衰老与疾病和死亡率有着错综复杂的联系，并反映在各种组织的分子变化中。使用机器学习模型（称为衰老时钟）开发和完善衰老、健康和寿命的生物标志物，利用表观遗传和其他分子特征。正如衰老生物标志物联盟所指出的，尽管取得了进步，但该领域仍面临着挑战，特别是缺乏用于集成和比较这些不同模型的强大软件工具。
pyaging是一个全面的 Python 包，旨在弥补老化研究软件工具之间的差距。pyaging集成了30多个衰老时钟，计划扩展至100多个，涵盖DNA甲基化、转录组学、组蛋白标记ChIP-Seq、ATAC-Seq等一系列分子数据类型。该软件包具有多种模型类型，从线性和主成分模型到神经网络和自动相关性确定模型。利用基于 PyTorch 的后端进行 GPU 加速，pyaging即使对于大型数据集和复杂模型也能确保快速推理。该软件包支持多物种分析，目前包括人类、各种哺乳动物和秀丽隐杆线虫。
可用性和实施 pyaging可在https://github.com/rsinghlab/pyaging访问。该软件包的结构易于使用和集成到现有的研究工作流程中，支持灵活的 Anndata 数据格式。