Método impulsado por IA combina datos sanguíneos para medir con precisión edad biológica

La edad cronológica nos indica cuántos años hemos vivido, pero no la velocidad a la que envejece nuestro cuerpo. Algunas personas gozan de buena salud hasta bien entrados los 80 o 90 años, mientras que otras experimentan un deterioro mucho antes. Para subsanar esta discrepancia, los investigadores han desarrollado una nueva herramienta de medición de la edad biológica que utiliza inteligencia artificial (IA) para identificar la velocidad real del envejecimiento corporal, lo que podría ayudar a los médicos a detectar y controlar las enfermedades relacionadas con la edad de forma más precoz.

En un estudio liderado por la Universidad Edith Cowan (Perth, Australia Occidental) en colaboración con el Hospital Royal Prince Alfred (Sídney, Nueva Gales del Sur, Australia) y la Facultad de Medicina de la Universidad de Shantou (Shantou, Guangdong, China), el equipo de investigación analizó dos conjuntos de datos biológicos clave de muestras de sangre. El primero fue el N-glicoma de IgG, que representa las estructuras de azúcar unidas a los anticuerpos, y el segundo fue el transcriptoma, que proporciona una instantánea de la actividad genética dentro de las células sanguíneas.

Al integrar estos conjuntos de datos mediante una técnica de IA conocida como Aprendizaje por Refuerzo Profundo, los investigadores desarrollaron un nuevo reloj biológico llamado gtAge. El modelo gtAge predijo con precisión la edad de una persona con un 85 % de exactitud, superando a los modelos que se basaban en un solo tipo de datos. Los investigadores también descubrieron que la diferencia entre la edad biológica predicha y la edad cronológica real, conocida como edad delta, se correlacionaba fuertemente con marcadores de salud como los niveles de colesterol y glucosa en sangre, que están vinculados al envejecimiento y a las enfermedades metabólicas.

Para lograr este avance, el equipo creó un marco de IA personalizado llamado AlphaSnake, diseñado para mejorar la precisión de las predicciones mediante la identificación selectiva de los datos más relevantes de las dos fuentes biológicas. A diferencia de los modelos convencionales que combinan datos sin discriminación, AlphaSnake utiliza aprendizaje por refuerzo profundo para identificar las características óptimas que contribuyen al envejecimiento, lo que da como resultado un modelo más refinado y biológicamente significativo.

El estudio probó gtAge en 302 adultos de mediana edad del Estudio de Envejecimiento Saludable de Busselton, en Australia Occidental. Los investigadores concluyeron que medir la edad biológica en lugar de la cronológica podría proporcionar información valiosa sobre la trayectoria de salud de una persona. Esta herramienta podría utilizarse en el futuro para orientar intervenciones médicas o de estilo de vida dirigidas a ralentizar el envejecimiento biológico y prevenir enfermedades crónicas.

"Al combinar los datos del N-glicoma de IgG con los datos del transcriptoma, hemos mejorado la precisión de la estimación del envejecimiento biológico", afirmó el Dr. Xingang Li, investigador postdoctoral de la Facultad de Ciencias Médicas y de la Salud de la ECU. "Esto se relaciona con riesgos reales para la salud y podría ayudar a detectar antes a las personas con riesgo de padecer enfermedades relacionadas con la edad".

Enlaces relacionados:
ECU
Hospital Royal Prince Alfred
Facultad de Medicina de la Universidad de Shantou

Visitar la expo >

Miembro Oro

Aspiration System

VACUSAFE

Software de laboratorio
Acusera 24•7

New

Japanese Encephalitis Test

Japanese Encephalitis Virus Real Time PCR Kit

New

Pipette Calibration System

Artel PCS®