Un nou ceas metabolic ar putea detecta semnele precoce de boală și îmbătrânire accelerată

Într-un studiu publicat recent de cercetătorii de la CIC bioGUNE în jurnalul npj Metabolic Health and Disease, se prezintă un nou model de ceas biologic al îmbătrânirii bazat pe date metabolomice obținute prin spectroscopie RMN, care îmbină acuratețea predictivă ridicată cu interpretabilitatea clinică. Studiul include date dintr-o cohortă de aproximativ 20.000 de persoane și propune o platformă pentru evaluarea sănătății metabolice, detecția îmbătrânirii accelerate și stratificarea riscurilor bolilor cronice.
Ceasurile moleculare ale îmbătrânirii au ca scop estimarea vârstei biologice prin analiza unor markeri moleculari, cu o precizie adesea superioară vârstei cronologice în predicția riscului de boală și mortalitate. Există mai multe tipuri de ceasuri:

• Epigenetice – bazate pe metilarea ADN;
• Transcriptomice – bazate pe expresia genică;
• Proteomice – bazate pe abundența proteinelor;
• Metabolomice – bazate pe profiluri de metaboliți.

În special, ceasurile metabolomice bazate pe spectroscopie RMN oferă o metodă non-invazivă, reproductibilă și scalabilă pentru evaluarea vârstei biologice și a distorsiunilor metabolice legate de boli.

Despre studiu

Cohorte și metodologie

Modelul a fost construit utilizând spectroscopie RMN 1D 1H-NMR (NOESY) și a fost validat pe un set extins de date, incluzând:

• AKRIBEA (13.545 participanți),
• DDM-Madrid (933 femei),
• Biosilver (411 vârstnici),
• Liver-Bible (1.641 donatori),
• SPBB (3.353 persoane în vârstă),
• AGEPORTUGAL (247 persoane vârstnice),
• Prostate Cancer (717 pacienți),
• LITMUS (169 pacienți cu MASLD).

Serul a fost colectat după post alimentar și analizat prin spectroscopie RMN 1D și 2D. Au fost cuantificați 49 de metaboliți și estimați 25 de parametri clinici (precum albumina, CRP, HDL, trigliceride, rata de filtrare glomerulară) folosind învățare automată bazată pe stacking ensemble.

Modele de predicție

• Modelul 1 – bazat pe spectre RMN 1D (NOESY), optimizat pentru performanță;
• Modelul 2 – bazat pe metaboliți cuantificați și parametri clinici, optimizat pentru interpretabilitate.

Ambele modele au fost validate prin validare încrucișată și testate pe un set independent. Modelul NOESY a atins un coeficient de corelație Pearson de 0,92, în timp ce modelul metabolomic a atins 0,88.

Rezultate

Precizia și utilitatea clinică a modelelor

În cazul cancerului de prostată, pacienții (n=717) au prezentat o vârstă metabolică cu +4,9 ani mai mare decât vârsta cronologică (p=1,0×10⁻¹⁹), sugerând o accelerare a îmbătrânirii metabolice.

În MASLD, distorsiunea metabolică a fost chiar mai mare: +14,5 ± 10,9 ani (p=1,9×10⁻²⁹). Subtipurile metabolice identificate (A, B, C) au arătat diferențe semnificative, subtipul A prezentând o distorsiune medie de +13,3 ani față de +7,1 ani pentru subtipurile B+C.

Interpretabilitate și biomarkeri importanți

Prin analiza SHAP, s-au identificat cei mai influenți markeri asupra predicției vârstei biologice:

• GlycA – niveluri crescute au fost asociate cu îmbătrânirea accelerată;
• Albumina – niveluri scăzute corelate cu predicții mai mari de vârstă;
• Lipoproteinele – subclasificările au oferit informații suplimentare despre starea cardiometabolică.

Performanță comparativă și implicații

Modelul actual depășește performanța ceasurilor metabolomice anterioare bazate pe RMN (R max ≈ 0,78), datorită optimizării algoritmice și integrării parametrilor clinici. Deși predicția vârstei cronologice este importantă, valoarea reală a modelului constă în capacitatea de a detecta diferențe clinice relevante între vârsta metabolică și cea cronologică.

Concluzie

Prin integrarea spectroscopiei RMN cu modele avansate de învățare automată, cercetătorii au dezvoltat un ceas metabolic interpretabil și aplicabil clinic, capabil să:

• Estimeze cu precizie vârsta biologică;
• Detecteze îmbătrânirea accelerată în boli cronice;
• Identifice markeri relevanți pentru inflamație și metabolism;
• Oferă o platformă non-invazivă pentru monitorizarea sănătății metabolice.

Acest model se aliniază obiectivelor medicinei personalizate și oferă un instrument promițător pentru evaluarea longitudinală a stării de sănătate, cu potențial de implementare clinică pe scară largă.