Sangue intelligente: come l'intelligenza artificiale legge i segnali di invecchiamento del corpo
I ricercatori collegano la forma fisica ai biomarcatori del sangue, con l'aspartato che emerge come elemento chiave
Annunci
Un semplice esame del sangue potrebbe rivelare il grado di invecchiamento di una persona? Un team di ricercatori guidato da Wolfram Weckwerth dell'Università di Vienna, in Austria, e dell'Università di Nankai, in Cina, ha combinato la metabolomica avanzata con l'apprendimento automatico all'avanguardia e un nuovo strumento di modellazione di rete per scoprire i processi molecolari chiave alla base dell'invecchiamento attivo. Il loro studio, pubblicato sulla rivista Nature Journal npj Systems Biology and Applications, identifica l'aspartato come biomarcatore dominante della forma fisica e mappa le interazioni dinamiche che supportano un invecchiamento più sano.
È noto da tempo che l'esercizio fisico protegge la mobilità e riduce il rischio di malattie croniche. Tuttavia, i precisi processi molecolari che traducono l'attività fisica in un invecchiamento più sano sono rimasti poco conosciuti. I ricercatori hanno cercato di rispondere a una domanda semplice ma efficace: Possiamo vedere i benefici di uno stile di vita attivo negli anziani direttamente nel sangue e individuare le molecole che contano di più?
Dai test di fitness alle impronte digitali del sangue: Un indice di attività corporea e un indice metabolomico
I ricercatori hanno dapprima sintetizzato un unico "Indice di attività corporea" (Body Activity Index, BAI) applicando l'analisi di correlazione canonica ai punteggi ottenuti dalla distanza percorsa a piedi, dai test di sollevamento su sedia, dalla forza delle mani e dalla valutazione dell'equilibrio. Questa metrica composita della performance fisica cattura la resistenza, la forza e la coordinazione in un'unica misura robusta. Indipendentemente, è stato ricavato un "indice metabolomico" dalle concentrazioni ematiche di 35 metaboliti di piccole molecole. Su 263 campioni di adulti anziani, questi due indici hanno mostrato un coefficiente di correlazione di Pearson di 0,85 (p < 1 × 10-¹⁹), dimostrando che la firma molecolare nel sangue rispecchia la misura composita della forma fisica.
L'apprendimento automatico evidenzia i gruppi attivi e meno attivi e la loro firma metabolica
Per catturare modelli complessi e non lineari, i ricercatori hanno addestrato cinque diversi modelli di apprendimento automatico, che vanno da semplici approcci statistici (Generalized Linear Model, GLM) a metodi più avanzati come gli alberi decisionali potenziati (Gradient Boosting Machine, GBM; XGBoost) e una rete di autoencoder ad apprendimento profondo. Ogni modello è stato messo a punto con ripetuti controlli incrociati (doppia convalida incrociata) e testato su dati indipendenti per garantire prestazioni robuste. Entrambi i metodi di boosting (GBM e XGBoost) hanno raggiunto un'elevata precisione, distinguendo i partecipanti "attivi" da quelli "meno attivi" in oltre il 91% dei casi (area sotto la curva, AUC > 0,91). In tutti e cinque gli algoritmi, otto metaboliti sono emersi costantemente come predittori del livello di attività: aspartato, prolina, fruttosio, acido malico, piruvato, valina, citrato e ornitina. Tra questi, l'aspartato si è distinto per un fattore da due a tre, confermando il suo ruolo centrale come marcatore molecolare dell'invecchiamento attivo.
Il ricablaggio della rete rivelato da COVRECON
La correlazione da sola non può spiegare perché certe molecole siano legate alla forma fisica. Per scoprire i meccanismi sottostanti, il team ha applicato COVRECON, uno strumento di modellazione guidato dai dati. In parole povere, COVRECON osserva come i metaboliti variano insieme e poi ricostruisce la rete di interazioni biochimiche tra di essi. Dal punto di vista matematico, si tratta di stimare una matrice Jacobiana differenziale, un modo per identificare quali connessioni enzimatiche cambiano maggiormente tra gruppi attivi e meno attivi. L'analisi ha rivelato che due enzimi ben noti, l'aspartato aminotransferasi (AST) e l'alanina aminotransferasi (ALT), sono i fulcri centrali della rete. Entrambi sono marcatori standard nei pannelli clinici del fegato, ma qui sono emersi come indicatori di come l'attività rimodella il metabolismo. È importante notare che le previsioni sono state confermate dagli esami del sangue di routine: nel corso dei sei mesi di studio, AST e ALT hanno subito fluttuazioni più forti nei partecipanti attivi rispetto ai loro coetanei meno attivi, suggerendo una maggiore flessibilità metabolica nella funzione epatica e muscolare.
Implicazioni per la salute del cervello e la demenza
L'aspartato è più di un semplice intermedio metabolico: nel cervello serve anche come precursore di neurotrasmettitori, attivando i recettori NMDA, essenziali per l'apprendimento e la memoria. Questo duplice ruolo fornisce un possibile collegamento tra forma fisica e salute cognitiva. Studi indipendenti hanno dimostrato che bassi livelli di AST e ALT nella mezza età - o un elevato rapporto AST/ALT - sono associati a un aumento del rischio di malattia di Alzheimer e di declino cognitivo legato all'età. Dimostrando che l'attività fisica determina cambiamenti dinamici nel metabolismo dell'aspartato e nella plasticità di questi due enzimi, il presente studio indica un ponte molecolare tra la salute del muscolo-fegato e la resilienza del cervello. Questi risultati suggeriscono un messaggio semplice: l'attività fisica aiuta a preservare la forza e la mobilità e può anche contribuire a proteggere il cervello dalla demenza attraverso cambiamenti misurabili nelle vie di segnalazione basate sugli aminoacidi.
"L'attività fisica fa molto di più che aumentare la massa muscolare", spiega Wolfram Weckwerth: "Ricrea il nostro metabolismo a livello molecolare. Decodificando questi cambiamenti, possiamo tracciare - e persino guidare - il corretto invecchiamento di una persona".
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione 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
Altre notizie dal dipartimento scienza
