Sangre inteligente: cómo la IA lee las señales de envejecimiento de tu cuerpo
Los investigadores relacionan la forma física con los biomarcadores sanguíneos, y el aspartato aparece como un factor clave
¿Podría un simple análisis de sangre revelar el grado de envejecimiento de una persona? Un equipo de investigadores dirigido por Wolfram Weckwerth, de la Universidad de Viena (Austria) y la Universidad de Nankai (China), ha combinado metabolómica avanzada con aprendizaje automático de vanguardia y una novedosa herramienta de modelización de redes para descubrir los procesos moleculares clave que subyacen al envejecimiento activo. Su estudio, publicado en la revista Nature Journal npj Systems Biology and Applications, identifica el aspartato como biomarcador dominante de la forma física y mapea las interacciones dinámicas que favorecen un envejecimiento más saludable.
Se sabe desde hace tiempo que el ejercicio protege la movilidad y reduce el riesgo de enfermedades crónicas. Sin embargo, los procesos moleculares precisos que traducen la actividad física en un envejecimiento más saludable siguen siendo poco conocidos. Los investigadores se propusieron responder a una pregunta sencilla pero contundente: ¿Podemos ver directamente en la sangre los beneficios de un estilo de vida activo en las personas mayores y determinar las moléculas más importantes?
De las pruebas de forma física a las huellas dactilares: Un índice de actividad corporal y un índice metabolómico
En primer lugar, los investigadores sintetizaron un único "índice de actividad corporal" (BAI) aplicando un análisis de correlación canónica a las puntuaciones obtenidas en las pruebas de distancia caminada, levantamiento de la silla, fuerza de prensión de la mano y equilibrio. Esta métrica compuesta de rendimiento físico captura la resistencia, la fuerza y la coordinación en una medida robusta. De forma independiente, se obtuvo un "índice metabolómico" a partir de las concentraciones en sangre de 35 metabolitos de moléculas pequeñas. En 263 muestras de adultos mayores, estos dos índices mostraron un coeficiente de correlación de Pearson de 0,85 (p < 1 × 10-¹⁹), lo que demuestra que la firma molecular en sangre refleja la medida compuesta de la forma física.
El aprendizaje automático destaca los grupos activos y menos activos y su firma metabólica
Para captar patrones complejos y no lineales, los investigadores entrenaron cinco modelos diferentes de aprendizaje automático, desde enfoques estadísticos sencillos (modelo lineal generalizado, GLM) hasta métodos más avanzados como árboles de decisión potenciados (Gradient Boosting Machine, GBM; XGBoost) y una red autoencodificadora de aprendizaje profundo. Cada modelo se ajustó con comprobaciones cruzadas repetidas (doble validación cruzada) y se probó con datos independientes para garantizar un rendimiento sólido. Ambos métodos de refuerzo (GBM y XGBoost) lograron una gran precisión, distinguiendo entre participantes "activos" y "menos activos" en más del 91% de los casos (área bajo la curva, AUC > 0,91). En los cinco algoritmos, ocho metabolitos aparecieron sistemáticamente como predictores del nivel de actividad: aspartato, prolina, fructosa, ácido málico, piruvato, valina, citrato y ornitina. Entre ellos, el aspartato destacó por un factor de dos a tres, confirmando su papel central como marcador molecular del envejecimiento activo.
El COVRECON revela un nuevo cableado de la red
La correlación por sí sola no puede explicar por qué ciertas moléculas están relacionadas con la forma física. Para descubrir los mecanismos subyacentes, el equipo aplicó COVRECON, una herramienta de modelización basada en datos. En pocas palabras, COVRECON examina cómo varían juntos los metabolitos y reconstruye la red de interacciones bioquímicas entre ellos. Matemáticamente, esto implicaba estimar una matriz jacobiana diferencial, una forma de identificar qué conexiones enzimáticas cambian más entre grupos activos y menos activos. El análisis reveló que dos enzimas muy conocidas, la aspartato aminotransferasa (AST) y la alanina aminotransferasa (ALT), eran los ejes centrales de la red. Ambas son marcadores estándar en los paneles hepáticos clínicos, pero aquí surgieron como indicadores de cómo la actividad remodela el metabolismo. Y lo que es más importante, las predicciones se confirmaron con análisis de sangre rutinarios: a lo largo de los seis meses que duró el estudio, la AST y la ALT fluctuaron con más fuerza en los participantes activos que en sus compañeros menos activos, lo que sugiere una mayor flexibilidad metabólica en la función hepática y muscular.
Implicaciones para la salud cerebral y la demencia
El aspartato es más que un simple intermediario metabólico: en el cerebro también sirve como precursor de neurotransmisores, activando los receptores NMDA que son esenciales para el aprendizaje y la memoria. Esta doble función proporciona un posible vínculo entre la forma física y la salud cognitiva. Estudios independientes han demostrado que unos niveles bajos de AST y ALT en la mediana edad -o un cociente AST/ALT elevado- se asocian a un mayor riesgo de enfermedad de Alzheimer y deterioro cognitivo relacionado con la edad. Al demostrar que la actividad física impulsa cambios dinámicos en el metabolismo del aspartato y en la plasticidad de estas dos enzimas, el presente estudio señala un puente molecular entre la salud músculo-hepática y la resiliencia cerebral. Estos hallazgos sugieren un mensaje sencillo: la actividad física ayuda a preservar la fuerza y la movilidad, y también puede contribuir a proteger el cerebro de la demencia a través de cambios mensurables en las vías de señalización basadas en aminoácidos.
"La actividad física hace algo más que aumentar la masa muscular", explica Wolfram Weckwerth: "Reorganiza nuestro metabolismo a nivel molecular. Descodificando esos cambios, podemos seguir -e incluso guiar- el envejecimiento de una persona".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Jiahang Li, Martin Brenner, Iro Pierides, Barbara Wessner, Bernhard Franzke, Eva-Maria Strasser, Steffen Waldherr, Karl-Heinz Wagner, Wolfram Weckwerth; "Machine learning and data-driven inverse modeling of metabolomics unveil key processes of active aging"; npj Systems Biology and Applications, Volume 11, 2025-9-24
Más noticias del departamento ciencias
