Como a IA lê os sinais de envelhecimento do seu corpo

Um simples exame de sangue poderia revelar como alguém está envelhecendo? Uma equipe de pesquisadores liderados por Wolfram Weckwerth, da Universidade da Universidade de Viena, Áustria e Nankai, China, combinou metabolômica avançada com o aprendizado de máquina de ponta e uma nova ferramenta de modelagem de rede para descobrir os principais processos moleculares subjacentes ao envelhecimento ativo.

O estudo deles, publicado em NPJ Systems Biology and Applicationsidentifica aspartato como um biomarcador dominante da aptidão física e mapeia as interações dinâmicas que apóiam o envelhecimento mais saudável.

Há muito se sabe que o exercício protege a mobilidade e reduz o risco de doenças crônicas. No entanto, os processos moleculares precisos que traduzem a atividade física em envelhecimento mais saudável permanecem pouco compreendidos. Os pesquisadores decidiram responder a uma pergunta simples, mas poderosa: podemos ver os benefícios de um estilo de vida ativo em idosos diretamente no sangue – e identificar as moléculas que mais importam?

De testes de condicionamento físico a impressões digitais sanguíneas: um índice de atividade corporal e um índice de metabolômica

Os pesquisadores primeiro sintetizaram um único “índice de atividade corporal” (BAI), aplicando a análise de correlação canônica a pontuações, desde a curta distância, testes de cadeira, força de arremesso de mão e avaliações de equilíbrio. Essa métrica de desempenho físico composto captura resistência, força e coordenação em uma medida robusta.

Independentemente, um “índice de metabolômica” foi derivado de concentrações sanguíneas de 35 metabólitos 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^⁻gua), demonstrando que a assinatura molecular no sangue reflete a medida composta da aptidão física.

O aprendizado de máquina destaca grupos ativos e menos ativos e sua assinatura metabólica

Para capturar padrões complexos e não lineares, os pesquisadores treinaram cinco modelos diferentes de aprendizagem de máquina-distribuindo abordagens estatísticas simples (modelo linear generalizado, GLM) a métodos mais avançados, como árvores de decisão impulsionadas (máquina de reforço de gradiente, GBM; XGBOOST) e uma rede automática de lençol profundo. Cada modelo foi ajustado com verificações cruzadas repetidas (validação cruzada dupla) e testadas em dados independentes para garantir um desempenho robusto.

Ambos os métodos de reforço (GBM e XGBoost) alcançaram alta precisão, distinguindo “ativos” de participantes “menos ativos” em mais de 91% dos casos (área sob a curva, AUC> 0,91). Em todos os cinco algoritmos, oito metabólitos emergiram consistentemente como preditores do nível de atividade: aspartato, prolina, frutose, ácido málico, piruvato, valina, citrato e ornitina. Entre eles, aspartato se destacou por um fator de dois a três, confirmando seu papel central como um marcador molecular do envelhecimento ativo.

Recuperação de rede revelada por Covrecon

A correlação por si só não pode explicar por que certas moléculas estão ligadas à aptidão. Para descobrir os mecanismos subjacentes, a equipe aplicou o CoVreCon, uma ferramenta de modelagem orientada a dados. Em termos simples, a Covrecon analisa como os metabólitos variam juntos e, em seguida, reconstrói a rede de interações bioquímicas entre eles. Matematicamente, isso envolveu estimar uma matriz jacobiana diferencial-uma maneira de identificar quais conexões enzimáticas mudam mais entre grupos ativos e menos ativos.

Esta análise revelou duas enzimas conhecidas, aspartato aminotransferase (AST) e alanina aminotransferase (ALT), como hubs centrais na rede. Ambos são marcadores padrão nos painéis clínicos do fígado, mas aqui emergiram como indicadores de como a atividade reformula o metabolismo. É importante ressaltar que as previsões foram confirmadas por exames de sangue de rotina: durante o período de seis meses de estudo, AST e ALT flutuaram mais fortemente em participantes ativos do que em seus pares menos ativos-sugerindo maior flexibilidade metabólica na função hepática e muscular.

Implicações para a saúde do cérebro e demência

O aspartato é mais do que um intermediário metabólico simples: no cérebro, também serve como precursor dos neurotransmissores, ativando os receptores NMDA que são essenciais para aprendizado e memória. Esse duplo papel fornece um possível vínculo entre aptidão física e saúde cognitiva. Estudos independentes mostraram que baixos níveis de AST e ALT na meia-idade-ou uma relação AST/ALT elevada-estão associados ao aumento do risco de doença de Alzheimer e declínio cognitivo relacionado à idade.

Ao demonstrar que a atividade física impulsiona alterações dinâmicas no metabolismo do aspartato e na plasticidade dessas duas enzimas, o presente estudo aponta para uma ponte molecular entre a saúde do fígado muscular e a resiliência cerebral. Esses achados sugerem uma mensagem simples: a atividade física ajuda a preservar a força e a mobilidade e também podem contribuir para proteger o cérebro da demência através de mudanças mensuráveis ​​nas vias de sinalização baseadas em aminoácidos.

“A atividade física faz mais do que construir massa muscular”, explica Weckwerth. “Ele renova nosso metabolismo no nível molecular. Ao decodificar essas mudanças, podemos rastrear – e até guiar – como alguém está envelhecendo”.