Grupa naukowców z Instytutu Psychiatrii, Psychologii i Neurobiologii (IoPPN) na King’s College w Londynie przeprowadziła przełomowe badanie, które analizuje możliwości zastosowania sztucznej inteligencji w przewidywaniu wieku biologicznego i długości życia na podstawie danych z krwi. Wyniki tych prac nie tylko dają nowy wgląd w procesy starzenia, ale także otwierają drzwi do bardziej precyzyjnych i spersonalizowanych strategii zdrowotnych.
Badacze wykorzystali dane od ponad 225 000 uczestników brytyjskiego banku biobankowego UK Biobank, którzy w momencie rekrutacji mieli od 40 do 69 lat. W oparciu o biomarkery krwi, uczeni trenowali i testowali aż 17 różnych algorytmów opartych na uczeniu maszynowym. Ich celem było ocena efektywności biologicznych zegarów starzenia opartych na metabolitach w przewidywaniu długości życia oraz ich związku z innymi miarami zdrowia i procesu starzenia.
Kluczowym pojęciem w badaniu okazał się tzw. wiek metabolomiczny, określany jako „MileAge”. Jest to miara wieku biologicznego organizmu, bazująca na obecności specyficznych metabolitów w krwi. Metabolity są niewielkimi molekułami powstającymi podczas procesów metabolicznych, np. w trakcie przekształcania pokarmu w energię. Różnica między wiekiem metabolomicznym (przewidywanym przez metabolity) a wiekiem chronologicznym, czyli rzeczywistym, nosi nazwę „MileAge delta” i opisuje, czy proces starzenia danego człowieka ulega przyspieszeniu czy spowolnieniu.
Wyniki badania, opublikowane w prestiżowym czasopiśmie Science Advances, to pierwsza tak szeroko zakrojona analiza porównawcza różnych algorytmów uczenia maszynowego w kontekście zegarów biologicznych. Wykorzystując jedno z największych globalnych zbiorów danych, naukowcy pokazali, które techniki są najbardziej efektywne w wychwytywaniu sygnałów biologicznych związanych z procesami starzenia i długością życia. Projekt otrzymał wsparcie finansowe z Narodowego Instytutu Badań Zdrowotnych NIHR Maudsley Biomedical Research Centre (BRC).
Interesującą obserwacją było to, że osoby z przyspieszonym starzeniem biologicznym (czyli ich wiek metabolomiczny był wyższy od wieku rzeczywistego) częściej zmagały się z problemami zdrowotnymi. Były one bardziej podatne na choroby przewlekłe, odnotowały gorszą ocenę swojego stanu zdrowia oraz miały wyższe ryzyko przedwczesnej śmierci. Zauważono także u nich krótsze telomery – struktury chroniące końce chromosomów przed uszkodzeniami. Skracanie telomerów jest powiązane z chorobami takim jak miażdżyca. Z kolei spowolnione starzenie biologiczne (wiek metabolomiczny niższy od chronologicznego) miało jedynie słaby związek z ogólnym dobrym stanem zdrowia.
Potencjał biologicznych zegarów starzenia jest ogromny. Mogą one pomóc wykrywać pierwsze oznaki pogorszenia zdrowia, zanim jeszcze rozwiną się poważniejsze choroby. Dzięki temu możliwe stają się działania prewencyjne oraz proaktywne podejście do zdrowia – zarówno w kontekście indywidualnym, jak i systemowym. Śledzenie wieku biologicznego może także zachęcić ludzi do podejmowania zdrowszych decyzji, takich jak zmiana nawyków żywieniowych czy poprawa stylu życia.
„Zegary metabolomiczne mogą dostarczyć cennych informacji na temat tego, kto jest bardziej narażony na rozwój problemów zdrowotnych w przyszłości. W przeciwieństwie do wieku chronologicznego, którego nie można zmienić, wiek biologiczny jest potencjalnie modyfikowalny. Te narzędzia stają się zatem kluczowe zarówno w indywidualnych wyborach zdrowotnych, jak i w kształtowaniu strategii profilaktycznych wdrażanych przez systemy opieki zdrowotnej. Nasze badanie pokazało, że algorytmy nieliniowe najlepiej oddają sygnały starzenia, co podkreśla ich przewagę w rozwoju zegarów biologicznych” – tłumaczy Dr Julian Mutz, główny autor badania i badacz nagrodzony tytułem King’s Prize Research Fellow w IoPPN.
Jak zauważyła profesor Cathryn Lewis, specjalistka genetyki epidemiologicznej i statystyki na King’s College: „Istnieje ogromne zainteresowanie stworzeniem zegarów starzenia, które precyzyjnie oceniają nasz wiek biologiczny. Analiza dużych zbiorów danych może odegrać kluczową rolę w rozwijaniu tych narzędzi. Jest to ważny krok w kierunku wykorzystania zegarów biologicznych do podejmowania decyzji zdrowotnych”.
Naukowcy odkryli również, że jeden z algorytmów – Cubist rule-based regression – osiągnął najlepsze wyniki w modelowaniu zależności między metabolitami a procesem starzenia. Ogólnie, algorytmy o zdolności do modelowania nieliniowych relacji okazały się najbardziej efektywne w przewidywaniu wieku biologicznego i jego związku ze zdrowiem oraz długością życia.
