English Version: We aim to develop a robust multi-omics aging clock integrating epigenetics, proteomics, metabolomics, and imaging to assess biological aging and stratify risk for age-related diseases. To address the complexity of aging and strict data privacy constraints, we utilize a Federated Deep Metric Learning framework. This approach allows us to train models across distinct institutions by sharing only parameters, not raw data. This study seeks to unlock biological insights into aging while establishing a secure, scalable standard for global multi-omics collaboration.
Dutch Version: Wij willen een robuuste multi-omics verouderingsklok ontwikkelen die epigenetica, proteomics, metabolomics en beeldvorming integreert om biologische veroudering te beoordelen en risico’s op ouderdomsziekten te stratificeren. Om de complexiteit van veroudering en privacybeperkingen aan te pakken, gebruiken we een Federated Deep Metric Learning-raamwerk. Deze aanpak maakt training over verschillende databronnen mogelijk door enkel modelparameters te delen, en geen ruwe data. Deze studie zal nieuwe biologische inzichten in veroudering ontsluiten en tegelijkertijd een veilige methode demonstreren voor wereldwijde samenwerking met multi-omics datasets.