基于血浆代谢组的器官生物学年龄的量化模型

本数据以 Python 字典存储，使用 joblib 二进制序列化。 字典含9个顶层键，每个键映射到一个 XGBRegressor 模型对象：实际年龄、整体生物学年龄、心血管系统生物学年龄、肝脏系统生物学年龄、免疫系统生物学年龄、代谢系统生物学年龄、肌肉骨骼系统生物学年龄、肺系统生物学年龄、肾脏系统生物学年龄。 每个 XGBRegressor 内部包含一个 Booster 核心对象，其层级结构为：Learner→ GradientBooster→ 264 棵决策树或 152–171 棵。各模型超参数因器官而异。 所有 9 个模型共享同一批 249 个代谢物特征，以 Nightingale NMR 代谢组学 ID 命名，嵌入在各模型 feature_names 属性中。每棵决策树由分裂节点和叶节点组成：分裂节点记录【Feature（代谢物ID）、Threshold（分裂阈值）、Gain（损失减少量）、Cover（覆盖样本数）】；叶节点存储预测权重（Leaf Value），范围为约 -2.06 至 +1.26。预测时样本从根节点逐层分裂至叶节点，累加全部树的叶节点权重即得 MOA 预测值。

搜集汇总

背景与挑战

背景概述

该数据集包含9个XGBoost回归模型，用于量化实际年龄及心血管、肝脏、免疫、代谢、肌肉骨骼、肺和肾脏等系统的生物学年龄。所有模型基于249个Nightingale NMR代谢物特征，通过决策树的叶节点权重累加进行预测。