０９６バイトである。
【0002】
本発明は、概して、ヒトＤＮＡにおけるエピジェネティクスおよびＤＮＡメチル化シグネチャー、特に、人のエピジェネティックなエイジングを決定し、ＤＮＡメチル化シグネチャーに基づいてヘルシーエイジングを管理する方法に関する。より具体的には、本発明は、分子診断、健康管理、およびアプリデジタル技術を使用してパーソナライズされたルシーエイジングのライフスタイル修正ためのＤＮＡメチル化シグネチャーを含む方法を提供する。
【背景技術】
【0003】
暦年齢は、人が生きている年数として理解されるが、生理学的年齢とも呼ばれる生物学的年齢は、個人が何歳であるかを示す。人々はさまざまな割合でエイジングするため、個人の生物学的年齢を決定することは困難である。暦年齢よりも年上に「見える」および「感じる」ものいれば、暦年齢よりも若く見えるものもいる。全体的な人間の暦年齢は生物学的年齢と相関しているが、常にそうであるとは限らない。生物学的年齢は、暦年齢よりも、個人の健康、幸福、寿命のより良いパラメータである。生理学的年齢に相当するものと
して、生物学的年齢は、食事、運動、睡眠習慣などを含むいくつかのライフスタイル要因を反映し、影響を受ける。しかし、個人の生物学的年齢の評価は依然として課題である。重要なことに、真の生物学的年齢を測定する必要性は、生物学的エイジングの速度を減速させる介入のテストと設計につながる可能性があるという考えによって推進されている。過去数十年の間に、生物学的エイジングと寿命を予測できるさまざまなパラメータを特定するために多大な努力が費やされてきた。例えば、フレイルの測定（Ｆｅｒｒｕｃｃｉ ｅｔ ａｌ．，２００２）、髪の白髪化、皮膚のエイジング（Ｙａｎａｉ、Ｂｕｄｏｖｓｋｙ、Ｔａｃｕｔｕ、＆Ｆｒａｉｆｅｌｄ、２０１１）、さまざまな種類の白血球のレベルなどが挙げられる。ただし、これらのマーカーのほとんどは、暦年齢を知ることよりも利点がないことがわかった。
して、生物学的年齢は、食事、運動、睡眠習慣などを含むいくつかのライフスタイル要因を反映し、影響を受ける。しかし、個人の生物学的年齢の評価は依然として課題である。重要なことに、真の生物学的年齢を測定する必要性は、生物学的エイジングの速度を減速させる介入のテストと設計につながる可能性があるという考えによって推進されている。過去数十年の間に、生物学的エイジングと寿命を予測できるさまざまなパラメータを特定するために多大な努力が費やされてきた。例えば、フレイルの測定（Ｆｅｒｒｕｃｃｉ ｅｔ ａｌ．，２００２）、髪の白髪化、皮膚のエイジング（Ｙａｎａｉ、Ｂｕｄｏｖｓｋｙ、Ｔａｃｕｔｕ、＆Ｆｒａｉｆｅｌｄ、２０１１）、さまざまな種類の白血球のレベルなどが挙げられる。ただし、これらのマーカーのほとんどは、暦年齢を知ることよりも利点がないことがわかった。
【0004】
最近では、分子生物学の進歩により、エイジングの新規分子測定法が導入されている。「テロメアの長さ」（Ｍｏｎａｇｈａｎ、２０１０年）および「代謝測定」（Ｈｅｒｔｅｌ
ｅｔ ａｌ．，２０１６年）は、生物学的年齢を予測するために使用されてきた。ただし、テロメアの長さは年齢によって異なるが、暦年齢とテロメアの長さの間の相関は弱く、寿命の予測力は低かった。さらに、テロメアの長さを測定するために使用される技術は技術的に要求が厳しく、技術的なエラーが年齢の決定を混乱させる。使用されているもう１つの測定値は、尿中のさまざまな代謝物を測定する「代謝年齢スコア」である。（Ｈｅｒｔｅｌ ｅｔ ａｌ．，２０１６）この手法では、さまざまな尿成分を測定するための高度な方法が必要である。
ｅｔ ａｌ．，２０１６年）は、生物学的年齢を予測するために使用されてきた。ただし、テロメアの長さは年齢によって異なるが、暦年齢とテロメアの長さの間の相関は弱く、寿命の予測力は低かった。さらに、テロメアの長さを測定するために使用される技術は技術的に要求が厳しく、技術的なエラーが年齢の決定を混乱させる。使用されているもう１つの測定値は、尿中のさまざまな代謝物を測定する「代謝年齢スコア」である。（Ｈｅｒｔｅｌ ｅｔ ａｌ．，２０１６）この手法では、さまざまな尿成分を測定するための高度な方法が必要である。
【0005】
Ｈｏｒｖａｔｈによる「エピジェネティッククロック」の発見により、生物学的年齢マーカーの検索におけるパラダイムシフトが起こった（Ｈｏｒｖａｔｈ、２０１３年）。このクロックは、ＤＮＡの３５３ＣＧ位置でのＤＮＡメチル化クロックの測定に基づいている。メチル化クロックに含まれる遺伝子のメチル化の程度は、テロメアの長さやその他の髪、皮膚、フレイルなどのエイジングの測定値よりも、暦年齢との相関性が高いことがわかっている。さらに重要なことに、ほとんどの人にとって、ＤＮＡメチル化クロックは暦のクロックに非常に近いが、特定の人にとっては、該クロックは暦のクロックよりも速く進む。そのため、人は暦のクロックよりもはるかに老いたエピジェネティックな年齢を持つことができる。最近の研究は、ＤＮＡメチル化クロックのそのような進歩がさまざまな原因による早期死亡を予測することを示唆した。合計１３，０８９人の１３の異なる研究の最近の分析では、エピジェネティッククロックが、例えば、年齢、肥満度指数（ＢＭＩ）、教育、喫煙、身体活動、アルコール使用、喫煙および特定の合併症などのいくつかの危険因子とは無関係に、すべての原因による死亡率を予測することができたことを示した。（Ｃｈｅｎ ｅｔ ａｌ．，２０１６）
【0006】
ＥＢｉｏｍｅｄｉｃｉｎｅのＪｙｌｈaｖa、Ｐｅｄｅｒｓｅｎ、Ｈaｇｇによる最近のレビューには、「テロメアの長さは最もよく研究されている生物学的年齢予測因子であるが、多くの新規予測因子が出現しており、エピジェネティッククロックは、年齢とよく相関し、死亡率を予測するため、現在、最良の生物学的年齢予測因子である」と結論付けている（Ｊｙｌｈａｖａ， Ｐｅｄｅｒｓｅｎ， ＆ Ｈａｇｇ， ２０１７）。「テロメアの長さの測定における技術的な偏りも、一貫した結果の欠如の一因となる可能性がある。」著者らは、「簡単に言えば、テロメアの長さは広く検証されているが、予測力は低い。複合バイオマーカーは十分に検証されていないが、代謝年齢スコアと同様に、テロメアよりも強力な予測因子となる可能性がある。エピジェネティッククロックは現在、両方の側面を考慮して最高のパフォーマンスを発揮すると要約する。（Ｊｙｌｈａｖａ ｅｔ ａｌ．，２０１７）
【0007】
Ｖａｌｅｎｔｉｎ Ｍａｘ Ｖｅｔｔｅｒｅｔらによる１８９５人のベルリンエイジング研究ＩＩにおける生物学的年齢の測定値としてのテロメアの長さとエピジェネティックク
ロックの比較は、「前述のように、ＢＡＳＥ－ＩＩコホートでは、年齢の低い集団のテロメアの長さは、年齢の高い集団よりも有意に短かったが、テロメアの長さと暦年齢は、ＢＡＳＥ－ＩＩでは非常に弱い負の相関があった（Ｒｓ２ ＝ ．０１３）」と結論付けた。対照的に、この研究では、「私たちの結果は、ＤＮＡメチル化（エピジェネティッククロック）の年齢推定と暦年齢Ｒ２ｓＲｓ２ ＝０．４７の間に正の有意な相関関係を示し、これは共変量（性別、白血球分布、アルコール、喫煙）の調整後も持続した」ことを見出した。著者らは、「要約すると、予想通り、ＤＮＡｍ年齢は、テロメアの長さよりもはるかに正確な年代順の予測因子であることがわかったと結論付けている。（Ｖｅｔｔｅｒ
ｅｔ ａｌ．，２０１８）
ロックの比較は、「前述のように、ＢＡＳＥ－ＩＩコホートでは、年齢の低い集団のテロメアの長さは、年齢の高い集団よりも有意に短かったが、テロメアの長さと暦年齢は、ＢＡＳＥ－ＩＩでは非常に弱い負の相関があった（Ｒｓ２ ＝ ．０１３）」と結論付けた。対照的に、この研究では、「私たちの結果は、ＤＮＡメチル化（エピジェネティッククロック）の年齢推定と暦年齢Ｒ２ｓＲｓ２ ＝０．４７の間に正の有意な相関関係を示し、これは共変量（性別、白血球分布、アルコール、喫煙）の調整後も持続した」ことを見出した。著者らは、「要約すると、予想通り、ＤＮＡｍ年齢は、テロメアの長さよりもはるかに正確な年代順の予測因子であることがわかったと結論付けている。（Ｖｅｔｔｅｒ
ｅｔ ａｌ．，２０１８）
【0008】
２つの出生コホートに関するスコットランドの研究では、テロメアの長さが年齢の変動の２．８％を説明し、エピジェネティッククロックが年齢の変動の３４．５％を説明することが、組み合わせたコホート分析で判明した。同じ研究では、組み合わせたコホート分析でも、ベースラインのエピジェネティックな年齢の１標準偏差の増加は、死亡リスクの２５％の増加に関連していた。同じモデルでのベースラインのテロメア長さの１標準偏差の増加は、死亡リスクの１１％の減少と独立して関連していた（Ｐ ＜０．０４７）（Ｍａｒｉｏｎｉ ｅｔ ａｌ．，２０１８）。
【発明の概要】
【0009】
「エピジェネティッククロック」がこれまでの生物学的年齢の最も正確な測定値であることが明らかになりつつあるが、利用可能なテストでは、侵襲的で費用のかかるサンプルである血液を使用して多数のサイトをテストする必要がある。これは、大規模な患者がトリガーする使用には適用できない。利用可能な方法は、研究および臨床関連の研究には十分であるが、このテストの消費者中心の使用には適していない。したがって、正確で堅牢な高スループットで非侵襲的なテストが必要である。
【0010】
本発明は、前述の課題に対する解決策として、自己学習、自己啓発のヘルシーエイジングのためのヘルスエコシステム全体において、新規のＣＧサイトを使用し、正確で、堅牢な、唾液ベースの「エピエイジングテスト」を統合するシステムの形態で、コンピュータ可読媒体と統合されたエピジェネティッククロックの消費者ベースの実行可能な反復テストを使用し、これにより、データ収集と消費者との通信、データ共有、機械学習テクノロジーが可能になるアプリケーションとも呼ばれるもの（以下において「アプリ」ともいう）を提供する。
現在の方法は費用がかかり（異なるゲノム領域にわたる多くのＣＧサイトの分析のＤＮＡメチル化が必要）、侵襲的（血液を使用）であり、スタンドアロンであり、年齢スコアの改善のためのガイダンスを提供しない。健康にポジティブな影響を与える行動の一般的な概念は医学文献で推奨されているが、特定の人に役立ち得るライフスタイルの変化の正確なパーソナライズされた組み合わせは不明である。本発明は、唾液を使用する消費者ベースの「ＤＮＡメチル化年齢テスト」を、アプリを介して消費者によって管理されるデータ共有、機械学習、および健康スタイル介入のパーソナライズを組み合わせたアプリ誘導健康およびライフスタイル管理環境と統合するシステムを開示する。データは完全に個人的にされ、消費者間でのみ共有され、外部の者とは共有されない。消費者がデータを共有する動機は、共有コミュニティに参加することで健康を改善するためのより質の高いアドバイスを受け取るということである。したがって、データを共有することのメリットは、より質の高いデータをライフスタイルの評価と推奨事項を得ることにより、動的かつ反復的に消費者に提供される。
現在の方法は費用がかかり（異なるゲノム領域にわたる多くのＣＧサイトの分析のＤＮＡメチル化が必要）、侵襲的（血液を使用）であり、スタンドアロンであり、年齢スコアの改善のためのガイダンスを提供しない。健康にポジティブな影響を与える行動の一般的な概念は医学文献で推奨されているが、特定の人に役立ち得るライフスタイルの変化の正確なパーソナライズされた組み合わせは不明である。本発明は、唾液を使用する消費者ベースの「ＤＮＡメチル化年齢テスト」を、アプリを介して消費者によって管理されるデータ共有、機械学習、および健康スタイル介入のパーソナライズを組み合わせたアプリ誘導健康およびライフスタイル管理環境と統合するシステムを開示する。データは完全に個人的にされ、消費者間でのみ共有され、外部の者とは共有されない。消費者がデータを共有する動機は、共有コミュニティに参加することで健康を改善するためのより質の高いアドバイスを受け取るということである。したがって、データを共有することのメリットは、より質の高いデータをライフスタイルの評価と推奨事項を得ることにより、動的かつ反復的に消費者に提供される。
【発明の目的】
【0011】
本発明の主な目的は、被験者の基質からＤＮＡを抽出し、基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定してＤＮＡメチル化プロファイルを取得し、ポリジェニックスコア
を得るためにＤＮＡメチル化プロファイルを分析し、およびポリジェニックスコアから被験者の生物学的年齢を決定するステップを含む、被験者の生物学的年齢を計算する方法に関する。
ここで、基質からＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
を得るためにＤＮＡメチル化プロファイルを分析し、およびポリジェニックスコアから被験者の生物学的年齢を決定するステップを含む、被験者の生物学的年齢を計算する方法に関する。
ここで、基質からＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
【0012】
本発明のさらなる目的は、ポリジェニックＤＮＡメチル化バイオマーカーに対して実施される測定されたＤＮＡメチル化プロファイルから得られたポリジェニックスコアから得られる被験者の生物学的年齢を計算する方法に関する。これは、ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域に位置され、ＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置するヒトＣＧサイトのいずれかおよびそれらの組み合わせの内のＣＧサイトのメチル化状態を測定することを含む。
【0013】
本発明のもう一つの目的は、複数の被験者の複数の基質からＤＮＡを抽出し、複数の基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定してＤＮＡメチル化プロファイルを取得し、ポリジェニックスコアを得るためにＤＮＡメチル化プロファイルを分析し、およびポリジェニックスコアから被験者の生物学的年齢を決定するステップを含む、複数の被験者にわたる生物学的年齢を計算する方法に関する。
ここで、ＤＮＡを抽出することは、複数の被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
ここで、ＤＮＡを抽出することは、複数の被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
【0014】
本発明のさらにもう一つの目的は、被験者の生物学的年齢を決定するためのキットに関する。前記キットは、被験者からの基質の収集および安定化のための手段および試薬；キットのバーコードを読み取るためのスキャナー；前記基質の収集および安定化に関する指示書を含み；前記基質は被験者の唾液または血液であり、前記基質の安定化が基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、被験者の生物学的年齢を決定するステップを含むキットである。
【0015】
本発明のさらにもう一つの目的は、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法に関する。前記方法は、被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価し、前記被験者の生物学的年齢を決定するための前記被験者から得られた被験者の生物学的年齢を決定するためのキットに前記エントリーを一致させ、生物学的年齢を計算するための方法、または複数の被験者にわたって生物学的年齢を計算するための方法を使用して、前記被験者の計算された生物学的年齢を取得するために前記被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーの評価を使用して統計分析を実行することにより、前記計算された生物学的年齢を前記被験者の機械学習モデルに統合して、統合データレポートを取得し、前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともに統合データレポートを分析することにより前記被験者の動的レポートを作成し、ライフスタイルの変化についての推奨を提供するために、コンピュータ可読媒体において動的レポートを前記被験者と共有するステップを含む、方法である。
【0016】
本発明の別の目的は、コンピュータ可読媒体を開発するための方法に関する。
前記方法は、複数の被験者から得られたデータを保存し、保存されたデータを分析し、モデルを構築するステップを含み、
前記複数の被験者から得られたデータを保存するステップはクラウドベースのＳＱＬデータベースを含み、
前記保存されたデータを分析するステップは、深層機械学習、強化学習および機械学習か
ら選択される群、またはそれらの組み合わせを含み、
および前記モデルを構築するステップは、入力質問票の測定値および出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む、コンピュータ可読媒体を開発するための方法である。
前記方法は、複数の被験者から得られたデータを保存し、保存されたデータを分析し、モデルを構築するステップを含み、
前記複数の被験者から得られたデータを保存するステップはクラウドベースのＳＱＬデータベースを含み、
前記保存されたデータを分析するステップは、深層機械学習、強化学習および機械学習か
ら選択される群、またはそれらの組み合わせを含み、
および前記モデルを構築するステップは、入力質問票の測定値および出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む、コンピュータ可読媒体を開発するための方法である。
【0017】
したがって、本発明は、年齢の進行、ライフスタイルの影響を評価するのに有用な方法および材料を提供し、および被験者からまたは複数の被験者にわたる基質または血液や唾液を含む基質から抽出されたＤＮＡにおけるＥｌｏｖＬ２遺伝子（ＥｌｏｖＬ２ ＡＳ１領域）に対して向けられたアンチセンスｍＲＮＡをコードする遺伝子の上流にあるＣＧサイトまたはＣＧ位置のＤＮＡメチル化を分析する方法による生物学的年齢の計算に基づくライフスタイル変化に関するパーソナライズされたライフスタイル推奨事項を提供する。
【課題を解決するための手段】
【0018】
本発明の一実施形態は、被験者の生物学的年齢を計算するための方法に関する。前記方法は、被験者の基質からＤＮＡを抽出し、ＤＮＡメチル化プロファイルを取得するために基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定し、ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを取得し、およびポリジェニックスコアから被験者の生物学的年齢を決定するステップを含む方法である。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
【0019】
本発明は、年齢の進行が、ＥｌｏｖＬ２遺伝子に対して向けられたアンチセンスｍＲＮＡをコードする遺伝子（ＥｌｏｖＬ２ ＡＳ１領域と呼ばれる）の上流の領域に存在するかまたは位置するＣＧ位置またはＣＧサイトのメチル化と高度に相関することを見出した。したがって、本発明の別の実施形態は、被験者の生物学的年齢を計算するための方法に関する。前記方法は、表１に記載されるヒトＣＧサイトの任意の１つのメチル化状態を測定することを含むポリジェニックＤＮＡメチル化バイオマーカーに対して実施されるＤＮＡメチル化を測定するステップを含む。表１はＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置する本明細書に開示されるヒト染色体６上に現れるＣＧ位置およびそれらの組み合わせを提供する。本発明は、前記領域のターゲット化されたアンプリコン配列決定が、表１に記載される前述の１３の新規ＣＧサイトの組み合わせを明らかにすること見出した。表１はＳＥＱ ＩＤ ＮＯ：１に示されたＥｌｏｖＬ２ ＡＳ１領域における本明細書に開示されるヒト染色体６上に現れるＣＧ位置を提供し、そのメチル化は唾液中の生物学的年齢と高度に相関していた。本発明の線形回帰方程式は、これらのサイトの年齢による回帰係数を明らかにし、これらのサイトの複合加重方程式は、生物学的年齢を正確に予測する。
【0020】
本発明の一実施形態は、複数の被験者にわたる生物学的年齢を計算するための方法を開示し、前記方法は、複数の被験者の複数の基質からＤＮＡを抽出し、複数の基質から抽出されたＤＮＡ中のＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得、ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを取得し、ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定するステップを含み、前記ＤＮＡの抽出は、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む方法である。本発明は、表１に記載されるＣＧサイトのポリジェニックセットにおけるＤＮＡメチル化を決定することによって唾液中のＤＮＡメチル化年齢を正確に測定する方法を開示する。これは、数百人の人々における同時にＳＥＱ ＩＤ ＮＯ：１で示されているＥｌｏｖＬ２ ＡＳ１領域における本明細書に開示されているヒト染色体６上に現れるＣＧ位置を提供する。これは、ターゲット特異的プライマーを用いた連続増幅、続いてバーコードプライマー、および単一の次世代Ｍｉｓｅｑ配列決定反応における多重配列決定シーケンシング、データ抽出、およびメチル化の定量化による。
また本発明は、表１に記載されるＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ
１領域における本明細書に開示されるヒト染色体６上に現れるＣＧ位置を提供し、前記ＤＮＡメチル化ＣＧサイトのメチル化の測定を開示する。これは、パイロシーケンシングアッセイまたはメチル化特異的ＰＣＲまたはデジタルＰＣＲを使用するによる。
本発明は、年齢を予測するポリジェニック加重メチル化スコアの計算を開示する。
また本発明は、表１に記載されるＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ
１領域における本明細書に開示されるヒト染色体６上に現れるＣＧ位置を提供し、前記ＤＮＡメチル化ＣＧサイトのメチル化の測定を開示する。これは、パイロシーケンシングアッセイまたはメチル化特異的ＰＣＲまたはデジタルＰＣＲを使用するによる。
本発明は、年齢を予測するポリジェニック加重メチル化スコアの計算を開示する。
【0021】
本発明の一実施形態は、被験者の生物学的年齢を決定するためのキットを開示する。前記キットは、被験者の基質の収集および安定化のための手段および試薬；キットのバーコードを読み取るためのスキャナー；および基質の収集および安定化に関する指示書を含む。前記基質は被験者の唾液または血液であり、前記基質の安定化が、基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、被験者の生物学的年齢を決定することを含むキットである。
【0022】
本発明の一実施形態は、ライフスタイルの変化についての推奨事項を提供するためのコンピュータ実施方法を開示している。前記方法は、被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価し；本明細書に開示され、および前記被験者の生物学的年齢を決定するために前記対象から得られたキットに前記エントリーを一致させ；本明細書に開示される被験者の生物学的年齢を計算する方法、または複数の被験者にわたる生物学的年齢を計算する方法を使用して被験者の生物学的年齢を計算し；コンピュータ可読媒体へのエントリーの評価を使用して統計分析を実行して統合データレポートを取得することにより、前記計算された生物学的年齢を前記被験者の機械学習モデルに統合して、統合データレポートを取得し；前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともに統合データレポートを分析することにより前記被験者の動的レポートを作成し；ライフスタイルの変化についての推奨を提供するために、コンピュータ可読媒体において動的レポートを前記被験者と共有するステップを含む、方法である。
したがって、本発明はコンピュータ実施方法を開示する。これは、唾液中の生物学的年齢の繰り返されるＤＮＡメチル化年齢測定を、これらの変化を管理するアプリとも呼ばれるコンピュータ可読媒体を使用する動的なライフスタイルの変化と統合する新規プロセスである。
ＤＮＡメチル化年齢の決定には唾液のみが必要であるため、本発明の開示された方法は、コンピュータ可読媒体またはアプリを介して、唾液収集キットに吐き出し、ＤＮＡメチル化分析のためにＤＮＡ抽出キットがラボに郵送される。消費者主導のテストの順序付けを提供する。ライフスタイルの変化はアプリに記録され、メチル化データとライフスタイルデータはデータベースにキャプチャされ、ニューラルネットワークなどの機械学習プログラムによって継続的かつ反復的に分析される。
したがって、本発明はコンピュータ実施方法を開示する。これは、唾液中の生物学的年齢の繰り返されるＤＮＡメチル化年齢測定を、これらの変化を管理するアプリとも呼ばれるコンピュータ可読媒体を使用する動的なライフスタイルの変化と統合する新規プロセスである。
ＤＮＡメチル化年齢の決定には唾液のみが必要であるため、本発明の開示された方法は、コンピュータ可読媒体またはアプリを介して、唾液収集キットに吐き出し、ＤＮＡメチル化分析のためにＤＮＡ抽出キットがラボに郵送される。消費者主導のテストの順序付けを提供する。ライフスタイルの変化はアプリに記録され、メチル化データとライフスタイルデータはデータベースにキャプチャされ、ニューラルネットワークなどの機械学習プログラムによって継続的かつ反復的に分析される。
【0023】
本発明の一実施形態は、コンピュータ可読媒体を開発するための方法を開示する。前記方法は、複数の被験者から得られたデータを保存し、保存されたデータを分析し、モデルを構築するステップを含む方法であって、複数のユーザーから得られたデータを保存するステップは、クラウドベースのＳＱＬデータベースを含む。前記保存されたデータを分析するステップは、深層機械学習、強化学習、機械学習、またはそれらの組み合わせから選択されたグループを含み、モデルを構築するステップは、入力質問票の測定値および出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む。複数の消費者が共有するデータを継続的に分析して、入力ライフスタイルの変化を、本発明に開示される方法によって提供されるＤＮＡメチル化年齢または生物学的年齢と暦年齢との間の差の出力と関連付けるモデルを構築する。ここに開示されているモデルは個人データに適用され、該モデルはライフスタイルの個人的な変化に関する推奨事項を導き出す。ここに開示されている入力ライフスタイルの変化と出力ＤＮＡメチル化年齢または生物学的年齢は繰り返し測定され、消費者のアプリに
向けられた追加のアドバイスとともにさらなる強化学習に使用される。
向けられた追加のアドバイスとともにさらなる強化学習に使用される。
【0024】
本発明は、生物学的年齢およびライフスタイルの変化とＤＮＡメチル化年齢との間の関係を測定するために当業者によって使用され得る方法を提供する。表１に記載のＤＮＡメチル化マーカー（ＣＧＩＤ）は、本明細書に記載の本明細書に開示されるＳＥＱ ＩＤ ＮＯ：１に記載の新たに発見された遺伝子ＥｌｏｖＬ２ ＡＳ１のヒト染色体６の上流領域における選択されたＣＧ位置を描写する。本発明は、ＤＮＡメチル化のエイジングまたは生物学的年齢を決定するための消費者主導の唾液ベースのテスト、および「共有」アプリまたはコンピュータ可読媒体および機械学習システムを使用したライフスタイルパラメータの報告および修正に有用である。
本発明は、同時に数百人の人々または被験者にわたる本明細書に開示されるＳＥＱ ＩＤ
ＮＯ：１に記載されるアンチセンスＥＬＯＶＬ２ ＡＳ１領域のターゲット化されたアンプリコン配列決定を含む、本明細書に開示されるＤＮＡメチル化測定方法に基づくポリジェニックスコアまたは次世代のバイサルファイトシーケンシング、パイロシーケンシング、ＭｅＤｉｐシーケンシング、イオントレントシーケンシング、Ｉｌｌｕｍｉｎａ４５０Ｋアレイ、Ｅｐｉｃマイクロアレイなどの当業者の人々が利用できるＤＮＡメチル化を測定する他の方法を使用して「生物学的年齢」を測定するのに有用であることが示される。
本発明はまた、オープンソースおよびＢｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、およびＳｉｂｅｒｉａｎ ＣＭＳなどの他のプログラムを使用して、当業者によって開発され得る本明細書に開示される「エピエイジング」アプリを使用してライフスタイルの変化に対する包括的な計画におけるＤＮＡメチル化測定を統合させるための本発明の有用性を開示する。データは、当業者であれば誰でも扱うことができる。ＡｚｕｒｅクラウドやＡｍａｚｏｎクラウドなどのクラウドサーバーのＭｙＳＱＬなどのデータベースに保存される。これらのサーバーで該データは、当業者が利用できるＴｅｎｓｏｒフローやＲ統計などのオープンソースプログラムを使用して、ニューラルネットワークなどの機械学習プラットフォームによって分析される。
本発明は、ヘルシーエイジングに影響を与える可能性のあるライフスタイルの変化の組み合わせに関する推奨事項を含む動的な「パーソナライズされた」レポートを顧客に提供する際の本発明の有用性を開示する。
本発明はまた、推奨されるライフスタイルの変化の前後にＤＮＡメチル化年齢を測定するための唾液を送ることによって、介入が生物学的年齢に及ぼす影響を測定するための「エピエイジング」ＤＮＡメチル化テストおよびアプリの有用性を開示する。
本発明は、同時に数百人の人々または被験者にわたる本明細書に開示されるＳＥＱ ＩＤ
ＮＯ：１に記載されるアンチセンスＥＬＯＶＬ２ ＡＳ１領域のターゲット化されたアンプリコン配列決定を含む、本明細書に開示されるＤＮＡメチル化測定方法に基づくポリジェニックスコアまたは次世代のバイサルファイトシーケンシング、パイロシーケンシング、ＭｅＤｉｐシーケンシング、イオントレントシーケンシング、Ｉｌｌｕｍｉｎａ４５０Ｋアレイ、Ｅｐｉｃマイクロアレイなどの当業者の人々が利用できるＤＮＡメチル化を測定する他の方法を使用して「生物学的年齢」を測定するのに有用であることが示される。
本発明はまた、オープンソースおよびＢｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、およびＳｉｂｅｒｉａｎ ＣＭＳなどの他のプログラムを使用して、当業者によって開発され得る本明細書に開示される「エピエイジング」アプリを使用してライフスタイルの変化に対する包括的な計画におけるＤＮＡメチル化測定を統合させるための本発明の有用性を開示する。データは、当業者であれば誰でも扱うことができる。ＡｚｕｒｅクラウドやＡｍａｚｏｎクラウドなどのクラウドサーバーのＭｙＳＱＬなどのデータベースに保存される。これらのサーバーで該データは、当業者が利用できるＴｅｎｓｏｒフローやＲ統計などのオープンソースプログラムを使用して、ニューラルネットワークなどの機械学習プラットフォームによって分析される。
本発明は、ヘルシーエイジングに影響を与える可能性のあるライフスタイルの変化の組み合わせに関する推奨事項を含む動的な「パーソナライズされた」レポートを顧客に提供する際の本発明の有用性を開示する。
本発明はまた、推奨されるライフスタイルの変化の前後にＤＮＡメチル化年齢を測定するための唾液を送ることによって、介入が生物学的年齢に及ぼす影響を測定するための「エピエイジング」ＤＮＡメチル化テストおよびアプリの有用性を開示する。
【0025】
本発明の他の目的、特徴および利点は、以下の詳細な説明から当業者に明らかになるであろう。
しかしながら、詳細な説明および特定の実施例は、本発明のいくつかの実施形態を示しているが、限定ではなく例示として与えられていることを理解されたい。本発明の範囲内の多くの変更および修正は、その精神から逸脱することなく行うことができ、本発明は、そのような修正すべてを含む。
しかしながら、詳細な説明および特定の実施例は、本発明のいくつかの実施形態を示しているが、限定ではなく例示として与えられていることを理解されたい。本発明の範囲内の多くの変更および修正は、その精神から逸脱することなく行うことができ、本発明は、そのような修正すべてを含む。
【図面の簡単な説明】
【0026】
【図1】ＥｌｏｖＬ２ ＡＳ１領域と呼ばれるＥｌｏｖＬ２遺伝子の上流のアンチセンス領域のＣＧサイトでのＤＮＡメチル化は、年齢と相関する。ＣＧサイト周辺のヒトゲノム領域のＩＧＶブラウザビュー、および本明細書で開示される表１に記載されるＥｌｏｖＬ２ ＡＳ１領域、すなわちｃｇ１６８６６７５７およびｃｇ２１５７２７２２の２つのＣＧの位置が示されている。公的に入手可能なＩｌｌｕｍｉｎａ４５０Ｋアレイの血球のゲノム全体のＣＧＩＤのメチル化状態と年齢の間のピアソン相関により、トップのＣＧはｃｇ１６８６７６５７であり、ピアソンの積率相関係数はｒ＝０．９３４（ｐ＝０）であり、隣接サイトｃｇ２１５７２７２２の年齢との相関係数はｒ＝０．８１００４（ｐ＝０）であることが明らかになり、発見されたＣＧサイトのメチル化状態がＥｌｏｖＬ２ＡＳ１領域の年齢と相関していることが示されている。このＣＧのゲノム位置を調べると、これまで特徴付けられていなかった領域であるＥｌｏｖＬ２アンチセンス遺伝子ＥｌｏｖＬ２ ＡＳ１領域に存在する１３個のＣＧ（表示）の配列のメンバーであることが明らかになった。
【図2】ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトは、唾液の年齢と高い相関がある。ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトの加重メチル化レベルのメチル化スコア、すなわち、第６染色体に位置するｃｇ１６８６７６５７、ｃｇ２１５７２７２２、および第１染色体に位置するｃｇ０９８０９６７２（ゲノムの表１の位置を参照）と公的に入手可能な血液Ｉｌｌｕｍｉｎａ４５０Ｋアレイ（ＧＳＥ４０２７９ ｎ＝６５６およびＧＳＥ２２１９、ｎ＝６０）の年齢との相関が示されている。分析により、すべての年齢にわたるメチル化と年齢の間に強い相関関係があることが明らかになった。
【図3】ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトでのメチル化と唾液中の年齢の相関、およびＨｏｒｖａｔｈ エピジェネティッククロックとの比較。ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト、すなわちｃｇ１６８７６５７およびｃｇ２１５７２７２２でのメチル化と唾液中の年齢の相関関係、およびＨｏｒｖａｔｈ エピジェネティッククロックとの比較が示されている。Ａ．ｃｇ１６８７６５７とｃｇ２１５７２７２２の組み合わせたメチル化スコア（ＨＫＧ）と、ＧＳＥ７８８７４の唾液からのＤＮＡメチル化プロファイルを使用した年齢との相関。Ｂ．同じＩｌｌｕｍｉｎａ４５０Ｋデータを使用したゴールドスタンダードのＨｏｒｖａｔｈメチル化クロックスコア間の相関。Ｃ．２つのテストの精度の比較。これら２つのサイトの合計スコアは、ゴールドスタンダードのＨｏｒｖａｔｈクロックよりも予測年齢の平均偏差が低くなっている。
【図4】唾液中の１３ＣＧ ＥｌｏｖＬ２ＡＳ１ポリジェニックスコアを使用した年齢の予測。本発明の有用性が示されている。Ａ．６５人の唾液ＤＮＡのメチル化レベルを用いてＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト１、５、６、９の加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。図１に記載されているＥｌｏｖＬ２ ＡＳ１領域は、バイサルファイト変換唾液ＤＮＡから増幅され、Ｍｉｓｅｑ次世代シーケンサーでマルチプレックス次世代シーケンスにかけられた。Ｂ．ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト１、２、５、６、９の加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。Ｃ．ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト１、２の加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。Ｄ．ＥｌｏｖＬ２ ＡＳ１領域のすべてのＣＧサイトの加重メチル化レベルの関数として年齢を予測する線形回帰方程式で計算された年齢を予測するメチル化スコア（ゲノム内の位置については表１を参照）。Ｅ．さまざまなメチル化スコアの予測値の比較。１３ ＣＧサイトすべてを含む方程式は、他のどの組み合わせよりも優れている。
【図5】エピエイジングアプリ。エピエイジングアプリのホームページが描かれている。
【図6】エピエイジングアプリベースのヘルスエコシステム。エピエイジングアプリのユーティリティ；データガイド付きのライフスタイル管理が描かれている。ヘルスエコシステムの中心にあるのはエピエイジングアプリである。このアプリを使用すると、顧客はＤＮＡメチル化、生物学的エイジング、栄養補助食品について学ぶことができる。このアプリを使用すると、顧客はライフスタイル、心臓血管の健康、気分、栄養、性差による睡眠、痛みのデータを入力できる。このアプリを使用すると、顧客はマーケットプレイスから唾液検査キットを注文できる。唾液キットは郵送され、顧客はバーコードをスキャンして、電話ＩＤとテストＩＤを接続するＩＤを顧客に割り当てる。顧客は郵送料前払いで唾液キットをラボに送る。ラボからのメチル化年齢データと反復的なライフスタイルデータは、アプリとラボからＳＱＬでプログラムされたデータベースに送信される。同様に、他の顧客は自分のライフスタイルデータとＤＮＡメチル化データをデータベースに送信している。機械学習アルゴリズムは、深層学習と反復入力データを使用してデータを分析している。結果を決定する際の各入力の重みを定義するモデルが計算される。個人データはモデルによって分析され、結果を変えると予測されるライフスタイルの変化（デルタＤＮＡメチル化－暦年齢）がアプリに配信される。顧客はライフスタイルを変化し、新たに唾液検査を注文し、このサイクルは暦年齢に対するＤＮＡメチル化年齢の変化の方向と範囲に基づいて繰り返し分析されさらなる提案を繰り返し行う。
【図7】ヘルスエピエコシステム。ヘルスエピエコシステムとヘルシーエイジングにおけるその有用性が描かれている。エピエイジングアプリは、ヘルスエコシステムの中心に位置している。それは評判の良い全米医師会からの健康アドバイスのライブ配信を可能にする。ヘルスプロバイダーとライフスタイル製品のマーケットプレイス、およびさまざまな新規テストのマーケットプレイスを作成する。アプリは、すべての情報を繰り返し分析する一般的なデータサーバーにデータを送信し、ライフスタイルの変化、実行可能なテスト、および分析に基づいた医療提供者とベンダーの情報に関する推奨事項を提供する。
【発明の詳細な説明】
【0027】
実施形態の説明において、本明細書の一部を形成し、本発明を実施することができる特定の実施形態を例示として示す添付の図を参照することができる。本発明の範囲から逸脱することなく、他の実施形態を利用することができ、構造変更を行うことができることを理解されたい。本明細書で説明または参照される技術および手順の多くは、当業者によって十分に理解され、一般的に使用されている。別段の定義がない限り、本明細書で使用されるすべての技術用語、表記法、および他の科学用語または専門用語は、本発明が関係する当業者によって一般に理解される意味を有することを意図している。場合によっては、一般に理解されている意味を持つ用語は、明確にするため、および／またはすぐに参照できるように本明細書で定義され、本明細書にそのような定義を含めることは、当技術分野で一般に理解されているものとの実質的な違いを表すと必ずしも解釈されるべきではない。
【0028】
図面のすべての図は、本発明の選択されたバージョンを説明することを目的としており、本発明の範囲を限定することを意図するものではない。
【0029】
本明細書で言及されるすべての刊行物は、引用された刊行物に関連する態様、方法、および／または材料を開示および説明するために、参照により本明細書に組み込まれる。
【0030】
ＤＮＡメチル化とは、ＤＮＡ分子の化学修飾を指す。ＩｌｌｕｍｉｎａインフィニウムマイクロアレイやＤＮＡシーケンシングベースの方法などの技術プラットフォームは、人のＤＮＡメチル化レベルの非常に堅牢で再現性のある測定につながることがわかっている。
ヒトゲノムには２８００万を超えるＣｐＧまたはＣＧ遺伝子座がある。 その結果、特定の遺伝子座には、ＩｌｌｕｍｉｎａのＣｐＧまたはＣＧ遺伝子座データベースにあるような固有の識別子が与えられる。これらのＣＧ遺伝子座指定識別子は、本明細書で使用される。
［定義］
ヒトゲノムには２８００万を超えるＣｐＧまたはＣＧ遺伝子座がある。 その結果、特定の遺伝子座には、ＩｌｌｕｍｉｎａのＣｐＧまたはＣＧ遺伝子座データベースにあるような固有の識別子が与えられる。これらのＣＧ遺伝子座指定識別子は、本明細書で使用される。
［定義］
【0031】
本明細書で使用される「ＣＧ」という用語は、シトシンおよびグアノシン塩基を含むＤＮＡ中のジヌクレオチド配列を指す。本明細書で使用される「ＣＧサイト」と呼ばれるＣＧ位置は、ヒトゲノムにおける位置であり、参照ヒトゲノムｈｇ１９における染色体およびヌクレオチド位置によって定義される。
本明細書で使用される「ベータ値」という用語は、メチル化プローブと非メチル化プローブの間の強度の比および式：ベータ値＝０は完全に非メチル化され、１は完全にメチル化されている。０と１の間のメチル化Ｃ強度／（メチル化Ｃ強度＋非メチル化Ｃ強度）を使用したＩｌｌｕｍｉｎａ４５０ＫまたはＥＰＩＣアレイの正規化および定量化によって導
き出されたＣＧＩＤ位置でのメチル化レベルの計算を指す。
本明細書で使用される「ディシジョンツリー」という用語は、多くの変数および変数間の相互作用から、説明される応答または結果を最も予測するものを選択する一種のデータマイニングアルゴリズムである（Ｍａｎｎ ｅｔ ａｌ．，２００８）。
本明細書で使用される「ランダムフォレスト」という用語は、特定の結果または応答を決定する際に最も重要な変数を選択できるデータマイニングアルゴリズムの一種である（Ｓｈｉ、Ｓｅｌｉｇｓｏｎ、Ｂｅｌｌｄｅｇｒｕｎ、Ｐａｌｏｔｉｅ、＆Ｈｏｒｖａｔｈ、２００５； Ｓｖｅｔｎｉｋ ｅｔ ａｌ．，２００３）。
本明細書で使用される「ラッソ回帰」という用語は、線形回帰モデルの変数を選択する方法であり、最小化された予測誤差で結果（応答変数）を予測するために必要である予測因子の最小サブセットを識別する（Ｋｉｍ、Ｋｉｍ、Ｊｅｏｎｇ、Ｊｅｏｎｇ、＆Ｋｉｍ、２０１８）。
本明細書で使用される「Ｋ－ｍｅａｎｓクラスター分析」という用語は、個々の観測が１つのクラスターに属する、観測をより小さなクラスターのセットに分割する指導なし機械学習手法である（Ｂｅａｕｃｈａｉｎｅ＆Ｂｅａｕｃｈａｉｎｅ、２００２； Ｋａｋｕｓｈａｄｚｅ＆Ｙｕ、２０１７）。
本明細書で使用される「強化学習」という用語は、データ分析からフィードバックを受け取り、試行錯誤しながら学習することを含む。一連の成功した決定は、プロセスの強化につながる（Ｚｈａｏ、Ｋｏｓｏｒｏｋ、＆Ｚｅｎｇ、２００９）。
本明細書で使用される「ペナルティ付き回帰」という用語は、Ｇｏｅｍａｎ、ＪＪ（Ｂｉｏｍｅｔｒｉｃａｌ Ｊｏｕｒｎａｌ ５２（１）、７０－８４）による「Ｃｏｘ比例ハザードモデルにおけるＬ１ペナルティ付きを推定」に記載されるように、Ｒ統計パッケージに実装されるようなバイオマーカーのより大きなリストから結果を予測するために必要な最小数の予測因子を特定することを目的とした統計的方法を指す。
本明細書で使用される「クラスタリング」という用語は、同じグループ（クラスターと呼ばれる）内のオブジェクトが他のグループ（クラスター）内のオブジェクトよりも（様々な意味で）互いにより類似するような方法でのオブジェクトのセットのグループ化を指す。
本明細書で使用される「ニューラルネットワークおよび深層学習」という用語は、データから反復的に学習するためにいくつかの層にニューラルネットワークを組み込む機械学習の方法を指す。ニューラルネットワークは、ライフスタイル変数などのさまざまなデータ入力を、脳内のニューロンのように複数の相互作用を持つ人工ニューロンと呼ばれる接続されたユニットまたはノードのコレクションとして調べる（Ｄｅ Ｒｏａｃｈ、１９８９； Ｍｕｐｐａｒａｐｕ、Ｗｕ、＆Ｃｈｅｎ、２０１８； Ｓｈｅｒｂｅｔ、 Ｗｏｏ、＆Ｄｌａｙ、２０１８）。これらの相互作用は、暦年齢と比較して加速または減速として測定される生物学的エイジングの出力を駆動する。
本明細書で使用される「多重またはポリジェニック線形回帰」という用語は、複数のＣＧ
ＩＤにおけるメチル化のパーセンテージなどの複数の「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の関係を推定する統計的方法を指す。前記方法では、ＣＧ ＩＤなどの複数の「独立変数」がモデルに含まれている場合に、「結果」（年齢などの従属変数）を予測する際に、各ＣＧ ＩＤの「重み」または係数を決定する。
本明細書で使用される「ピアソン相関」という用語は、ＣＧ ＩＤにおけるメチル化のパーセンテージなどの「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の相関を推定する統計的方法を指す。ピアソンの積率相関係数ｒは、相関がないことを示す０と完全な相関を示す１の間の相関に定量的に重み付けをする（Ｈａｒｄｙ＆Ｍａｇｎｅｌｌｏ、２００２）。
本明細書で使用される「ベータ値」という用語は、メチル化プローブと非メチル化プローブの間の強度の比および式：ベータ値＝０は完全に非メチル化され、１は完全にメチル化されている。０と１の間のメチル化Ｃ強度／（メチル化Ｃ強度＋非メチル化Ｃ強度）を使用したＩｌｌｕｍｉｎａ４５０ＫまたはＥＰＩＣアレイの正規化および定量化によって導
き出されたＣＧＩＤ位置でのメチル化レベルの計算を指す。
本明細書で使用される「ディシジョンツリー」という用語は、多くの変数および変数間の相互作用から、説明される応答または結果を最も予測するものを選択する一種のデータマイニングアルゴリズムである（Ｍａｎｎ ｅｔ ａｌ．，２００８）。
本明細書で使用される「ランダムフォレスト」という用語は、特定の結果または応答を決定する際に最も重要な変数を選択できるデータマイニングアルゴリズムの一種である（Ｓｈｉ、Ｓｅｌｉｇｓｏｎ、Ｂｅｌｌｄｅｇｒｕｎ、Ｐａｌｏｔｉｅ、＆Ｈｏｒｖａｔｈ、２００５； Ｓｖｅｔｎｉｋ ｅｔ ａｌ．，２００３）。
本明細書で使用される「ラッソ回帰」という用語は、線形回帰モデルの変数を選択する方法であり、最小化された予測誤差で結果（応答変数）を予測するために必要である予測因子の最小サブセットを識別する（Ｋｉｍ、Ｋｉｍ、Ｊｅｏｎｇ、Ｊｅｏｎｇ、＆Ｋｉｍ、２０１８）。
本明細書で使用される「Ｋ－ｍｅａｎｓクラスター分析」という用語は、個々の観測が１つのクラスターに属する、観測をより小さなクラスターのセットに分割する指導なし機械学習手法である（Ｂｅａｕｃｈａｉｎｅ＆Ｂｅａｕｃｈａｉｎｅ、２００２； Ｋａｋｕｓｈａｄｚｅ＆Ｙｕ、２０１７）。
本明細書で使用される「強化学習」という用語は、データ分析からフィードバックを受け取り、試行錯誤しながら学習することを含む。一連の成功した決定は、プロセスの強化につながる（Ｚｈａｏ、Ｋｏｓｏｒｏｋ、＆Ｚｅｎｇ、２００９）。
本明細書で使用される「ペナルティ付き回帰」という用語は、Ｇｏｅｍａｎ、ＪＪ（Ｂｉｏｍｅｔｒｉｃａｌ Ｊｏｕｒｎａｌ ５２（１）、７０－８４）による「Ｃｏｘ比例ハザードモデルにおけるＬ１ペナルティ付きを推定」に記載されるように、Ｒ統計パッケージに実装されるようなバイオマーカーのより大きなリストから結果を予測するために必要な最小数の予測因子を特定することを目的とした統計的方法を指す。
本明細書で使用される「クラスタリング」という用語は、同じグループ（クラスターと呼ばれる）内のオブジェクトが他のグループ（クラスター）内のオブジェクトよりも（様々な意味で）互いにより類似するような方法でのオブジェクトのセットのグループ化を指す。
本明細書で使用される「ニューラルネットワークおよび深層学習」という用語は、データから反復的に学習するためにいくつかの層にニューラルネットワークを組み込む機械学習の方法を指す。ニューラルネットワークは、ライフスタイル変数などのさまざまなデータ入力を、脳内のニューロンのように複数の相互作用を持つ人工ニューロンと呼ばれる接続されたユニットまたはノードのコレクションとして調べる（Ｄｅ Ｒｏａｃｈ、１９８９； Ｍｕｐｐａｒａｐｕ、Ｗｕ、＆Ｃｈｅｎ、２０１８； Ｓｈｅｒｂｅｔ、 Ｗｏｏ、＆Ｄｌａｙ、２０１８）。これらの相互作用は、暦年齢と比較して加速または減速として測定される生物学的エイジングの出力を駆動する。
本明細書で使用される「多重またはポリジェニック線形回帰」という用語は、複数のＣＧ
ＩＤにおけるメチル化のパーセンテージなどの複数の「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の関係を推定する統計的方法を指す。前記方法では、ＣＧ ＩＤなどの複数の「独立変数」がモデルに含まれている場合に、「結果」（年齢などの従属変数）を予測する際に、各ＣＧ ＩＤの「重み」または係数を決定する。
本明細書で使用される「ピアソン相関」という用語は、ＣＧ ＩＤにおけるメチル化のパーセンテージなどの「独立変数」または「予測因子」と、暦年齢などの「従属変数」との間の相関を推定する統計的方法を指す。ピアソンの積率相関係数ｒは、相関がないことを示す０と完全な相関を示す１の間の相関に定量的に重み付けをする（Ｈａｒｄｙ＆Ｍａｇｎｅｌｌｏ、２００２）。
【0032】
現在開示されている方法は、メチル化状態が年齢と相関するヒトゲノム内のサイトの発見に基づき、利用可能な公開データされたセット（ＧＳＥ６１４９６、ＧＳＥ９８８７６）のゲノム内の４５０Ｋサイトで年齢とＤＮＡメチル化の間の一連のピアソン相関を実行す
ることによって発見され、ＧＳＥ４０７２９からのデータを使用してそのように発見されたＤＮＡメチル化マーカーが検証された。
分析により、ｃｇ１６８６７６３７が年齢と相関するトップサイトとして特定された（ｒ
＝ ０．９３４８２７、ｐ ＝ ０）。
本発明は、前述の加齢に伴うＥｌｏｖＬ２遺伝子に対するアンチセンス配列である染色体６上のヒトゲノムの断片を発見した。本明細書でＣＧサイトと呼ばれる１３ ＣＧを含む前記ＥｌｏｖＬ２ ＡＳ１領域は、本明細書に開示されるように、以下の表１に記載されるようなジヌクレオチド配列の位置であり、多重線形回帰方程式で計算され、組み合わせたメチル化測定値は、これまでに報告されたゲノム内の位置よりも高い精度で唾液中の生物学的年齢のポリジェニックスコアを提供する。これらのサイトは、Ｉｌｌｕｍｉｎａアレイに含まれていなかったため、これまでに説明されていなかった。
したがって、本発明は、組み合わされた加重メチル化レベルが年齢と相関する新規のＣＧサイトを開示する。本発明はさらに、単一のアンプリコンを増幅し、インデックス付きの次世代シーケンシングを使用して数百人を同時に測定することにより、すべての１３ ＣＧサイトのメチル化を正確に測定できることを本明細書で実証する。
したがって、ここに開示されている「エピエイジング」テストを使用することにより、コストを削減し、スループットを向上させる。被験者または顧客は唾液収集キットを注文し、キット収集チューブに唾を吐き、キットをラボに送り返する。ラボではＤＮＡが抽出され、亜硫酸水素塩によって変換され、ＥｌｏｖＬ２ ＡＳ１領域が増幅されてインデックスが付けられる。２００人の被験者からのアンプリコンが同じＭｉｓｅｑ反応でシーケンスされる。ＦａｓｔＱファイルが分析され、１３のＣＧサイトでのメチル化レベルが決定される。１３ ＣＧサイトの加重メチル化値と年齢を相関させる方程式を使用して、生物学的年齢が計算され、顧客と共有される。
ることによって発見され、ＧＳＥ４０７２９からのデータを使用してそのように発見されたＤＮＡメチル化マーカーが検証された。
分析により、ｃｇ１６８６７６３７が年齢と相関するトップサイトとして特定された（ｒ
＝ ０．９３４８２７、ｐ ＝ ０）。
本発明は、前述の加齢に伴うＥｌｏｖＬ２遺伝子に対するアンチセンス配列である染色体６上のヒトゲノムの断片を発見した。本明細書でＣＧサイトと呼ばれる１３ ＣＧを含む前記ＥｌｏｖＬ２ ＡＳ１領域は、本明細書に開示されるように、以下の表１に記載されるようなジヌクレオチド配列の位置であり、多重線形回帰方程式で計算され、組み合わせたメチル化測定値は、これまでに報告されたゲノム内の位置よりも高い精度で唾液中の生物学的年齢のポリジェニックスコアを提供する。これらのサイトは、Ｉｌｌｕｍｉｎａアレイに含まれていなかったため、これまでに説明されていなかった。
したがって、本発明は、組み合わされた加重メチル化レベルが年齢と相関する新規のＣＧサイトを開示する。本発明はさらに、単一のアンプリコンを増幅し、インデックス付きの次世代シーケンシングを使用して数百人を同時に測定することにより、すべての１３ ＣＧサイトのメチル化を正確に測定できることを本明細書で実証する。
したがって、ここに開示されている「エピエイジング」テストを使用することにより、コストを削減し、スループットを向上させる。被験者または顧客は唾液収集キットを注文し、キット収集チューブに唾を吐き、キットをラボに送り返する。ラボではＤＮＡが抽出され、亜硫酸水素塩によって変換され、ＥｌｏｖＬ２ ＡＳ１領域が増幅されてインデックスが付けられる。２００人の被験者からのアンプリコンが同じＭｉｓｅｑ反応でシーケンスされる。ＦａｓｔＱファイルが分析され、１３のＣＧサイトでのメチル化レベルが決定される。１３ ＣＧサイトの加重メチル化値と年齢を相関させる方程式を使用して、生物学的年齢が計算され、顧客と共有される。
【0033】
本発明はさらに、ライフスタイルの変化を提案することによって顧客のヘルシーエイジングを改善するために、動的な方法で生物学的年齢を計算する際の現在開示されている方法の有用性を開示し、対処する。本発明は、効果的な介入が、複数のライフスタイル変数間の関係、およびＤＮＡメチル化年齢と生物学的変化との間の差異の「機械学習」から導き出され得ることを開示している。
ライフスタイルデータとメチル化年齢データまたは生物学的年齢が複数の被験者／ユーザーから動的に収集されるため、マシンはライフスタイルパラメータの変化の組み合わせがＤＮＡメチル化と生物学的年齢の差の増減にどのように関連するかを学習する。本発明は、ＤＮＡメチル化テストを、被験者／消費者に中心の共有、学習およびライフスタイルの変化と統合する。
本発明において本明細書に開示されるように、被験者／消費者は、エピエイジングアプリまたはコンピュータ可読媒体を使用して、ライフスタイルの決定を注文し、伝達する。 健康の改善は双方向のパートナーシップと共同努力であり、「博学な全知」の医療専門家（医療提供者）から「従順」で受動的な患者（医療消費者）への一方向の指示の流れではない。最も評判の良い全米医師会から精選された科学的知識からの最良のアドバイスは、エピエイジングアプリを使用して消費者に提示される。消費者は、どの推奨事項に基づいて行動するかを決定する。消費者は、「完全に盲目的」なアプリを使用して決定を共有する。消費者は、自分のモバイルＩＤにリンクされているが、住所、名前、電子メールなどの個人情報から「ファイアウォールされた」ＩＤを受け取る。複数のユーザーの個人的な介入と結果、およびＤＮＡメチル化年齢テストの結果が繰り返し分析され、身体的および精神的な結果の両方が統合される。データは、たとえば、Ｔｅｎｓｏｒｆｌｏｗなどのニューラルネットワークなどの最先端の機械学習アルゴリズムを使用して分析される。異なる入力パラメータをＤＮＡメチル化年齢と暦年齢の間の出力デルタと相関させるモデルが確立される。消費者の個人データは該モデルで使用され、調整の提案はパーソナライズされて消費者に配信される。本発明は、科学的知識に触発された永続的に進歩する動的な推奨事項モデルを発するための壮大なプラットフォームを提供する。
本発明は、拡大し続けるデータ本体とともに使用することで動的に改善する「進化的」プラットフォームを提案する。本発明に開示されているように、顧客の幸福と学習環境の両方が、ＤＮＡメチル化テスト、ライフスタイルの変化、共有データ、および機械学習の間の動的な相互作用において共進化する。
ライフスタイルデータとメチル化年齢データまたは生物学的年齢が複数の被験者／ユーザーから動的に収集されるため、マシンはライフスタイルパラメータの変化の組み合わせがＤＮＡメチル化と生物学的年齢の差の増減にどのように関連するかを学習する。本発明は、ＤＮＡメチル化テストを、被験者／消費者に中心の共有、学習およびライフスタイルの変化と統合する。
本発明において本明細書に開示されるように、被験者／消費者は、エピエイジングアプリまたはコンピュータ可読媒体を使用して、ライフスタイルの決定を注文し、伝達する。 健康の改善は双方向のパートナーシップと共同努力であり、「博学な全知」の医療専門家（医療提供者）から「従順」で受動的な患者（医療消費者）への一方向の指示の流れではない。最も評判の良い全米医師会から精選された科学的知識からの最良のアドバイスは、エピエイジングアプリを使用して消費者に提示される。消費者は、どの推奨事項に基づいて行動するかを決定する。消費者は、「完全に盲目的」なアプリを使用して決定を共有する。消費者は、自分のモバイルＩＤにリンクされているが、住所、名前、電子メールなどの個人情報から「ファイアウォールされた」ＩＤを受け取る。複数のユーザーの個人的な介入と結果、およびＤＮＡメチル化年齢テストの結果が繰り返し分析され、身体的および精神的な結果の両方が統合される。データは、たとえば、Ｔｅｎｓｏｒｆｌｏｗなどのニューラルネットワークなどの最先端の機械学習アルゴリズムを使用して分析される。異なる入力パラメータをＤＮＡメチル化年齢と暦年齢の間の出力デルタと相関させるモデルが確立される。消費者の個人データは該モデルで使用され、調整の提案はパーソナライズされて消費者に配信される。本発明は、科学的知識に触発された永続的に進歩する動的な推奨事項モデルを発するための壮大なプラットフォームを提供する。
本発明は、拡大し続けるデータ本体とともに使用することで動的に改善する「進化的」プラットフォームを提案する。本発明に開示されているように、顧客の幸福と学習環境の両方が、ＤＮＡメチル化テスト、ライフスタイルの変化、共有データ、および機械学習の間の動的な相互作用において共進化する。
【0034】
本明細書に開示される本発明は、いくつかの実施形態を有する。
本発明の一態様では、本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリジェニックＤＮＡメチル化マーカーを提供する。前記ポリジェニックＤＮＡメチル化マーカーセットは、マッピング法によって導出されたゲノムワイドＤＮＡメチル化に関するゲノム全体の年齢とＤＮＡメチル化の間の相関のピアソン相関分析を使用して導出される。Ｉｌｌｕｍｉｎａ４５０Ｋまたは８５０Ｋアレイ、さまざまな次世代シーケンシングプラットフォームを使用したゲノムワイドバイサルファイトシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、オリゴヌクレオチドアレイとのハイブリダイゼーション、またはこれらの方法の組み合わせなど。
本発明の一態様では、本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリジェニックＤＮＡメチル化マーカーを提供する。前記ポリジェニックＤＮＡメチル化マーカーセットは、マッピング法によって導出されたゲノムワイドＤＮＡメチル化に関するゲノム全体の年齢とＤＮＡメチル化の間の相関のピアソン相関分析を使用して導出される。Ｉｌｌｕｍｉｎａ４５０Ｋまたは８５０Ｋアレイ、さまざまな次世代シーケンシングプラットフォームを使用したゲノムワイドバイサルファイトシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、オリゴヌクレオチドアレイとのハイブリダイゼーション、またはこれらの方法の組み合わせなど。
【0035】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
ここで、ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ＤＮＡパイロシーケンシング、質量分析ベース（ＥｐｉｔｙｐｅｒTM）、ＰＣＲベースのメチル化アッセイ、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォームでのターゲットアンプリコン次世代バイサルファイトシーケンシング、イオントレントシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、またはオリゴヌクレオチドアレイとのハイブリダイゼーションを含む方法を使用して実行される。
本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ヒトＣＧサイトのいずれか１つの内のＣＧサイトのメチル化状態の測定を含むポリジェニックＤＮＡメチル化バイオマーカーに対して行われ、それらの組み合わせは、本明細書に開示される以下の表１に記載されるようなジヌクレオチド配列の位置であり、これはヒト染色体６におけるＥＬＯＶＬ２遺伝子に対するアンチセンス領域内に配置されており、ＥＬＯＶＬ２ ＡＳ１領域はＳＥＱ ＩＤ ＮＯ：１で示される（ＣＧＣＣＣＴＣＧＣＧＴＣＣＧＣＧＧＣＧＴＣＣＣＣＴＧＣＣＧＧＣＣＧＧＧＣＧＧＣＧＡＴＴＴＧＣＡＧＧＴＣＣＡＧＣＣＧＧＣＧＣＣＧＧＴＴＴＣＧＣＧＣＧＧＣＧＧＣＴＣＡＡＣＧＴＣＣＡＣＧＧＡＧＣＣＣＣＡＧＧＡＡＴＡＣＣＣＡＣＣＣＧＣＴＧＣＣＣＡＧＡＴＣＧＧＣＡＧＣＣＧＣＴＧＣＴＧＣＧＧＧＧＡＧＡＡＧＣＡＧＴＡＴＣＧＴＧＣＡＧＧＧＣＧＧＧＣＡＣＧＣＴＧＧＴＣＴＴＧＣＴＴＡＣＡＧＴＴＧＧＧＣＴＴＣＧＧＴＧＧＧＴＴＴＧＡＡＧＣＡＣＡＣＡＴＴＡＧＧＧＧＧＡＡＡＴＧＧＣＴＣＴＧＴＴＣＣＴＧＣＡＧＧＴＴＴＧＣＧＣＡＧＴＣＴＧＧＧＴＴＴＣＴＴＡＧ）。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
ここで、ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む、本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ＤＮＡパイロシーケンシング、質量分析ベース（ＥｐｉｔｙｐｅｒTM）、ＰＣＲベースのメチル化アッセイ、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォームでのターゲットアンプリコン次世代バイサルファイトシーケンシング、イオントレントシーケンシング、メチル化ＤＮＡ免疫沈降（ＭｅＤＩＰ）シーケンシング、またはオリゴヌクレオチドアレイとのハイブリダイゼーションを含む方法を使用して実行される。
本明細書に開示される被験者の生物学的年齢を計算するための方法であって、前記ＤＮＡメチル化測定は、ヒトＣＧサイトのいずれか１つの内のＣＧサイトのメチル化状態の測定を含むポリジェニックＤＮＡメチル化バイオマーカーに対して行われ、それらの組み合わせは、本明細書に開示される以下の表１に記載されるようなジヌクレオチド配列の位置であり、これはヒト染色体６におけるＥＬＯＶＬ２遺伝子に対するアンチセンス領域内に配置されており、ＥＬＯＶＬ２ ＡＳ１領域はＳＥＱ ＩＤ ＮＯ：１で示される（ＣＧＣＣＣＴＣＧＣＧＴＣＣＧＣＧＧＣＧＴＣＣＣＣＴＧＣＣＧＧＣＣＧＧＧＣＧＧＣＧＡＴＴＴＧＣＡＧＧＴＣＣＡＧＣＣＧＧＣＧＣＣＧＧＴＴＴＣＧＣＧＣＧＧＣＧＧＣＴＣＡＡＣＧＴＣＣＡＣＧＧＡＧＣＣＣＣＡＧＧＡＡＴＡＣＣＣＡＣＣＣＧＣＴＧＣＣＣＡＧＡＴＣＧＧＣＡＧＣＣＧＣＴＧＣＴＧＣＧＧＧＧＡＧＡＡＧＣＡＧＴＡＴＣＧＴＧＣＡＧＧＧＣＧＧＧＣＡＣＧＣＴＧＧＴＣＴＴＧＣＴＴＡＣＡＧＴＴＧＧＧＣＴＴＣＧＧＴＧＧＧＴＴＴＧＡＡＧＣＡＣＡＣＡＴＴＡＧＧＧＧＧＡＡＡＴＧＧＣＴＣＴＧＴＴＣＣＴＧＣＡＧＧＴＴＴＧＣＧＣＡＧＴＣＴＧＧＧＴＴＴＣＴＴＡＧ）。
【0036】
表１：アンチセンスＥｌｏｖＬ２遺伝子の上流の１３ ＣＧサイト、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２ ＡＳ１領域に対応し、本発明の実施形態において有用なＣＧメチル化サイト（ＣＧサイト）を有する位置。
本明細書の様々な実施形態で使用されるＣＧサイトにおける選択された１３ ＣＧジヌクレオチドのヒトゲノムにおける位置は、本出願の表１に見出され、これはまた、本願の図面か実施例で使用される染色体１のＣＧ位置を提供する。
＊ＮＡは不可を意味する。
本明細書の様々な実施形態で使用されるＣＧサイトにおける選択された１３ ＣＧジヌクレオチドのヒトゲノムにおける位置は、本出願の表１に見出され、これはまた、本願の図面か実施例で使用される染色体１のＣＧ位置を提供する。
【表1】
【0037】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ビオチン化フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：２（ＡＧＧＧＧＡＧＴＡＧＧＧＴＡＡＧＴＧＡＧ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：３（ＡＣＣＡＴＴＴＣＣＣＣＣＴＡＡＴＡＴＡＴＡＣＴＴ）、パイロシーケンシングプライマーとしてのＳＥＱ ＩＤ ＮＯ：４（ＧＧＧＡＧＧＡＧＡＴＴＴＧＴＡＧＧＴＴＴ）に記載のプライマーを含むＤＮＡパイロシーケンシングを使用して実行される。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ビオチン化フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：２（ＡＧＧＧＧＡＧＴＡＧＧＧＴＡＡＧＴＧＡＧ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：３（ＡＣＣＡＴＴＴＣＣＣＣＣＴＡＡＴＡＴＡＴＡＣＴＴ）、パイロシーケンシングプライマーとしてのＳＥＱ ＩＤ ＮＯ：４（ＧＧＧＡＧＧＡＧＡＴＴＴＧＴＡＧＧＴＴＴ）に記載のプライマーを含むＤＮＡパイロシーケンシングを使用して実行される。
【0038】
本発明の一実施形態では、ＣＧサイトを含むＥｌｏｖＬ２ ＡＳ１領域を使用するＤＮＡメチル化年齢のためのＤＮＡパイロシーケンシングメチル化アッセイの使用を提供し、それらの組み合わせは、本明細書に開示されるプライマーおよび製造業者（Ｐｙｒｏｍａｒｋ、Ｑｉａｇｅｎ）によって推奨されるパイロシーケンシング反応の標準条件を使用し、本明細書に開示される表１に記載されるジヌクレオチド配列の位置である。前記プライマーは、ＳＥＱ ＩＤ ＮＯ：２に設定されるビオチン化フォワードプライマー、ＳＥＱ ＩＤ ＮＯ：３およびＳＥＱ ＩＤ ＮＯ：４に示されるＥｌｏｖ１＿Ｓｅｑプライマーを含むプライマーである。
【0039】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォーム上でＳＥＱ
ＩＤ ＮＯ：５で示されるフォワードプライマー（ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）およびＳＥＱ ＩＤ ＮＯ：６で示されるリバースプライマー（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）を含み、ターゲット化されたアンプリコン次世代バイサルファイトシーケンシングを使用して実行される。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記ＤＮＡメチル化測定は、ＨｉＳｅｑ、ＭｉｎｉＳｅｑ、ＭｉＳｅｑ、およびＮｅｘｔＳｅｑシーケンサーの群から選択されたプラットフォーム上でＳＥＱ
ＩＤ ＮＯ：５で示されるフォワードプライマー（ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）およびＳＥＱ ＩＤ ＮＯ：６で示されるリバースプライマー（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）を含み、ターゲット化されたアンプリコン次世代バイサルファイトシーケンシングを使用して実行される。
【0040】
本発明の一実施形態では、ＣＧサイトを含むＥｌｏｖＬ２ ＡＳ１領域を使用することによって唾液中のＤＮＡメチル化年齢を測定するためのポリジェニック多重アンプリコンバイサルファイトシーケンシングＤＮＡメチル化アッセイの使用を提供し、それらの組み合わせは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置であり、本明細書に開示されるプライマーおよびバイサルファイト変換を含む標準条件（ａ）ターゲット特異的プライマー（ＰＣＲ１）および（ｂ）バーコードプライマー（ＰＣＲ２）および単一の次世代Ｍｉｓｅｑにおける多重配列決定シーケンシング（Ｉｌｌｕｍｉｎａ）、Ｉｌｌｕｍｉｎａソフトウェアを使用した逆多重化、メチルキットを含むメチル化分析の標準的な方法を使用したメチル化のデータ抽出と定量化、続いて被験者の生物学的年齢の計算のための加重ＤＮＡメチル化スコアの計算することの使用を含む連続増幅を使用し、前記ターゲット特異的プライマー（ＰＣＲ１）は、フォワードプライマーはＳＥＱ ＩＤ ＮＯ：５で示され（ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）、
リバースプライマーはＳＥＱ ＩＤ ＮＯ：６で示され（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＣＴＣＴＣＣＣＣ）、フォワードプライマーについてはＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）で、リバースプライマーについてはＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ）で示されるバーコードプライマー（ＰＣＲ２）であり、これは、バーコードインデックスプライマーである。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：５において、ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：６において、ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：８において、バーコードプライマー、ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ、赤色の塩基がインデックスであり、このインデックスの最大２００
のバリエーションが使用される。
リバースプライマーはＳＥＱ ＩＤ ＮＯ：６で示され（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＣＴＣＴＣＣＣＣ）、フォワードプライマーについてはＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）で、リバースプライマーについてはＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ）で示されるバーコードプライマー（ＰＣＲ２）であり、これは、バーコードインデックスプライマーである。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：５において、ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：６において、ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ、黒色の塩基はアダプターであり、赤色の塩基はターゲット化された配列である。
本明細書に開示されるＳＥＱ ＩＤ ＮＯ：８において、バーコードプライマー、ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ、赤色の塩基がインデックスであり、このインデックスの最大２００
のバリエーションが使用される。
【0041】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡメチル化測定は、メチル化特異的ＰＣＲおよびデジタルＰＣＲの群から選択されるＰＣＲベースのメチル化アッセイを使用して実行する方法。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡメチル化測定は、メチル化特異的ＰＣＲおよびデジタルＰＣＲの群から選択されるＰＣＲベースのメチル化アッセイを使用して実行する方法。
【0042】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
ポリジェニックスコアを得るための前記ＤＮＡメチル化プロファイルの分析は、複数の線形回帰方程式またはニューラルネットワーク分析の使用を含む方法。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
ポリジェニックスコアを得るための前記ＤＮＡメチル化プロファイルの分析は、複数の線形回帰方程式またはニューラルネットワーク分析の使用を含む方法。
【0043】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定する。
前記、ＤＮＡの抽出は、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む方法。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定する。
前記、ＤＮＡの抽出は、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む方法。
【0044】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得、ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定することは、以下のステップを含む。
（ｉ）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（ｉｉ）プライマーをバーコーディングすることによりステップ（ｉ）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（ｉｉｉ）ステップ（ｉｉ）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンシング反応でマルチプレックスシーケンシングを実行する。
（ｉｖ）ステップ（ｉｉｉ）の多重化されたシーケンシングからデータを抽出する。ステップ（ｉｖ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プ
ロファイルを得る。
本発明の別の実施形態において、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、ＰＣＲ産物１を得るためのターゲット特異的プライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：５（ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＴＡＣＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：６（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）に記載されるプライマーを含み、ＰＣＲ産物２を得るためのバーコーディングプライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ）に記載されるプライマーを含み、これは、バーコードインデックスプライマーである。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得、ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定することは、以下のステップを含む。
（ｉ）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（ｉｉ）プライマーをバーコーディングすることによりステップ（ｉ）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（ｉｉｉ）ステップ（ｉｉ）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンシング反応でマルチプレックスシーケンシングを実行する。
（ｉｖ）ステップ（ｉｉｉ）の多重化されたシーケンシングからデータを抽出する。ステップ（ｉｖ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プ
ロファイルを得る。
本発明の別の実施形態において、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、ＰＣＲ産物１を得るためのターゲット特異的プライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：５（ＡＣＡＣＴＣＴＴＴＣＴＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＴＡＣＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：６（ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ）に記載されるプライマーを含み、ＰＣＲ産物２を得るためのバーコーディングプライマーは、フォワードプライマーとしてのＳＥＱ ＩＤ ＮＯ：７（ＡＡＴＧＡＴＡＣＧＧＣＧＡＣＣＡＣＣＧＡＧＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣ）、リバースプライマーとしてのＳＥＱ ＩＤ ＮＯ：８（ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ）に記載されるプライマーを含み、これは、バーコードインデックスプライマーである。
【0045】
本発明の一実施形態では、生物学的年齢を計算するためのＤＮＡメチル化バイオマーカーの組み合わせを提供し、前記ＤＮＡメチル化バイオマーカーの組み合わせは、ヒトＣＧサイトおよびそれらの組み合わせを含み、これらは、ＳＥＱ ＩＤ ＮＯ：１に示されるように、ＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＥｌｏｖＬ２ ＡＳ１領域に位置付けられている。
本発明の一実施形態では、生物学的年齢の測定値として単独でまたは組み合わせて使用することができる、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＥｌｏｖＬ２ ＡＳ１領域に位置する１３ ＣＧサイトが描写される。本発明の一実施形態では、ＣＧサイトの使用を提供し、それらの組み合わせは、本発明に開示される表１に記載されるようなジヌクレオチド配列の位置である。
本発明の一実施形態では、生物学的年齢の測定値として単独でまたは組み合わせて使用することができる、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２遺伝子に対する推定アンチセンス領域、ＥｌｏｖＬ２ ＡＳ１領域に位置する１３ ＣＧサイトが描写される。本発明の一実施形態では、ＣＧサイトの使用を提供し、それらの組み合わせは、本発明に開示される表１に記載されるようなジヌクレオチド配列の位置である。
【0046】
本発明の一実施形態では、被験者の生物学的年齢を決定するためのキットを提供する。前記キットは、被験者の基質の収集および安定化のための手段および試薬；キットのバーコードを読み取るためのスキャナー；基質の収集と安定化のための指示書を含み、前記基質は被験者の唾液または血液であり、前記基質の安定化は基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを得て被験者の生物学的年齢を決定することを含む。
本発明の別の実施形態において、被験者の生物学的年齢を決定するためのキットを提供し、前記キットは、顧客または被験者が注文する唾液収集キットであり、キット収集チューブに吐き出され、ＤＮＡ抽出キットによりＤＮＡメチル化分析のためにラボに郵送される。
本発明の別の実施形態において、被験者の生物学的年齢を決定するためのキットを提供し、前記キットは、顧客または被験者が注文する唾液収集キットであり、キット収集チューブに吐き出され、ＤＮＡ抽出キットによりＤＮＡメチル化分析のためにラボに郵送される。
【0047】
本発明の一実施形態では、顧客からの唾液を収集および安定化するための手段および試薬を含む、顧客からの唾液サンプルを収集するためのキットを提供する。
本発明の一実施形態では、ＣＧサイトのＤＮＡメチル化測定のための手段および試薬を含むキットを提供し、それらの組み合わせは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置である。
本発明の一実施形態では、ＤＮＡメチル化年齢テストの順序付け、提出、テスト結果の受け取り、およびライフスタイルの管理を管理するためのアプリケーション（アプリ）を提供する。
本発明の一実施形態では、アプリは、オープンソース開発ツールを使用して開発され、テストに関する情報、テストを注文するための仮想ショッピングカート、唾液キットのバーコードをスキャンするためのスキャン機能、およびラボからテスト結果を受け取るための機能を含む。
本発明の一実施形態では、「ヘルシーエイジング」に影響を与える可能性のあるライフスタイル機能を調査するアプリに含まれる質問票を提供し、これらには、体重、身長血圧、心拍数などの基本的な生理学的測定、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動に関する質問票、およびアルコール、薬物、喫煙などのライフスタイルに関する質問票が含まれる。
本発明の一実施形態では、質問票への回答について統計分析を実行し、癌、心臓病と脳卒中および糖尿病などの全米協会の推奨事項と比較して、時間とともに質問票への回答の進行を説明する動的レポートをアプリ上で消費者に提供する方法を含む。
本発明の一実施形態では、ＣＧサイトのＤＮＡメチル化測定のための手段および試薬を含むキットを提供し、それらの組み合わせは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置である。
本発明の一実施形態では、ＤＮＡメチル化年齢テストの順序付け、提出、テスト結果の受け取り、およびライフスタイルの管理を管理するためのアプリケーション（アプリ）を提供する。
本発明の一実施形態では、アプリは、オープンソース開発ツールを使用して開発され、テストに関する情報、テストを注文するための仮想ショッピングカート、唾液キットのバーコードをスキャンするためのスキャン機能、およびラボからテスト結果を受け取るための機能を含む。
本発明の一実施形態では、「ヘルシーエイジング」に影響を与える可能性のあるライフスタイル機能を調査するアプリに含まれる質問票を提供し、これらには、体重、身長血圧、心拍数などの基本的な生理学的測定、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動に関する質問票、およびアルコール、薬物、喫煙などのライフスタイルに関する質問票が含まれる。
本発明の一実施形態では、質問票への回答について統計分析を実行し、癌、心臓病と脳卒中および糖尿病などの全米協会の推奨事項と比較して、時間とともに質問票への回答の進行を説明する動的レポートをアプリ上で消費者に提供する方法を含む。
【0048】
本発明の一実施形態では、クラウドベースのＳＱＬデータベースに複数のユーザーから得られたデータを保存し、データの分析に「機械学習」を使用し、入力質問票の測定値および出力としての暦年齢とＤＮＡメチル化年齢との差を相関させるモデルを構築することを提供する。例えば暦年齢、痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力。
本明細書に開示される発明のさらなる実施形態では、機械学習がニューラルネットワークを含む「深層機械学習」データマイニング方法、または最も効果的なライフスタイルの変化を強化するために利用される消費者からのフィードバックによる「強化学習」、または「ランダムフォレスト」分析を含む。「機械学習」データマイニングアルゴリズム、またはＫ－Ｍｅａｎｓクラスター分析を含む、またはＡｍａｚｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）を含む、「機械学習」プラットフォームまたは Ａｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ Ｇｏｏｇｌｅコンピュートエンジン、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅなどのプラットフォーム上にＨ２Ｏ．ａｉ製品を含む、「機械学習」ソフトウェアの群から選択される。
本明細書に開示される発明のさらなる実施形態では、機械学習がニューラルネットワークを含む「深層機械学習」データマイニング方法、または最も効果的なライフスタイルの変化を強化するために利用される消費者からのフィードバックによる「強化学習」、または「ランダムフォレスト」分析を含む。「機械学習」データマイニングアルゴリズム、またはＫ－Ｍｅａｎｓクラスター分析を含む、またはＡｍａｚｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）を含む、「機械学習」プラットフォームまたは Ａｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ Ｇｏｏｇｌｅコンピュートエンジン、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅなどのプラットフォーム上にＨ２Ｏ．ａｉ製品を含む、「機械学習」ソフトウェアの群から選択される。
【0049】
本発明の一実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）被験者からの基質からＤＮＡを抽出する。
（ｉｉ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｉｖ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可
読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
さらなる本発明の実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能を含み、オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）被験者からの基質からＤＮＡを抽出する。
（ｉｉ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｉｖ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可
読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
さらなる本発明の実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能を含み、オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
【0050】
別の実施形態では、本発明は、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含み、前記基質は被験者の唾液または血液であり、基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して当該被験者の生物学的年齢を決定する。（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｉｖ）ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含み、前記基質は被験者の唾液または血液であり、基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して当該被験者の生物学的年齢を決定する。（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｉｖ）ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定する。
前記ＤＮＡを抽出することは、計算された生物学的年齢を得るために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含む。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
【0051】
本発明のさらなる実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能を含み、オープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評
価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む
価、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む
【0052】
本発明のさらに別の実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集および安定化に関する指示書を含み、基質が被験者の唾液または血液であり、基質の安定化が、基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、該被験者の生物学的年齢を決定すること。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｉｖ）ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定し、
ここで、ＤＮＡを抽出することは、計算された生物学的年齢を得るために被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡにおけるＤＮＡメチル化測定は、以下のステップを含む：
（１）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（２）プライマーをバーコーディングすることによりステップ（１）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（３）ステップ（２）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンス反応でマルチプレックスシーケンシングを実行する。
（４）ステップ（３）の多重化されたシーケンシングからデータを抽出する。
（５）ステップ（ｄ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プロファイルを得る。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを被験者の生物学的年齢を決定するためのキットに一致させ、被験者からの基質の収集および安定化のための手段および試薬、キットのバーコードを読み取るためのスキャナー、基質の収集および安定化に関する指示書を含み、基質が被験者の唾液または血液であり、基質の安定化が、基質から抽出されたＤＮＡ中のＤＮＡメチル化測定を目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、該被験者の生物学的年齢を決定すること。
（ｃ）以下を含む方法を使用して被験者の生物学的年齢を計算する。
（ｉ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｉｉ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｉｉｉ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｉｖ）ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定し、
ここで、ＤＮＡを抽出することは、計算された生物学的年齢を得るために被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、複数の基質から抽出されたＤＮＡにおけるＤＮＡメチル化測定は、以下のステップを含む：
（１）複数の基質から抽出されたゲノムＤＮＡをターゲット特異的プライマーで増幅してＰＣＲ産物１を得る。
（２）プライマーをバーコーディングすることによりステップ（１）のＰＣＲ産物１を増幅してＰＣＲ産物２を得る。
（３）ステップ（２）のＰＣＲ産物２を使用して、単一の次世代Ｍｉｓｅｑシーケンス反応でマルチプレックスシーケンシングを実行する。
（４）ステップ（３）の多重化されたシーケンシングからデータを抽出する。
（５）ステップ（ｄ）の抽出データからＤＮＡメチル化を定量化して、各基質のＤＮＡメチル化プロファイルを得る。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得ること、
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行とともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成すること、および
（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
【0053】
さらなる実施形態では、本発明は、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、コンピュータ可読媒体は、本明細書に開示される方法に基づいて生物学的年齢を計算するためのテストに関する情報を含むオープンソース開発ツール、前記テストを注文するための仮想ショッピングカート、本明細書に開示される被験者の生物学的年齢を決定するためのキットのバーコードをスキャンするためのスキャン機能、ラボからテスト結果を受け取るための機能、およびオープンソース開発ツールは、ヘルシーエイジングに影響を与えるライフスタイル機能を調査するためのコンピュータ可読媒体に含まれる基本的な生理学的測定、体重、身長、血圧、心拍数、気分の自己評価
、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
、マギル痛み質問票、食事と栄養に関する質問票、運動質問票とアルコール、薬物、喫煙を含むライフスタイルに関する質問票、およびそれらの組み合わせを含む質問票を含む。
【0054】
本発明の一実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される被験者の生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される被験者の生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
【0055】
本発明のさらなる実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、ここで、前記方法は、被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するためのランダムフォレスト（ＲＦ）、サポートベクターマシン（ＳＶＭ）、線形判別分析（ＬＤＡ）、一般化線形モデル（ＧＬＭ）、および被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するための深層学習（ＤＬ）などの人工知能アルゴリズムのセットの使用を含み、これは動的に更新され、ライフスタイルの変化に関するパーソナライズされたライフスタイルの推奨事項を提供する。
【0056】
本発明の一実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された
基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される複数の被験者にわたる生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
（ａ）被験者からのユーザーデータの共有を通じて得られたコンピュータ可読媒体へのエントリーを評価する。
（ｂ）ステップ（ａ）のエントリーを、被験者からの基質の収集および安定化のための手段および試薬、被験者の生物学的年齢を決定するためのキットに一致させ、キットのバーコードを読み取るためのスキャナー、基質の収集と安定化のための指示書を含む。ここで、前記基質は被験者の唾液または血液であり、前記基質の安定化は、基質から抽出されたＤＮＡのＤＮＡメチル化を測定することを目的としてＤＮＡを抽出するために収集された
基質を郵送するためのものであり、被験者のＤＮＡメチル化プロファイルを取得して、当該被験者の生物学的年齢を決定する。
（ｃ）本明細書に開示される複数の被験者にわたる生物学的年齢を計算するための方法を使用して被験者の生物学的年齢を計算する。
（ｄ）ステップ（ａ）の評価を使用して統計分析を実行することにより、ステップ（ｃ）の計算された生物学的年齢を前記被験者の機械学習モデルに統合し、統合データレポートを得る。
（ｅ）前記被験者からのユーザーデータを時間とともに共有し、それらを全米協会の推奨事項と比較することによって得られた質問票への回答の進行ともにステップ（ｄ）の統合データレポートを分析することにより、当該被験者の動的レポートを作成する。
および（ｆ）ライフスタイルの変化に関する推奨事項を提供するために、コンピュータ可読媒体においてステップ（ｅ）の動的レポートを前記被験者と共有する。
ここで、前記方法は、パーソナライズされたライフスタイルの推奨事項、被験者の生物学的エイジングの正常化または遅延に焦点を当てたヘルスエコシステムの作成、または標準のデータパイプラインと、複数の被験者にわたるＣｌｏｕｄ ｄａｔａｐｒｅｐなどの管理システムを使用してＡｍａｚｏｎ、Ａｌｉクラウド、またはＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むサーバーまたはクラウドサーバーのオブジェクトストレージエンタープライズにデータを保存するためのＡｎｄｒｏｉｄまたはＡｐｐｌｅまたはＷｅ Ｃｈａｔミニプログラムの使用を含む。
【0057】
本発明のさらなる実施形態では、ライフスタイルの変化に対する推奨事項を提供するためのコンピュータ実施方法を提供し、ここで、前記方法は、被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するためのランダムフォレスト（ＲＦ）、サポートベクターマシン（ＳＶＭ）、線形判別分析（ＬＤＡ）、一般化線形モデル（ＧＬＭ）、および被験者の生物学的年齢または複数の被験者にわたるさまざまなライフスタイル測定値の加重寄与を計算するための深層学習（ＤＬ）などの人工知能アルゴリズムのセットの使用を含み、これは動的に更新され、ライフスタイルの変化に関するパーソナライズされたライフスタイルの推奨事項を提供する。
【0058】
本発明の一実施形態では、コンピュータ可読媒体を開発するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者から得られたデータを保存する。
（ｂ）ステップ（ａ）の保存データを分析する。
（ｃ）複数のユーザーから得られたデータを保存するステップがクラウドベースのＳＱＬデータベースを含むモデルを構築する。
前記保存されたデータを分析するステップは、深層機械学習、強化学習、および機械学習から選択された群を含み、モデルを構築するステップは、入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む
（ａ）複数の被験者から得られたデータを保存する。
（ｂ）ステップ（ａ）の保存データを分析する。
（ｃ）複数のユーザーから得られたデータを保存するステップがクラウドベースのＳＱＬデータベースを含むモデルを構築する。
前記保存されたデータを分析するステップは、深層機械学習、強化学習、および機械学習から選択された群を含み、モデルを構築するステップは、入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差、および痛み、血圧、ＢＭＩ、気分などの他の生理学的および心理的出力の相関を含む
【0059】
本発明のさらなる実施形態では、コンピュータ可読媒体を開発するための方法を提供し、機械学習は、ランダムフォレスト分析を含むデータマイニングアルゴリズム、またはＫ－Ｍｅａｎｓクラスター分析を含むデータマイニングアルゴリズム、またはＡｍａｚｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＡＭＬ）プラットフォーム、またはＡｐａｃｈｅ Ｈａｄｏｏｐ分散ファイルシステム、Ａｍａｚｏｎ ＥＣ２ ＧｏｏｇｌｅコンピュートエンジンおよびＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅを含むプラットフォーム上のＨ２Ｏ．ａｉ製品を含むソフトウェアまたはそれらの組み合わせから選択される群を含む。
【0060】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【0061】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定し、
前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定し、
前記ＤＮＡを抽出することは、被験者の生物学的年齢に対する生物学的介入の効果を評価する方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期生物学的年齢を得るために、本明細書に開示される方法を使用して被験者の生物学的年齢を計算する。
（ｉｉ）前記被験者に対して生物学的介入を行う。
（ｉｉｉ）生物学的介入後の生物学的年齢を得るためにステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）生物学的介入後の生物学的年齢を前記被験者の機械学習モデルに統合して、前記被験者の生物学的年齢に対する生物学的介入の効果を評価する。
前記生物学的介入は、栄養補助食品、ビタミン、療法、テスト物質の投与、食事操作、代謝操作、外科的操作、社会的操作、行動操作、環境操作、感覚操作、ホルモン操作とエピジェネティック操作またはそれらの組み合わせの群から選択される。前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【0062】
本発明の一実施形態では、被験者の生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、アンチエイジング剤であるための薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与すること。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）被験者の基質からＤＮＡを抽出する。
（ｂ）基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。
（ｄ）ポリジェニックスコアから被験者の生物学的年齢を決定する。
前記ＤＮＡを抽出することは、アンチエイジング剤であるための薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与すること。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記被験者の機械学習モデルにおける生物学的介入後の生物学的年齢の統合は、ステップ（ｉｉｉ）で評価された生物学的年齢および前記の被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【0063】
本発明の一実施形態では、複数の被験者にわたる生物学的年齢を計算するための方法を提供し、前記方法は、以下のステップを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定し、前記ＤＮＡを抽出することは、アンチエイジング剤である薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与する。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合することは、ステップ（ｉｉｉ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
（ａ）複数の被験者の複数の基質からＤＮＡを抽出する。
（ｂ）複数の基質から抽出されたＤＮＡのＤＮＡメチル化を測定して、ＤＮＡメチル化プロファイルを得る。
（ｃ）ＤＮＡメチル化プロファイルを分析してポリジェニックスコアを得る。ポリジェニックスコアから複数の被験者にわたる生物学的年齢を決定し、前記ＤＮＡを抽出することは、アンチエイジング剤である薬剤をスクリーニングする方法で使用するために、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、
前記方法は、以下のステップを含む。
（ｉ）生物学的介入前の初期の生物学的年齢を得るために、本明細書に開示される方法を使用して被験者から得られた基質の年齢を計算する。
（ｉｉ）前記被験者にテスト剤を投与する。
（ｉｉｉ）テスト剤の投与後の生物学的年齢を得るために、ステップ（ｉｉ）が実行された後、前記被験者から得られた後続の基質上でステップ（ｉ）を繰り返す。
（ｉｖ）被験者の機械学習モデルにテスト剤を投与した後の生物学的年齢を統合して、年齢の低下が機械学習モデルに統合することによって計算されたかどうかを評価し、テスト剤を前記被験者へのアンチエイジング剤として決定し、前記ＤＮＡを抽出することは、被験者から得られた唾液または血液からゲノムＤＮＡを抽出することを含み、前記テスト剤の投与後の生物学的年齢を前記被験者の機械学習モデルに統合することは、ステップ（ｉｉｉ）で評価された生物学的年齢および前記被験者からのユーザーデータの共有を通じて得られた生理学的パラメータを含む。
【実施例】
【0064】
以下の実施例は、本発明の例示として与えられており、したがって、本発明の範囲を限定するものと解釈されるべきではない。
［実施例１］
［実施例１］
【0065】
ＥｌｏｖＬ２遺伝子の上流のＤＮＡ領域に含まれる１３ ＣＧサイトの発見、その加重Ｄ
ＮＡメチル化レベルが唾液ＤＮＡの年齢を予測するＥｌｏｖＬ２ ＡＳ１領域
この実施例では、本発明は、これまでの生物学的年齢の最も正確な測定値として認識されてきた「エピジェネティッククロック」に関する。ただし、これまでに利用可能なテストでは、血液を使用して多くのサイト（～３５０）でＤＮＡメチル化を測定する必要があり、これは、広く流通している消費者製品としては適用できない侵襲的で費用のかかる方法である。利用可能な方法は、研究および臨床関連の研究には十分であるが、このテストの消費者主導の一般的な使用には適していない。
したがって、本発明は、「エピジェネティッククロック」、特にＤＮＡメチル化に基づく生物学的エイジングの正確で、堅牢で、高スループットで、非侵襲的なテストである方法を提供する。
この実施例における本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリＣＧ ＤＮＡメチル化マーカーを提供する。
ＮＡメチル化レベルが唾液ＤＮＡの年齢を予測するＥｌｏｖＬ２ ＡＳ１領域
この実施例では、本発明は、これまでの生物学的年齢の最も正確な測定値として認識されてきた「エピジェネティッククロック」に関する。ただし、これまでに利用可能なテストでは、血液を使用して多くのサイト（～３５０）でＤＮＡメチル化を測定する必要があり、これは、広く流通している消費者製品としては適用できない侵襲的で費用のかかる方法である。利用可能な方法は、研究および臨床関連の研究には十分であるが、このテストの消費者主導の一般的な使用には適していない。
したがって、本発明は、「エピジェネティッククロック」、特にＤＮＡメチル化に基づく生物学的エイジングの正確で、堅牢で、高スループットで、非侵襲的なテストである方法を提供する。
この実施例における本発明は、ヘルシーエイジングのライフスタイル管理のための生物学的年齢のポリＣＧ ＤＮＡメチル化マーカーを提供する。
【0066】
血中年齢と相関するＣＧサイトの発見
本発明は、血液からの公的に利用可能な４５０Ｋ ＩｌｌｕｍｉｎａのゲノムワイドＤＮＡメチル化アレイ（ＧＳＥ４０７２９）をピアソン相関分析にかけた。これまでに報告されていない少数のＣＧサイトが選択され、分析された。それらのＣＧサイトのうちの２つは、物理的地図について本明細書に開示されるように、図１の代表的な例として示されるＥｌｏｖＬ２ ＡＳ１領域と呼ばれるＥｌｏｖＬ２遺伝子のアンチセンス領域の上流にあることが見出された。そこで示されているように、それらは年齢と高度に相関していることがわかった（ピアソン相関係数ｒ＞ ０．９およびｐ ＝ ０）。次に、本発明は、本明細書に開示されるように、図２に示される前記ＣＧサイトの両方の複合加重ＤＮＡメチル化測定が、独立コホート（ＧＳＥ４０２７９ ｎ ＝ ６５６およびＧＳＥ２２１９、ｎ ＝ ６０）における血中ＤＮＡの年齢を正確に予測することを決定した。本明細書に開示されるＳＥＱ ＩＤ ＮＯ：１に示されるように、ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトのメチル化は、胎児の０％近くから９０歳の人々の９０％近くに進行した。したがって、ＳＥＱ ＩＤ ＮＯ：１に示されるこのＥｌｏｖＬ２ ＡＳ１領域および前記領域内に見出されるＣＧサイトは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置であり、単独で年齢とほぼ完全な相関関係を示し、生物学的年齢を決定するには、少数の前述のＣＧサイトで十分である可能性があることを示唆している。
本発明は、血液からの公的に利用可能な４５０Ｋ ＩｌｌｕｍｉｎａのゲノムワイドＤＮＡメチル化アレイ（ＧＳＥ４０７２９）をピアソン相関分析にかけた。これまでに報告されていない少数のＣＧサイトが選択され、分析された。それらのＣＧサイトのうちの２つは、物理的地図について本明細書に開示されるように、図１の代表的な例として示されるＥｌｏｖＬ２ ＡＳ１領域と呼ばれるＥｌｏｖＬ２遺伝子のアンチセンス領域の上流にあることが見出された。そこで示されているように、それらは年齢と高度に相関していることがわかった（ピアソン相関係数ｒ＞ ０．９およびｐ ＝ ０）。次に、本発明は、本明細書に開示されるように、図２に示される前記ＣＧサイトの両方の複合加重ＤＮＡメチル化測定が、独立コホート（ＧＳＥ４０２７９ ｎ ＝ ６５６およびＧＳＥ２２１９、ｎ ＝ ６０）における血中ＤＮＡの年齢を正確に予測することを決定した。本明細書に開示されるＳＥＱ ＩＤ ＮＯ：１に示されるように、ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイトのメチル化は、胎児の０％近くから９０歳の人々の９０％近くに進行した。したがって、ＳＥＱ ＩＤ ＮＯ：１に示されるこのＥｌｏｖＬ２ ＡＳ１領域および前記領域内に見出されるＣＧサイトは、本明細書に開示される表１に記載されるようなジヌクレオチド配列の位置であり、単独で年齢とほぼ完全な相関関係を示し、生物学的年齢を決定するには、少数の前述のＣＧサイトで十分である可能性があることを示唆している。
【0067】
ＥｌｏｖＬ２ ＡＳ１領域のＣＧサイト唾液サンプルの年齢を予測する
開示されたＤＮＡメチル化年齢テストの幅広い適用性を評価するために、生物学的材料を導き出すために資格のある医療専門家を必要としないことが重要である。この実施例において、本発明は、本明細書に開示されているＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置する表１に記載されるようなジヌクレオチド配列の位置である、開示される高度に相関するＣＧサイトを唾液の公的に利用可能な４５０Ｋ Ｉｌｌｕｍｉｎａアレイメチル化データをテストすることにより、を唾液の年齢予測因子として使用することが可能であるかどうかを決定した（ＧＳＥ７８８７４、ｎ ＝ ２５９）。本発明は、ｃｇ１６８６７６５７およびｃｇ２１５７２７２２の加重メチル化測定値から構成されるメチル化スコアを開示した。これらは、表１に記載されているジヌクレオチド配列の位置であり、ＳＥＱ ＩＤ ＮＯ：１に記載されている領域内のＣＧサイトの位置であり、ＥｌｏｖＬ２ ＡＳ１領域とｃｇ０９８０９６７２は、本明細書に開示されている表１に記載されている染色体１のＣＧサイトであり、平均偏差５．６２歳および中央偏差４．７４歳で年齢を予測した。次に、本発明は、本明細書に開示されたモデルの精度を、ゴールドスタンダードであるＨｏｒｖａｔｈクロックと比較した。図３に示すように、ＥｌｏｖＬ２ ＡＳ１領域サイトのパフォーマンスは、Ｈｏｒｖａｔｈクロックよりもわずかに優れていた。年齢検出におけるＥｌｏｖＬ２遺伝子の価値は当技術分野で知られていることに留意されたい。しかしながら、本発明は、前記過去の知識が、ＥｌｏｖＬ２遺伝子に存在すると考えられた２つのＣＧサイト（すなわち、ｃｇ１６８６６７５７およびｃｇ２
１５７２７２２）が、ＥｌｏｖＬ２遺伝子ＥｌｏｖＬ２－ＡＳ１遺伝子に対するアンチセンス配向において実際は異なる遺伝子の上流領域にあるという事実を見逃していたことを開示する（本明細書に開示されるように図１に示される物理的な記述を参照）、ここで、前記上流領域はＥｌｏｖＬ２ ＡＳ１領域と呼ばれ、ＳＥＱ ＩＤ ＮＯ：１に示されるように本明細書に開示される。ＥｌｏｖＬ２ ＡＳ１遺伝子の上流のこの領域には、選択された１３ ＣＧサイトが含まれている（前記の表１を参照）。
開示されたＤＮＡメチル化年齢テストの幅広い適用性を評価するために、生物学的材料を導き出すために資格のある医療専門家を必要としないことが重要である。この実施例において、本発明は、本明細書に開示されているＳＥＱ ＩＤ ＮＯ：１で示されるＥｌｏｖＬ２ ＡＳ１領域に位置する表１に記載されるようなジヌクレオチド配列の位置である、開示される高度に相関するＣＧサイトを唾液の公的に利用可能な４５０Ｋ Ｉｌｌｕｍｉｎａアレイメチル化データをテストすることにより、を唾液の年齢予測因子として使用することが可能であるかどうかを決定した（ＧＳＥ７８８７４、ｎ ＝ ２５９）。本発明は、ｃｇ１６８６７６５７およびｃｇ２１５７２７２２の加重メチル化測定値から構成されるメチル化スコアを開示した。これらは、表１に記載されているジヌクレオチド配列の位置であり、ＳＥＱ ＩＤ ＮＯ：１に記載されている領域内のＣＧサイトの位置であり、ＥｌｏｖＬ２ ＡＳ１領域とｃｇ０９８０９６７２は、本明細書に開示されている表１に記載されている染色体１のＣＧサイトであり、平均偏差５．６２歳および中央偏差４．７４歳で年齢を予測した。次に、本発明は、本明細書に開示されたモデルの精度を、ゴールドスタンダードであるＨｏｒｖａｔｈクロックと比較した。図３に示すように、ＥｌｏｖＬ２ ＡＳ１領域サイトのパフォーマンスは、Ｈｏｒｖａｔｈクロックよりもわずかに優れていた。年齢検出におけるＥｌｏｖＬ２遺伝子の価値は当技術分野で知られていることに留意されたい。しかしながら、本発明は、前記過去の知識が、ＥｌｏｖＬ２遺伝子に存在すると考えられた２つのＣＧサイト（すなわち、ｃｇ１６８６６７５７およびｃｇ２
１５７２７２２）が、ＥｌｏｖＬ２遺伝子ＥｌｏｖＬ２－ＡＳ１遺伝子に対するアンチセンス配向において実際は異なる遺伝子の上流領域にあるという事実を見逃していたことを開示する（本明細書に開示されるように図１に示される物理的な記述を参照）、ここで、前記上流領域はＥｌｏｖＬ２ ＡＳ１領域と呼ばれ、ＳＥＱ ＩＤ ＮＯ：１に示されるように本明細書に開示される。ＥｌｏｖＬ２ ＡＳ１遺伝子の上流のこの領域には、選択された１３ ＣＧサイトが含まれている（前記の表１を参照）。
【0068】
［実施例２］
ＥｌｏｖＬ２ ＡＳ１領域の１３個のＣＧのバイサルファイト変換、マルチプレックス増幅、次世代シーケンシングおよびメチル化の計算
本開示はさらに、被験者または顧客によって収集され、ラボに郵送されるＤＮＡ安定化緩衝液（トリス１０ｍＭ ＥＤＴＡ １０ｍＭ、ＳＤＳ１％）中の唾液がラボでプロテアーゼＫとインキュベートされた（２００マイクログラムの場合３７℃で３０分）。次に、Ｑｉａｇｅｎキットを使用してゲノムＤＮＡを精製した。精製されたＤＮＡは、例えば、ＥＺ ＤＮＡバイサルファイトキットを使用して、亜硫酸水素ナトリウムで処理された。ターゲット配列のライブラリーは、標準的なＴａｑポリメラーゼ反応で以下のプライマーを使用した２段階のＰＣＲ反応によって生成された。
ＰＣＲ１の場合-ＳＥＱ ＩＤ ＮＯ：１に記載されている配列に対応するアンプリコンを増幅した。
ＳＥＱ ＩＤ ＮＯ：５で示されているフォワードプライマー：
５’ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ３’
ＳＥＱ ＩＤ ＮＯ：６で示されているリバースプライマー：
５’ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ３’
ＰＣＲ２の場合-サンプルにバーコードを付けるために、次のプライマーを使用して２番目のＰＣＲ反応を実行した。
ＳＥＱ ＩＤ ＮＯ：７で示されているフォワードプライマー：
５’ＡＡＴｇＡＴＡＣｇｇＣｇＡＣＣＡＣＣｇＡｇＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣｇＡＣ３’
ＳＥＱ ＩＤ ＮＯ：８で示されているバーコーディングリバースプライマー：
５’ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ３’（赤色の塩基がインデックスであり、このインデックスの最大２００のバリエーションが使用される）。
プライマーの２番目のセットは、各サンプルのインデックスと、リバースおよびフォワードシーケンシングプライマーを導入した。すべてのサンプルからのＰＣＲ産物２を組み合わせ、ＡＭＰｐｕｒｅ－ＸＰビーズ（ＮＥＢ）で精製した。ライブラリーはＱＰＣＲによって定量化され、ＭｉＳｅｑフローセルにロードされた。高速Ｑファイルは、ＢｉｓＭａｒｋまたは他の編集ソフトウェアを使用して関連するゲノム領域にアラインメントされた。
ＥｌｏｖＬ２ ＡＳ１領域の１３個のＣＧのバイサルファイト変換、マルチプレックス増幅、次世代シーケンシングおよびメチル化の計算
本開示はさらに、被験者または顧客によって収集され、ラボに郵送されるＤＮＡ安定化緩衝液（トリス１０ｍＭ ＥＤＴＡ １０ｍＭ、ＳＤＳ１％）中の唾液がラボでプロテアーゼＫとインキュベートされた（２００マイクログラムの場合３７℃で３０分）。次に、Ｑｉａｇｅｎキットを使用してゲノムＤＮＡを精製した。精製されたＤＮＡは、例えば、ＥＺ ＤＮＡバイサルファイトキットを使用して、亜硫酸水素ナトリウムで処理された。ターゲット配列のライブラリーは、標準的なＴａｑポリメラーゼ反応で以下のプライマーを使用した２段階のＰＣＲ反応によって生成された。
ＰＣＲ１の場合-ＳＥＱ ＩＤ ＮＯ：１に記載されている配列に対応するアンプリコンを増幅した。
ＳＥＱ ＩＤ ＮＯ：５で示されているフォワードプライマー：
５’ＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣＧＡＣＧＣＴＣＴＴＣＣＧＡＴＣＴＮＮＮＮＮＹＧＧＧＹＧＧＹＧＡＴＴＴＧＴＡＧＧＴＴＴＡＧＴ３’
ＳＥＱ ＩＤ ＮＯ：６で示されているリバースプライマー：
５’ＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧＴＧＣＴＣＴＴＣＣＧＡＴＣＴＣＣＣＴＡＣＡＣＲＡＴＡＣＴＡＣＴＴＣＴＣＣＣＣ３’
ＰＣＲ２の場合-サンプルにバーコードを付けるために、次のプライマーを使用して２番目のＰＣＲ反応を実行した。
ＳＥＱ ＩＤ ＮＯ：７で示されているフォワードプライマー：
５’ＡＡＴｇＡＴＡＣｇｇＣｇＡＣＣＡＣＣｇＡｇＡＴＣＴＡＣＡＣＴＣＴＴＴＣＣＣＴＡＣＡＣｇＡＣ３’
ＳＥＱ ＩＤ ＮＯ：８で示されているバーコーディングリバースプライマー：
５’ＣＡＡＧＣＡＧＡＡＧＡＣＧＧＣＡＴＡＣＧＡＧＡＴＡＧＴＣＡＴＣＧＧＴＧＡＣＴＧＧＡＧＴＴＣＡＧＡＣＧＴＧ３’（赤色の塩基がインデックスであり、このインデックスの最大２００のバリエーションが使用される）。
プライマーの２番目のセットは、各サンプルのインデックスと、リバースおよびフォワードシーケンシングプライマーを導入した。すべてのサンプルからのＰＣＲ産物２を組み合わせ、ＡＭＰｐｕｒｅ－ＸＰビーズ（ＮＥＢ）で精製した。ライブラリーはＱＰＣＲによって定量化され、ＭｉＳｅｑフローセルにロードされた。高速Ｑファイルは、ＢｉｓＭａｒｋまたは他の編集ソフトウェアを使用して関連するゲノム領域にアラインメントされた。
【0069】
［実施例３］
ＥｌｏｖＬ２ ＡＳ１遺伝子領域の上流の領域、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２ ＡＳ１領域における１３ ＣＧサイトの優れた性能
次に、本開示は、開示された１３ ＣＧサイトの組み合わされた加重メチル化スコアが、２または３ ＣＧサイトのいずれかと比較した場合に優れた予測性能を提供するかどうかを決定したホンコンサイエンスパークの６５人のボランティアから唾液サンプルを収集し、１３ ＣＧサイト（前記の表１を参照）でのメチル化レベルを例２に記載されているように決定した。本開示は、ＣＧサイトの異なる組み合わせで一連の多変数線形回帰を実行した。本明細書に開示される図４に示される結果は、１３ ＣＧサイト（図４のパートＤ
を参照）の組み合わせが、４ ＣＧサイト（図４のパートＡを参照）、５ ＣＧサイト（図４のパートＢを参照）またはＩｌｌｕｍｉｎａ２ ＣＧサイト（図４のパートＣを参照）のいずれかの組み合わせよりも良好に機能することを示した。図４Ｅに示すように、４、５、または２ ＣＧサイトのより小さな組み合わせに対する１３ ＣＧサイトの組み合わせの優位性に関する結果は、統計的比較データでさらに実証された。１３ ＣＧメチル化スコアのピアソン積率相関係数ｒは０．９５（ｐ ＝ １．８ｘ１０－３３）であった。
ＥｌｏｖＬ２ ＡＳ１遺伝子領域の上流の領域、ＳＥＱ ＩＤ ＮＯ：１に示されるＥｌｏｖＬ２ ＡＳ１領域における１３ ＣＧサイトの優れた性能
次に、本開示は、開示された１３ ＣＧサイトの組み合わされた加重メチル化スコアが、２または３ ＣＧサイトのいずれかと比較した場合に優れた予測性能を提供するかどうかを決定したホンコンサイエンスパークの６５人のボランティアから唾液サンプルを収集し、１３ ＣＧサイト（前記の表１を参照）でのメチル化レベルを例２に記載されているように決定した。本開示は、ＣＧサイトの異なる組み合わせで一連の多変数線形回帰を実行した。本明細書に開示される図４に示される結果は、１３ ＣＧサイト（図４のパートＤ
を参照）の組み合わせが、４ ＣＧサイト（図４のパートＡを参照）、５ ＣＧサイト（図４のパートＢを参照）またはＩｌｌｕｍｉｎａ２ ＣＧサイト（図４のパートＣを参照）のいずれかの組み合わせよりも良好に機能することを示した。図４Ｅに示すように、４、５、または２ ＣＧサイトのより小さな組み合わせに対する１３ ＣＧサイトの組み合わせの優位性に関する結果は、統計的比較データでさらに実証された。１３ ＣＧメチル化スコアのピアソン積率相関係数ｒは０．９５（ｐ ＝ １．８ｘ１０－３３）であった。
【0070】
［実施例４］
顧客からの唾液サンプルの生物学的年齢の決定
前記で説明したように、生物学的年齢は私たちの健康の重要なパラメータである。しかしながら、本発明に開示されるテストは、被験者によって行われることを意図しているため、専門医療システム外の自宅の顧客にとって、検査が単純であり、好ましい実施形態として医療専門家が採血する必要がないことが重要である。採血自体が軽度のリスクのある手順である可能性があるため、定期的な船便で最先端の中央ラボ施設に配達することもできる。したがって、本発明は、ＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトが、そのような機会を提供するエピエイジングテストの基礎を形成することを開示する。開示される本発明において、顧客は、エピエイジングアプリ、ウェブまたは電子メールを通じて、ＤＮＡを最大１ヶ月間安定に保つ安定化緩衝液を含む唾液検査キットを注文する。安定化バッファーには、２０ ｍＭ Ｔｒｉｓ－ＨＣｌ（ｐＨ ８．０）、２０ ｍＭ ＥＤＴＡ、０．５％ＳＤＳ、および１％Ｔｒｉｔｏｎ Ｘ－１００が含まれる。バーコードキットは顧客の住居に郵送される。顧客は自分の電話のスキャナーでバーコードをスキャンし、バーコードを自分の電話の内部ＩＤにリンクするアプリに登録する。エピエイジングテストキットに含まれる手順書に従って、顧客は収集チューブに唾を吐き、唾液を安定化バッファーを含むチューブに移し、チューブを郵便料金前払いの封筒に入れてラボに送る。ラボでは、ＤＮＡが抽出され、バイサルファイト変換され（化学的バイサルファイト変換処理により、メチル化されていないＣがＴに変換され、メチル化されたＣはＣのままになる）、ＥｌｏｖＬ２ ＡＳ１領域が実施例３で説明したように増幅され、ＭｉＳｅｑＩｌｌｕｍｉｎａシーケンサーで他の患者からのサンプルでシーケンスされた。ｆａｓｔＱファイルが分析され、１３ ＣＧサイトのメチル化値（ｍ）「ｍＣＧｎ＝ ＣＧｎＣカウント／（ＣＧｎＴカウント＋ ＣＧｎＣカウント）」が計算される。
次に、値を次の式に入力して、生物学的年齢を計算する。
生物学的年齢＝（ＣＧ１ ＊ ８７．５６４３ ＋ ＣＧ２ ＊ ６．３３０１ ＋ ＣＧ３ ＊ －０．８６９１ ＋ ＣＧ４ ＊ １．９４６８ ＋ ＣＧ５ ＊ ４０．０３３６ ＋ ＣＧ６ ＊ ４９．４３０３ ＋ ＣＧ７ ＊ －１４．７８６８ ＋ ＣＧ８ ＊ ２２．９０４２ ＋ ＣＧ９ ＊ －４９．７９４２ ＋ ＣＧ１０ ＊ １１１．７４６７ ＋ ＣＧ１１ ＊ ４１．８１０８ ＋ ＣＧ１２ ＊ ０．４１４４
＋ ＣＧ１３ ＊ －１５０．８００５）－７１．６８７２
次に、生物学的年齢がエピエイジングアプリで顧客に送信されるか、顧客はバーコードＩＤを使用して結果を取得できる。暦年齢よりもかなり老いた生物学的年齢（＋５歳）は、ライフスタイルの変化の「危険信号」として機能する。顧客は自分の生物学的年齢を定期的に（６～１２か月ごとに）測定し、生物学的年齢と暦年齢の間のギャップを減らすことにおける進捗状況を評価する。
顧客からの唾液サンプルの生物学的年齢の決定
前記で説明したように、生物学的年齢は私たちの健康の重要なパラメータである。しかしながら、本発明に開示されるテストは、被験者によって行われることを意図しているため、専門医療システム外の自宅の顧客にとって、検査が単純であり、好ましい実施形態として医療専門家が採血する必要がないことが重要である。採血自体が軽度のリスクのある手順である可能性があるため、定期的な船便で最先端の中央ラボ施設に配達することもできる。したがって、本発明は、ＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトが、そのような機会を提供するエピエイジングテストの基礎を形成することを開示する。開示される本発明において、顧客は、エピエイジングアプリ、ウェブまたは電子メールを通じて、ＤＮＡを最大１ヶ月間安定に保つ安定化緩衝液を含む唾液検査キットを注文する。安定化バッファーには、２０ ｍＭ Ｔｒｉｓ－ＨＣｌ（ｐＨ ８．０）、２０ ｍＭ ＥＤＴＡ、０．５％ＳＤＳ、および１％Ｔｒｉｔｏｎ Ｘ－１００が含まれる。バーコードキットは顧客の住居に郵送される。顧客は自分の電話のスキャナーでバーコードをスキャンし、バーコードを自分の電話の内部ＩＤにリンクするアプリに登録する。エピエイジングテストキットに含まれる手順書に従って、顧客は収集チューブに唾を吐き、唾液を安定化バッファーを含むチューブに移し、チューブを郵便料金前払いの封筒に入れてラボに送る。ラボでは、ＤＮＡが抽出され、バイサルファイト変換され（化学的バイサルファイト変換処理により、メチル化されていないＣがＴに変換され、メチル化されたＣはＣのままになる）、ＥｌｏｖＬ２ ＡＳ１領域が実施例３で説明したように増幅され、ＭｉＳｅｑＩｌｌｕｍｉｎａシーケンサーで他の患者からのサンプルでシーケンスされた。ｆａｓｔＱファイルが分析され、１３ ＣＧサイトのメチル化値（ｍ）「ｍＣＧｎ＝ ＣＧｎＣカウント／（ＣＧｎＴカウント＋ ＣＧｎＣカウント）」が計算される。
次に、値を次の式に入力して、生物学的年齢を計算する。
生物学的年齢＝（ＣＧ１ ＊ ８７．５６４３ ＋ ＣＧ２ ＊ ６．３３０１ ＋ ＣＧ３ ＊ －０．８６９１ ＋ ＣＧ４ ＊ １．９４６８ ＋ ＣＧ５ ＊ ４０．０３３６ ＋ ＣＧ６ ＊ ４９．４３０３ ＋ ＣＧ７ ＊ －１４．７８６８ ＋ ＣＧ８ ＊ ２２．９０４２ ＋ ＣＧ９ ＊ －４９．７９４２ ＋ ＣＧ１０ ＊ １１１．７４６７ ＋ ＣＧ１１ ＊ ４１．８１０８ ＋ ＣＧ１２ ＊ ０．４１４４
＋ ＣＧ１３ ＊ －１５０．８００５）－７１．６８７２
次に、生物学的年齢がエピエイジングアプリで顧客に送信されるか、顧客はバーコードＩＤを使用して結果を取得できる。暦年齢よりもかなり老いた生物学的年齢（＋５歳）は、ライフスタイルの変化の「危険信号」として機能する。顧客は自分の生物学的年齢を定期的に（６～１２か月ごとに）測定し、生物学的年齢と暦年齢の間のギャップを減らすことにおける進捗状況を評価する。
【0071】
［実施例５］
生物学的年齢テストとライフスタイルデータを管理するためのエピエイジングアプリ
本発明は、エピエイジングアプリを開示する（当該アプリのホームページについては図５を参照）。これは、ＡｐｐｌｅおよびＡｎｄｒｏｉｄオペレーティングシステムのいずれかに準拠し、「エピエイジングテスト」、注文方法、注文用カート、ＰａｙＰａｌやＡｌｉｐａｙなどの電子決済へのリンクに関する情報を提供する。本発明の開示されたアプリ
の革新的な側面は、「エピエイジングテスト」の顧客ベースの管理を、評判の良い国内および国際的な医療群による動的な推奨事項「セルフレポート」、データの共有、機械学習、反復的な機械学習によって推進される反復的な変更、顧客へのパーソナライズされたレポート、および繰り返しの評価（図６を参照）に基づく顧客主導のライフスタイル変更の管理のためのシステムと組み合わせることである。「強化学習」のシステムは、ＤＮＡメチル化年齢と年代の年齢の違いによって決定されるように、エイジングの加速を減らすことに最大の影響を与えるライフスタイルの変化を指示する。前記本明細書で提供されるアプリは、オープンソースであり、Ｂｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、Ｓｉｂｅｒｉａｎ ＣＭＳなどの当業者に知られているプログラムによって構築されている。アプリは、Ａｐｐｌｅストア、Ｇｏｏｇｌｅ Ｐｌａｙ ｓｔｏｒｅ、およびＷｅｂサイトのいずれかからダウンロードされる。アプリには、顧客ＩＤの登録と割り当てが必要である。アプリは、バーコードをスキャンしてテストバーコードと顧客のＩＤをリンクするスキャナーをアクティブにする。データはこれらの「ブラインド」ＩＤにリンクされる。個人データと顧客データは「ファイアウオール」で切離され、トークン化されて、「エイジング」とライフスタイルデータの完全なブラインデイングを保護する。データ管理システムは個人データにアクセスできない。システムは、顧客が自分の電子メールアカウントを使用することによってのみ開始できるが、データ管理システムから完全に知らされていない個人ＩＤを復元するように構築されている。データのブラインド化された、該アプリの基本的な機能である。アプリのフロントページにはいくつかのボタンがある（図５を参照）。１つのボタンで、「エイジング」テストと科学的引用に関する基本情報にリンクし、ＰｕｂＭｅｄリンクを使用して、該当地域に関するより広くより深い知識を得ることができる。この情報は、ライフスタイルと「エイジング」の間のリンクに関する情報を提供する。
２番目のボタンは、ライフスタイルにリンクする一連のボタンおよび「気分」、「慢性的な痛み」、血圧、心拍数、体重、身長、空腹時糖度、その他の代謝テスト、投薬、乱用薬物、アルコール、喫煙、および顧客が入力した運動データなどの「生理学的測定」（ＳＡＭｅ、ビタミンなどの栄養補助食品の摂取を含む）、「栄養」などのウェルビーイングドメインボタンを含むページにリンクする。各セクションの前には、全米心臓脳卒中協会や糖尿病協会、アメリカ癌協会などの評判の良い協会から集められた推奨事項が提供される。
推奨事項のセクションには、これらの協会へのリンクが含まれているため、顧客は自分で判断や決定を行うことができる。ライフスタイル管理セクションの背後にある考え方は、自己啓発と顧客のライフスタイル決定を自分でコントロールすることである。データ入力は、数値の目盛りを動かすことによって行われます。ＹＥＳ－ＮＯのエントリーは、ＮＯの場合は０、ＹＥＳの場合は１としてスケーリングされる。
その他の定量化可能なエントリーは、数量別に入力される。各データ入力スケールに加えて、推奨事項のスケーリングされたプレゼンテーションが提示され、色分けされた推奨事項と比較したパフォーマンスの評価を顧客に提供する。
推奨事項の範囲は緑色で示されている。推奨事項からの逸脱は、その範囲の上は赤、下に青で示される。各セクションのデータ入力の終了時に顧客がクリックするセーブボタンにより、データの保存を可能にする。データが入力されると、サマリー分析レポートが提供される。国の推奨事項に関連して時間の経過にともなう進捗状況を説明するチャートも提供される。ラボのエージングテストが完了すると、テストはアプリにリモートで配信される。顧客データとその他の顧客のデータは、さらに分析するためにクラウドベースのデータベースに保存される。
生物学的年齢テストとライフスタイルデータを管理するためのエピエイジングアプリ
本発明は、エピエイジングアプリを開示する（当該アプリのホームページについては図５を参照）。これは、ＡｐｐｌｅおよびＡｎｄｒｏｉｄオペレーティングシステムのいずれかに準拠し、「エピエイジングテスト」、注文方法、注文用カート、ＰａｙＰａｌやＡｌｉｐａｙなどの電子決済へのリンクに関する情報を提供する。本発明の開示されたアプリ
の革新的な側面は、「エピエイジングテスト」の顧客ベースの管理を、評判の良い国内および国際的な医療群による動的な推奨事項「セルフレポート」、データの共有、機械学習、反復的な機械学習によって推進される反復的な変更、顧客へのパーソナライズされたレポート、および繰り返しの評価（図６を参照）に基づく顧客主導のライフスタイル変更の管理のためのシステムと組み合わせることである。「強化学習」のシステムは、ＤＮＡメチル化年齢と年代の年齢の違いによって決定されるように、エイジングの加速を減らすことに最大の影響を与えるライフスタイルの変化を指示する。前記本明細書で提供されるアプリは、オープンソースであり、Ｂｕｉｌｄ Ｆｉｒｅ ＪＳ、Ｉｏｎｉｃ、ＡｐｐｃｅｌｅｒａｔｏｒのＴｉｔａｎｉｕｍ ＳＤＫ、Ｍｏｂｉｌｅ ａｎｇｕｌａｒ ＵＩ、Ｓｉｂｅｒｉａｎ ＣＭＳなどの当業者に知られているプログラムによって構築されている。アプリは、Ａｐｐｌｅストア、Ｇｏｏｇｌｅ Ｐｌａｙ ｓｔｏｒｅ、およびＷｅｂサイトのいずれかからダウンロードされる。アプリには、顧客ＩＤの登録と割り当てが必要である。アプリは、バーコードをスキャンしてテストバーコードと顧客のＩＤをリンクするスキャナーをアクティブにする。データはこれらの「ブラインド」ＩＤにリンクされる。個人データと顧客データは「ファイアウオール」で切離され、トークン化されて、「エイジング」とライフスタイルデータの完全なブラインデイングを保護する。データ管理システムは個人データにアクセスできない。システムは、顧客が自分の電子メールアカウントを使用することによってのみ開始できるが、データ管理システムから完全に知らされていない個人ＩＤを復元するように構築されている。データのブラインド化された、該アプリの基本的な機能である。アプリのフロントページにはいくつかのボタンがある（図５を参照）。１つのボタンで、「エイジング」テストと科学的引用に関する基本情報にリンクし、ＰｕｂＭｅｄリンクを使用して、該当地域に関するより広くより深い知識を得ることができる。この情報は、ライフスタイルと「エイジング」の間のリンクに関する情報を提供する。
２番目のボタンは、ライフスタイルにリンクする一連のボタンおよび「気分」、「慢性的な痛み」、血圧、心拍数、体重、身長、空腹時糖度、その他の代謝テスト、投薬、乱用薬物、アルコール、喫煙、および顧客が入力した運動データなどの「生理学的測定」（ＳＡＭｅ、ビタミンなどの栄養補助食品の摂取を含む）、「栄養」などのウェルビーイングドメインボタンを含むページにリンクする。各セクションの前には、全米心臓脳卒中協会や糖尿病協会、アメリカ癌協会などの評判の良い協会から集められた推奨事項が提供される。
推奨事項のセクションには、これらの協会へのリンクが含まれているため、顧客は自分で判断や決定を行うことができる。ライフスタイル管理セクションの背後にある考え方は、自己啓発と顧客のライフスタイル決定を自分でコントロールすることである。データ入力は、数値の目盛りを動かすことによって行われます。ＹＥＳ－ＮＯのエントリーは、ＮＯの場合は０、ＹＥＳの場合は１としてスケーリングされる。
その他の定量化可能なエントリーは、数量別に入力される。各データ入力スケールに加えて、推奨事項のスケーリングされたプレゼンテーションが提示され、色分けされた推奨事項と比較したパフォーマンスの評価を顧客に提供する。
推奨事項の範囲は緑色で示されている。推奨事項からの逸脱は、その範囲の上は赤、下に青で示される。各セクションのデータ入力の終了時に顧客がクリックするセーブボタンにより、データの保存を可能にする。データが入力されると、サマリー分析レポートが提供される。国の推奨事項に関連して時間の経過にともなう進捗状況を説明するチャートも提供される。ラボのエージングテストが完了すると、テストはアプリにリモートで配信される。顧客データとその他の顧客のデータは、さらに分析するためにクラウドベースのデータベースに保存される。
【0072】
［実施例６］
健康とＤＮＡメチル化年齢データの機械学習主導の分析とライフスタイル改善のための個別の推奨事項
複数のユーザーから得られたデータは、クラウドベースのＳＱＬデータベースに保存される（図７を参照）。「機械学習」アルゴリズムはデータの分析に使用され、痛み、血圧、ＢＭＩ、気分などの入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差を相関させるモデルを構築している。たとえば、「ニューラルネットワーク」、ディシジョンツリー、ランダムフォレストラッソ回帰、Ｋ－Ｍｅａｎｓクラスター分析、強化学習、「ペナルティ付き回帰」などの方法を使用する。本発明に開示される方法は、質問票への回答について統計分析を実行し、アプリ上で消費者に動的レポートを提供することを含み、癌、心臓病、脳卒中、糖尿病などの全米協会の推奨事項と比較した、時間の経過に伴う質問票への回答の進行を説明している。
健康とＤＮＡメチル化年齢データの機械学習主導の分析とライフスタイル改善のための個別の推奨事項
複数のユーザーから得られたデータは、クラウドベースのＳＱＬデータベースに保存される（図７を参照）。「機械学習」アルゴリズムはデータの分析に使用され、痛み、血圧、ＢＭＩ、気分などの入力質問票の測定値と、出力としてのＤＮＡメチル化年齢と暦年齢の差を相関させるモデルを構築している。たとえば、「ニューラルネットワーク」、ディシジョンツリー、ランダムフォレストラッソ回帰、Ｋ－Ｍｅａｎｓクラスター分析、強化学習、「ペナルティ付き回帰」などの方法を使用する。本発明に開示される方法は、質問票への回答について統計分析を実行し、アプリ上で消費者に動的レポートを提供することを含み、癌、心臓病、脳卒中、糖尿病などの全米協会の推奨事項と比較した、時間の経過に伴う質問票への回答の進行を説明している。
【0073】
本発明は、その好ましい実施形態に関連して説明されてきたが、本発明の精神および範囲から逸脱することなく、他の多くの可能な修正および変更を行うことができることを理解されたい。
【0074】
［利点］
当技術分野で知られているものに対する本発明で開示される方法の革新的な態様は、これまで記載されていないＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトの組み合わせが、１つの単一アンプリコンの唾液サンプルからの非常に正確な年齢の予測を提供することである。堅牢な次世代シーケンシングの多重化と使用により、精度とシンプルさが向上する。このアプローチにより、コストが大幅に削減され、消費者製品としてのアプリケーションでテストが実行可能になる。
当技術分野で知られているものに対する本発明で開示される方法の革新的な態様は、これまで記載されていないＥｌｏｖＬ２ ＡＳ１領域の１３ ＣＧサイトの組み合わせが、１つの単一アンプリコンの唾液サンプルからの非常に正確な年齢の予測を提供することである。堅牢な次世代シーケンシングの多重化と使用により、精度とシンプルさが向上する。このアプローチにより、コストが大幅に削減され、消費者製品としてのアプリケーションでテストが実行可能になる。
【0075】
［参考文献］
Beauchaine, T. P., & Beauchaine, R. J., 3rd. (2002). A comparison of maximum covariance and K-means cluster analysis in classifying cases into known taxon groups. Psychol Methods, 7(2), 245-261.
Bybee, S. M., Bracken-Grissom, H., Haynes, B. D., Hermansen, R. A., Byers, R. L., Clement, M. J., . . . Crandall, K. A. (2011). Targeted amplicon sequencing (TAS): a scalable next-gen approach to multilocus, multitaxa phylogenetics. Genome Biol Evol, 3, 1312-1323. doi:10.1093/gbe/evr106
Chen, B. H., Marioni, R. E., Colicino, E., Peters, M. J., Ward-Caviness, C. K., Tsai, P. C., . . . Horvath, S. (2016). DNA methylation-based measures of biological age: meta-analysis predicting time to death. Aging (Albany NY), 8(9), 1844-1865. doi:10.18632/aging.101020
Colella, S., Shen, L., Baggerly, K. A., Issa, J. P., & Krahe, R. (2003). Sensitive and quantitative universal Pyrosequencing methylation analysis of CpG sites. Biotechniques, 35(1), 146-150.
De Roach, J. N. (1989). Neural networks--an artificial intelligence approach to the analysis of clinical data. Australas Phys Eng Sci Med, 12(2), 100-106.
Ferrucci, L., Cavazzini, C., Corsi, A., Bartali, B., Russo, C. R., Lauretani, F., . . . Guralnik, J. M. (2002). Biomarkers of frailty in older persons. J Endocrinol Invest, 25(10 Suppl), 10-15.
Freire-Aradas, A., Phillips, C., Mosquera-Miguel, A., Giron-Santamaria, L., Gomez-Tato, A., Casares de Cal, M., . . . Lareu, M. V. (2016). Development of a methylation marker set for forensic age estimation using analysis of public methylation data and the Agena Bioscience EpiTYPER system. Forensic Sci Int Genet, 24, 65-74. doi:10.1016/j.fsigen.2016.06.005
Hardy, A., & Magnello, M. E. (2002). Statistical methods in epidemiology: Karl Pearson, Ronald Ross, Major Greenwood and Austin Bradford Hill, 1900-1945. Soz Praventivmed, 47(2), 80-89.
Hertel, J., Friedrich, N., Wittfeld, K., Pietzner, M., Budde, K., Van der Auwera, S., . . . Grabe, H. J. (2016). Measuring Biological Age via Metabonomics: The Metabolic Age Score. J Proteome Res, 15(2), 400-410. doi:10.1021/acs.jproteome.5b00561
Horvath, S. (2013). DNA methylation age of human tissues and cell types. Genome Biol, 14(10), R115. doi:10.1186/gb-2013-14-10-r115
Jylhava, J., Pedersen, N. L., & Hagg, S. (2017). Biological Age Predictors. EBioMedicine, 21, 29-36. doi:10.1016/j.ebiom.2017.03.046
Kakushadze, Z., & Yu, W. (2017). *K-means and cluster models for cancer signatures. Biomol Detect Quantif, 13, 7-31. doi:10.1016/j.bdq.2017.07.001
Kim, S. M., Kim, Y., Jeong, K., Jeong, H., & Kim, J. (2018). Logistic LASSO regression for the diagnosis of breast cancer using clinical demographic data and the BI-RADS lexicon for ultrasonography. Ultrasonography, 37(1), 36-42. doi:10.14366/usg.16045
Kristensen, L. S., Mikeska, T., Krypuy, M., & Dobrovic, A. (2008). Sensitive Melting Analysis after Real Time - Methylation Specific PCR (SMART-MSP): high-throughput and probe-free quantitative DNA methylation detection. Nucleic Acids Res. Mann, J. J., Ellis, S. P., Waternaux, C. M., Liu, X., Oquendo, M. A., Malone, K.
M., . . . Currier, D. (2008). Classification trees distinguish suicide attempters in major psychiatric disorders: a model of clinical decision making. J Clin Psychiatry, 69(1), 23-31.
Marioni, R. E., Harris, S. E., Shah, S., McRae, A. F., von Zglinicki, T., Martin-Ruiz, C., . . . Deary, I. J. (2018). The epigenetic clock and telomere length are independently associated with chronological age and mortality. Int J Epidemiol, 47(1), 356. doi:10.1093/ije/dyx233
Monaghan, P. (2010). Telomeres and life histories: the long and the short of it.
Ann N Y Acad Sci, 1206, 130-142. doi:10.1111/j.1749-6632.2010.05705.x
Mupparapu, M., Wu, C. W., & Chen, Y. C. (2018). Artificial intelligence, machine
learning, neural networks, and deep learning: Futuristic concepts for new dental diagnosis. Quintessence Int, 49(9), 687-688. doi:10.3290/j.qi.a41107
Sherbet, G. V., Woo, W. L., & Dlay, S. (2018). Application of Artificial Intelligence-based Technology in Cancer Management: A Commentary on the Deployment of Artificial Neural Networks. Anticancer Res, 38(12), 6607-6613. doi:10.21873/anticanres.13027
Shi, T., Seligson, D., Belldegrun, A. S., Palotie, A., & Horvath, S. (2005). Tumor classification by tissue microarray profiling: random forest clustering applied to renal cell carcinoma. Mod Pathol, 18(4), 547-557. doi:10.1038/modpathol.3800322
Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P., & Feuston, B. P. (2003). Random forest: a classification and regression tool for compound classification and QSAR modeling. J Chem Inf Comput Sci, 43(6), 1947-1958. doi:10.1021/ci034160g
Vetter, V. M., Meyer, A., Karbasiyan, M., Steinhagen-Thiessen, E., Hopfenmuller,
W., & Demuth, I. (2018). Epigenetic clock and relative telomere length represent largely different aspects of aging in the Berlin Aging Study II (BASE-II). J Gerontol A Biol Sci Med Sci. doi:10.1093/gerona/gly184
Yanai, H., Budovsky, A., Tacutu, R., & Fraifeld, V. E. (2011). Is rate of skin wound healing associated with aging or longevity phenotype? Biogerontology, 12(6), 591-597. doi:10.1007/s10522-011-9343-6
Yu, M., Heinzerling, T. J., & Grady, W. M. (2018). DNA Methylation Analysis Usin
g Droplet Digital PCR. Methods Mol Biol, 1768, 363-383. doi:10.1007/978-1-4939-7778-9_21
Zhao, Y., Kosorok, M. R., & Zeng, D. (2009). Reinforcement learning design for cancer clinical trials. Stat Med, 28(26), 3294-3315. doi:10.1002/sim.3720
Beauchaine, T. P., & Beauchaine, R. J., 3rd. (2002). A comparison of maximum covariance and K-means cluster analysis in classifying cases into known taxon groups. Psychol Methods, 7(2), 245-261.
Bybee, S. M., Bracken-Grissom, H., Haynes, B. D., Hermansen, R. A., Byers, R. L., Clement, M. J., . . . Crandall, K. A. (2011). Targeted amplicon sequencing (TAS): a scalable next-gen approach to multilocus, multitaxa phylogenetics. Genome Biol Evol, 3, 1312-1323. doi:10.1093/gbe/evr106
Chen, B. H., Marioni, R. E., Colicino, E., Peters, M. J., Ward-Caviness, C. K., Tsai, P. C., . . . Horvath, S. (2016). DNA methylation-based measures of biological age: meta-analysis predicting time to death. Aging (Albany NY), 8(9), 1844-1865. doi:10.18632/aging.101020
Colella, S., Shen, L., Baggerly, K. A., Issa, J. P., & Krahe, R. (2003). Sensitive and quantitative universal Pyrosequencing methylation analysis of CpG sites. Biotechniques, 35(1), 146-150.
De Roach, J. N. (1989). Neural networks--an artificial intelligence approach to the analysis of clinical data. Australas Phys Eng Sci Med, 12(2), 100-106.
Ferrucci, L., Cavazzini, C., Corsi, A., Bartali, B., Russo, C. R., Lauretani, F., . . . Guralnik, J. M. (2002). Biomarkers of frailty in older persons. J Endocrinol Invest, 25(10 Suppl), 10-15.
Freire-Aradas, A., Phillips, C., Mosquera-Miguel, A., Giron-Santamaria, L., Gomez-Tato, A., Casares de Cal, M., . . . Lareu, M. V. (2016). Development of a methylation marker set for forensic age estimation using analysis of public methylation data and the Agena Bioscience EpiTYPER system. Forensic Sci Int Genet, 24, 65-74. doi:10.1016/j.fsigen.2016.06.005
Hardy, A., & Magnello, M. E. (2002). Statistical methods in epidemiology: Karl Pearson, Ronald Ross, Major Greenwood and Austin Bradford Hill, 1900-1945. Soz Praventivmed, 47(2), 80-89.
Hertel, J., Friedrich, N., Wittfeld, K., Pietzner, M., Budde, K., Van der Auwera, S., . . . Grabe, H. J. (2016). Measuring Biological Age via Metabonomics: The Metabolic Age Score. J Proteome Res, 15(2), 400-410. doi:10.1021/acs.jproteome.5b00561
Horvath, S. (2013). DNA methylation age of human tissues and cell types. Genome Biol, 14(10), R115. doi:10.1186/gb-2013-14-10-r115
Jylhava, J., Pedersen, N. L., & Hagg, S. (2017). Biological Age Predictors. EBioMedicine, 21, 29-36. doi:10.1016/j.ebiom.2017.03.046
Kakushadze, Z., & Yu, W. (2017). *K-means and cluster models for cancer signatures. Biomol Detect Quantif, 13, 7-31. doi:10.1016/j.bdq.2017.07.001
Kim, S. M., Kim, Y., Jeong, K., Jeong, H., & Kim, J. (2018). Logistic LASSO regression for the diagnosis of breast cancer using clinical demographic data and the BI-RADS lexicon for ultrasonography. Ultrasonography, 37(1), 36-42. doi:10.14366/usg.16045
Kristensen, L. S., Mikeska, T., Krypuy, M., & Dobrovic, A. (2008). Sensitive Melting Analysis after Real Time - Methylation Specific PCR (SMART-MSP): high-throughput and probe-free quantitative DNA methylation detection. Nucleic Acids Res. Mann, J. J., Ellis, S. P., Waternaux, C. M., Liu, X., Oquendo, M. A., Malone, K.
M., . . . Currier, D. (2008). Classification trees distinguish suicide attempters in major psychiatric disorders: a model of clinical decision making. J Clin Psychiatry, 69(1), 23-31.
Marioni, R. E., Harris, S. E., Shah, S., McRae, A. F., von Zglinicki, T., Martin-Ruiz, C., . . . Deary, I. J. (2018). The epigenetic clock and telomere length are independently associated with chronological age and mortality. Int J Epidemiol, 47(1), 356. doi:10.1093/ije/dyx233
Monaghan, P. (2010). Telomeres and life histories: the long and the short of it.
Ann N Y Acad Sci, 1206, 130-142. doi:10.1111/j.1749-6632.2010.05705.x
Mupparapu, M., Wu, C. W., & Chen, Y. C. (2018). Artificial intelligence, machine
learning, neural networks, and deep learning: Futuristic concepts for new dental diagnosis. Quintessence Int, 49(9), 687-688. doi:10.3290/j.qi.a41107
Sherbet, G. V., Woo, W. L., & Dlay, S. (2018). Application of Artificial Intelligence-based Technology in Cancer Management: A Commentary on the Deployment of Artificial Neural Networks. Anticancer Res, 38(12), 6607-6613. doi:10.21873/anticanres.13027
Shi, T., Seligson, D., Belldegrun, A. S., Palotie, A., & Horvath, S. (2005). Tumor classification by tissue microarray profiling: random forest clustering applied to renal cell carcinoma. Mod Pathol, 18(4), 547-557. doi:10.1038/modpathol.3800322
Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P., & Feuston, B. P. (2003). Random forest: a classification and regression tool for compound classification and QSAR modeling. J Chem Inf Comput Sci, 43(6), 1947-1958. doi:10.1021/ci034160g
Vetter, V. M., Meyer, A., Karbasiyan, M., Steinhagen-Thiessen, E., Hopfenmuller,
W., & Demuth, I. (2018). Epigenetic clock and relative telomere length represent largely different aspects of aging in the Berlin Aging Study II (BASE-II). J Gerontol A Biol Sci Med Sci. doi:10.1093/gerona/gly184
Yanai, H., Budovsky, A., Tacutu, R., & Fraifeld, V. E. (2011). Is rate of skin wound healing associated with aging or longevity phenotype? Biogerontology, 12(6), 591-597. doi:10.1007/s10522-011-9343-6
Yu, M., Heinzerling, T. J., & Grady, W. M. (2018). DNA Methylation Analysis Usin
g Droplet Digital PCR. Methods Mol Biol, 1768, 363-383. doi:10.1007/978-1-4939-7778-9_21
Zhao, Y., Kosorok, M. R., & Zeng, D. (2009). Reinforcement learning design for cancer clinical trials. Stat Med, 28(26), 3294-3315. doi:10.1002/sim.3720
【国際調査報告】