Sang intelligent : comment l'IA détecte les signaux de vieillissement de votre corps
Des chercheurs établissent un lien entre la condition physique et les biomarqueurs sanguins, l'aspartate apparaissant comme un acteur clé
Un simple test sanguin pourrait-il révéler le degré de vieillissement d'une personne ? Une équipe de chercheurs dirigée par Wolfram Weckwerth de l'université de Vienne (Autriche) et de l'université de Nankai (Chine) a combiné la métabolomique avancée avec l'apprentissage automatique de pointe et un nouvel outil de modélisation de réseau pour découvrir les processus moléculaires clés qui sous-tendent le vieillissement actif. Leur étude, publiée dans le Nature Journal npj Systems Biology and Applications, identifie l'aspartate comme un biomarqueur dominant de la condition physique et cartographie les interactions dynamiques qui favorisent un vieillissement en bonne santé.
On sait depuis longtemps que l'exercice physique protège la mobilité et réduit le risque de maladies chroniques. Pourtant, les processus moléculaires précis qui traduisent l'activité physique en un vieillissement plus sain restaient mal compris. Les chercheurs ont entrepris de répondre à une question simple mais puissante : Pouvons-nous observer les avantages d'un mode de vie actif chez les personnes âgées directement dans le sang et identifier les molécules les plus importantes ?
Des tests de condition physique aux empreintes sanguines : Un indice d'activité corporelle et un indice métabolomique
Les chercheurs ont d'abord synthétisé un seul "indice d'activité corporelle" (IAC) en appliquant une analyse de corrélation canonique aux résultats des tests de distance de marche, de lever de chaise, de force de préhension et d'évaluation de l'équilibre. Cette mesure composite de la performance physique englobe l'endurance, la force et la coordination en une seule mesure robuste. Indépendamment, un "indice métabolomique" a été dérivé des concentrations sanguines de 35 métabolites de petites molécules. Sur 263 échantillons d'adultes plus âgés, ces deux indices ont montré un coefficient de corrélation de Pearson de 0,85 (p < 1 × 10-¹⁹), démontrant que la signature moléculaire dans le sang reflète la mesure composite de la condition physique.
L'apprentissage automatique met en évidence les groupes actifs et moins actifs et leur signature métabolique
Pour saisir les modèles complexes et non linéaires, les chercheurs ont formé cinq modèles d'apprentissage automatique différents, allant d'approches statistiques simples (modèle linéaire généralisé, GLM) à des méthodes plus avancées telles que les arbres de décision boostés (Gradient Boosting Machine, GBM ; XGBoost) et un réseau autoencodeur d'apprentissage en profondeur. Chaque modèle a été ajusté par des vérifications croisées répétées (double validation croisée) et testé sur des données indépendantes afin de garantir des performances solides. Les deux méthodes de renforcement (GBM et XGBoost) ont atteint une grande précision, distinguant les participants "actifs" des participants "moins actifs" dans plus de 91 % des cas (aire sous la courbe, AUC > 0,91). Dans les cinq algorithmes, huit métabolites sont systématiquement apparus comme des prédicteurs du niveau d'activité : l'aspartate, la proline, le fructose, l'acide malique, le pyruvate, la valine, le citrate et l'ornithine. Parmi eux, l'aspartate se distingue par un facteur de deux à trois, confirmant son rôle central en tant que marqueur moléculaire du vieillissement actif.
Le recâblage des réseaux révélé par COVRECON
La corrélation ne suffit pas à expliquer pourquoi certaines molécules sont liées à la forme physique. Pour découvrir les mécanismes sous-jacents, l'équipe a utilisé COVRECON, un outil de modélisation basé sur les données. En termes simples, COVRECON étudie la façon dont les métabolites varient ensemble et reconstruit ensuite le réseau d'interactions biochimiques entre eux. Mathématiquement, cela implique l'estimation d'une matrice jacobienne différentielle - une manière d'identifier les connexions enzymatiques qui changent le plus entre les groupes actifs et les groupes moins actifs. Cette analyse a révélé que deux enzymes bien connues, l'aspartate aminotransférase (AST) et l'alanine aminotransférase (ALT), constituaient des nœuds centraux du réseau. Ces deux enzymes sont des marqueurs standard dans les panels hépatiques cliniques, mais elles sont apparues ici comme des indicateurs de la manière dont l'activité remodèle le métabolisme. Fait important, les prévisions ont été confirmées par des analyses sanguines de routine : au cours des six mois de l'étude, l'AST et l'ALT ont fluctué plus fortement chez les participants actifs que chez leurs pairs moins actifs, ce qui suggère une plus grande flexibilité métabolique dans les fonctions hépatiques et musculaires.
Implications pour la santé du cerveau et la démence
L'aspartate est plus qu'un simple intermédiaire métabolique : dans le cerveau, il sert également de précurseur de neurotransmetteurs, activant les récepteurs NMDA essentiels à l'apprentissage et à la mémoire. Ce double rôle permet d'établir un lien possible entre la forme physique et la santé cognitive. Des études indépendantes ont montré qu'un faible taux d'AST et d'ALT au milieu de la vie - ou un rapport AST/ALT élevé - est associé à un risque accru de maladie d'Alzheimer et de déclin cognitif lié à l'âge. En démontrant que l'activité physique entraîne des changements dynamiques dans le métabolisme de l'aspartate et dans la plasticité de ces deux enzymes, la présente étude met en évidence un pont moléculaire entre la santé des muscles et du foie et la résilience du cerveau. Ces résultats suggèrent un message simple : l'activité physique aide à préserver la force et la mobilité, et peut également contribuer à protéger le cerveau de la démence grâce à des changements mesurables dans les voies de signalisation basées sur les acides aminés.
"L'activité physique fait plus que développer la masse musculaire", explique Wolfram Weckwerth : "Elle réorganise notre métabolisme au niveau moléculaire. En décodant ces changements, nous pouvons suivre - et même guider - le vieillissement d'une personne".
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
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
Autres actualités du département science
