Un instrument bazat pe inteligență artificială evidențiază conexiunile dintre fibroza pulmonară și procesul de îmbătrânire

Fibroza pulmonară idiopatică (FPI) este o afecțiune pulmonară progresivă și incurabilă, caracterizată prin acumularea excesivă de matrice extracelulară care duce, în cele din urmă, la insuficiență respiratorie. Afectând în principal persoanele vârstnice, fibroza pulmonară are o etiologie complexă, în care îmbătrânirea joacă un rol central. Dincolo de impactul clinic individual, fibrozele contribuie la 18% dintre decesele globale, conform celor mai recente estimări.
În lipsa unor tratamente curative, transplantul pulmonar rămâne singura opțiune terapeutică viabilă, iar terapiile antifibrotice actuale doar încetinesc evoluția bolii. În acest context, inteligența artificială (AI) devine un instrument promițător în înțelegerea profundă a mecanismelor bolii și în dezvoltarea de noi tratamente.

Obiectivele studiului

Studiul de față își propune să identifice conexiunile moleculare între îmbătrânire și fibroza pulmonară prin utilizarea unor modele AI specializate. Sunt introduse două instrumente:

• Un ceas proteomic al îmbătrânirii, antrenat pe date din UK Biobank
• ipf-P3GPT, o versiune optimizată a unui model transformer AI capabil să genereze și să analizeze semnături omice relevante pentru fibroza pulmonară

Rezultate

Ceasul proteomic al îmbătrânirii

Folosind date de la 55.319 participanți cu vârste între 50 și 89 de ani, ceasul proteomic a demonstrat o eroare medie absolută de 2,68 ani și un coeficient R² de 0,84, validat prin cross-validare. Performanța a fost stabilă până la grupa de vârstă 79 de ani, dar a scăzut în grupa 80–89 ani (MAE = 4,08 ani), sugerând o creștere a heterogenității procesului de îmbătrânire.

Aplicarea ceasului pe un set de date proteomic (Olink Explore 1536) asociat cazurilor severe de COVID-19 a arătat că pacienții cu forme severe (predispuse la fibroză pulmonară) aveau o vârstă biologică semnificativ mai mare decât grupurile sănătoase (+2,77 ani, p = 0.026), susținând relevanța biologică a modelului în contextul fibrozei.

Analiza ipf-P3GPT

Modelul ipf-P3GPT a fost antrenat pe seturi de date transcriptomice provenite din plămâni umani, acoperind atât spectrul FPI, cât și procesul de îmbătrânire pulmonară (30–70 ani). Modelul a identificat:

• 96 gene semnificative pentru FPI
• 93 gene asociate cu îmbătrânirea
• Doar 15 gene comune între cele două semnături

Doar 46,7% dintre genele comune aveau expresie direcțională similară, indicând diferențe fundamentale în mecanismele moleculare. Genele comune implicau remodelarea matricei extracelulare (COL15A1), inflamația (IL6, IL1RL1) și procesele de regenerare (PAPPA, ADAMTS1).

Diferențierea între fibroza pulmonară și îmbătrânirea normală

În timp ce ambele procese implică căi biologice similare (remodelare ECM, semnalizare TGF-β, inflamație), reglarea expresiei genice este diferită. De exemplu:

• COL1A1: suprarreglat în îmbătrânire, dar down-reglat în FPI
• MMP1 și MMP13: exprimate doar în FPI, indicând răspunsuri aberante de vindecare a țesutului
• ADAMTS1: exprimat mai puțin în FPI și în vârstă, dar în alte modele animale, expresia crescută are efecte antifibrotice

Aceste diferențe susțin ipoteza conform căreia fibroza pulmonară nu este doar o accelerare a îmbătrânirii normale, ci o dereglare profundă a mecanismelor regenerative legate de vârstă.

Valoarea modelelor AI în cercetarea fibrozei pulmonare

Ceasul proteomic și ipf-P3GPT demonstrează utilitatea modelelor AI specializate în explorarea bolilor complexe. Abordările propuse permit:

• Identificarea de biomarkeri duali antifibrotici și geroprotectori
• Evaluarea semnăturilor omice provenite din experimente reale sau simulate
• Personalizarea tratamentelor în funcție de profilul molecular al pacientului
• Adaptarea metodologiei la alte afecțiuni fibrozante (ciroză hepatică, nefroză, sclerodermie)

Limitări și perspective viitoare

Studiul recunoaște mai multe limitări:

• Lipsa validării experimentale directe pentru datele generate de ipf-P3GPT
• Utilizarea datasetului COVID-19 ca substitut pentru date FPI reale
• Concentrarea pe date transcriptomice și proteomice, cu omisiunea factorilor epigenetici
• Acces limitat la platforme Olink complete (Explore 3072) pentru validare extinsă

Viitorul ar putea include:

• Validarea pe cohortele din studiile clinice cu rentosertib (Faza 2)
• Extinderea modelelor AI cu tag-uri specifice altor boli fibrozante
• Integrarea multi-omicii (epigenom, metabolom) pentru o înțelegere mai completă
• Abordări de tip human-in-the-loop pentru asigurarea validității clinice

Concluzie

Studiul demonstrează că integrarea biologiei îmbătrânirii cu modelele AI poate genera instrumente puternice pentru înțelegerea și tratamentul fibrozei pulmonare. Departe de a fi doar o consecință a îmbătrânirii normale, fibroza pulmonară implică mecanisme patologice distincte și complexe care pot fi descifrate prin modele AI adaptate.

ipf-P3GPT și ceasul proteomic prezentate în acest studiu oferă o platformă valoroasă pentru dezvoltarea de terapii personalizate și cercetarea în alte boli fibrozante legate de vârstă. În contextul îmbătrânirii populației și al lipsei de opțiuni terapeutice eficiente pentru fibroza pulmonară, aceste instrumente pot reprezenta un punct de cotitură în medicina translațională.