衰老是一个复杂的过程,其特征是生理功能的全面下降,并与多种疾病风险的增加有关。在我们这个逐渐老龄化的社会,可靠的年龄生物标记物以及精准的年龄预测对于有效和优先管理医疗服务以及患者资源是非常重要的。年龄预测以及年龄标记物不仅在现代医学中有积极的作用,在法医学中也是一个重要的研究方向,准确的预测个体的年龄可在刑侦案中帮助侦查员缩小对嫌疑犯的搜查范围,大大减少人力和物力。年龄生物标记物被定义为生物体的一个生物学参数。目前最新发现DNA甲基化可用来作为预测年龄的有效标记,已观察到某些CpG位点随着年龄的变化呈现低甲基化或高甲基化变化。目前甲基化测量方法大致分为绝对定量、相对定量以及全基因组DNA甲基化测量三类方法。随着科学技术的发展,全基因组水平的测量可检测近百万的CpG位点的甲基化情况,而研究使用的样本远远小于此数量,这使得DNA甲基化数据具有样本小、维度高的典型特征。直接使用这种数据训练模型,容易出现训练集预测效果好,但测试集预测能力堪忧的局面。另外并不是全部甲基化位点都与年龄相关,每次检测所有的甲基化位点会导致成本过高造成浪费。为避免出现过拟合,模型泛化能力差同时降低成本,建模前需对DNA甲基化位点进行筛选。本文是针对年龄预测问题进行特征选择以及模型构建的研究。我们融合了Filter类和Wrapper类方法提出了一种三步骤的特征选择算法——AgeGuess。该方法第一步借助Filter方法的快速性,利用最大信息系数（MIC,The Maximal Information Coefficient）初步筛选与年龄相关的CpG位点,接下来凭借Wrapper方法的准确性进一步去冗余,此过程使用了SVR-RFE和BackFS算法。AgeGuess最终选择了107个甲基化年龄标记物,与实际年龄相比,使用这些年龄标记物构建回归模型预测年龄,平均绝对误差为1.9859。同时我们选择了常用的特征选择方法与AgeGuess进行了比较,如皮尔逊相关系数、互信息、单变量F回归、L1-RFE、L2-RFE。在选取相同数量特征情况下,AgeGuess选择的特征子集要优于其他方法。为了证明AgeGuess同样适用于其他数据集,我们在EPIC数据集上使用AgeGuess建立预测模型,其平均绝对误差为2.4780。EPIC数据集选择的CpG数量未388个,其中214个出现在450k阵列中,另外174个是EPIC芯片独有的。EPIC数据模型可能需要450k阵列中6%独有的甲基化特征来精准描述老化过程。为进一步优化年龄预测模型,我们还研究了性别对于年龄预测模型的影响。通过分性别建立年龄预测模型,我们发现年龄预测模型可通过建立两个性别特定的模型来进一步完善。将选出的甲基化位点与所在基因相对应,在全性别组上出现了已经被证明与年龄相关的基因如:ELOVL2、KLF14、CCDC102B、ATPAF1、ALDOA等。此外有研究发现其他类型数据也可用于年龄预测,如转录组^[1]、糖基化^[2]等数据,后续工作中我们将加入各类数据进行年龄预测研究。