Sangue inteligente: como a IA lê os sinais de envelhecimento do seu corpo
Os investigadores associam a aptidão física a biomarcadores sanguíneos, com o aspartato a emergir como um elemento-chave
Anúncios
Poderá uma simples análise ao sangue revelar o grau de envelhecimento de uma pessoa? Uma equipa de investigadores liderada por Wolfram Weckwerth da Universidade de Viena, na Áustria, e da Universidade de Nankai, na China, combinou metabolómica avançada com aprendizagem automática de ponta e uma nova ferramenta de modelação de redes para descobrir os principais processos moleculares subjacentes ao envelhecimento ativo. O seu estudo, publicado no Nature Journal npj Systems Biology and Applications, identifica o aspartato como um biomarcador dominante da aptidão física e mapeia as interações dinâmicas que apoiam um envelhecimento mais saudável.
Há muito que se sabe que o exercício físico protege a mobilidade e reduz o risco de doenças crónicas. No entanto, os processos moleculares precisos que traduzem a atividade física num envelhecimento mais saudável continuam a ser pouco conhecidos. Os investigadores propuseram-se responder a uma pergunta simples mas poderosa: Será que podemos ver os benefícios de um estilo de vida ativo em indivíduos idosos diretamente no sangue - e identificar as moléculas que mais importam?
Dos testes de fitness às impressões digitais do sangue: Um Índice de Atividade Corporal e um Índice Metabolómico
Os investigadores começaram por sintetizar um único "Índice de Atividade Corporal" (BAI), aplicando uma análise de correlação canónica às pontuações das avaliações da distância percorrida a pé, dos testes de elevação da cadeira, da força de preensão manual e do equilíbrio. Esta métrica composta de desempenho físico capta a resistência, a força e a coordenação numa medida robusta. De forma independente, foi criado um "Índice Metabolómico" a partir das concentrações sanguíneas de 35 metabolitos de pequenas moléculas. Em 263 amostras de adultos mais velhos, esses dois índices mostraram um coeficiente de correlação de Pearson de 0,85 (p <1 × 10-¹⁹), demonstrando que a assinatura molecular no sangue reflete a medida composta de aptidão física.
A aprendizagem automática destaca grupos activos e menos activos e a sua assinatura metabólica
Para capturar padrões complexos e não lineares, os pesquisadores treinaram cinco modelos diferentes de aprendizado de máquina - variando de abordagens estatísticas simples (Modelo Linear Generalizado, GLM) a métodos mais avançados, como árvores de decisão impulsionadas (Gradient Boosting Machine, GBM; XGBoost) e uma rede de autoencoder de aprendizado profundo. Cada modelo foi ajustado com verificações cruzadas repetidas (validação cruzada dupla) e testado em dados independentes para garantir um desempenho robusto. Ambos os métodos de boosting (GBM e XGBoost) alcançaram uma elevada precisão, distinguindo os participantes "activos" dos "menos activos" em mais de 91% dos casos (área sob a curva, AUC > 0,91). Em todos os cinco algoritmos, oito metabolitos surgiram consistentemente como preditores do nível de atividade: aspartato, prolina, frutose, ácido málico, piruvato, valina, citrato e ornitina. Entre eles, o aspartato destacou-se por um fator de dois a três, confirmando o seu papel central como marcador molecular do envelhecimento ativo.
A reconfiguração da rede revelada pelo COVRECON
A correlação, por si só, não pode explicar por que razão certas moléculas estão ligadas à aptidão física. Para descobrir os mecanismos subjacentes, a equipa aplicou o COVRECON, uma ferramenta de modelização baseada em dados. Em termos simples, o COVRECON analisa a forma como os metabolitos variam em conjunto e depois reconstrói a rede de interações bioquímicas entre eles. Matematicamente, isto envolveu a estimativa de uma matriz Jacobiana diferencial - uma forma de identificar quais as ligações enzimáticas que mais mudam entre grupos activos e menos activos. Esta análise revelou duas enzimas bem conhecidas, a aspartato aminotransferase (AST) e a alanina aminotransferase (ALT), como eixos centrais da rede. Ambas são marcadores padrão em painéis clínicos do fígado, mas aqui surgiram como indicadores de como a atividade remodela o metabolismo. É importante salientar que as previsões foram confirmadas por análises sanguíneas de rotina: durante o período de estudo de seis meses, a AST e a ALT flutuaram mais fortemente nos participantes activos do que nos seus pares menos activos - sugerindo uma maior flexibilidade metabólica na função hepática e muscular.
Implicações para a saúde do cérebro e a demência
O aspartato é mais do que um simples intermediário metabólico: no cérebro, também serve como precursor de neurotransmissores, activando os receptores NMDA que são essenciais para a aprendizagem e a memória. Este duplo papel fornece uma possível ligação entre a aptidão física e a saúde cognitiva. Estudos independentes demonstraram que níveis baixos de AST e ALT na meia-idade - ou um rácio AST/ALT elevado - estão associados a um maior risco de doença de Alzheimer e de declínio cognitivo relacionado com a idade. Ao demonstrar que a atividade física provoca alterações dinâmicas no metabolismo do aspartato e na plasticidade destas duas enzimas, o presente estudo aponta para uma ponte molecular entre a saúde músculo-fígado e a resiliência do cérebro. Estes resultados sugerem uma mensagem simples: a atividade física ajuda a preservar a força e a mobilidade e pode também contribuir para proteger o cérebro da demência através de alterações mensuráveis nas vias de sinalização baseadas em aminoácidos.
"A atividade física faz mais do que aumentar a massa muscular", explica Wolfram Weckwerth: "Reorganiza o nosso metabolismo a nível molecular. Ao descodificar essas alterações, podemos acompanhar - e até orientar - o grau de envelhecimento de uma pessoa".
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação 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
Outras notícias do departamento ciência
