Des scientifiques créent des modèles d'IA qui prédisent votre âge biologique réel à partir d'analyses sanguines et intestinales
De nouveaux réseaux de neurones estiment avec précision l'âge biologique à moins de 6 ans près, en utilisant des marqueurs sanguins ou la composition du microbiote intestinal.
Résumé
Des chercheurs russes ont développé deux modèles d'intelligence artificielle très précis permettant de prédire l'âge biologique à partir d'analyses sanguines ou de l'analyse du microbiote intestinal. Les deux modèles ont atteint une précision remarquable, estimant l'âge biologique à environ 6 ans près par rapport aux mesures réelles. Le modèle basé sur le sang utilise 7 marqueurs clés, notamment la cystatine C, l'IGF-1 et la DHEAS, avec des indicateurs spécifiques au sexe. Le modèle basé sur le microbiome analyse 45 espèces bactériennes différentes présentes dans l'intestin. Ces outils pourraient aider les individus à mieux comprendre leur véritable vitesse de vieillissement au-delà de l'âge chronologique, en guidant potentiellement des interventions de santé personnalisées pour ralentir le vieillissement biologique et prolonger l'espérance de vie en bonne santé.
Résumé détaillé
Comprendre son véritable âge biologique — à quelle vitesse votre corps vieillit réellement par rapport à votre âge chronologique — pourrait être la clé de l'optimisation des stratégies de longévité. Cette étude pionnière de chercheurs russes démontre que l'intelligence artificielle peut prédire avec précision l'âge biologique en utilisant deux approches différentes.
L'équipe a développé des modèles de réseaux de neurones analysant les données de participants afin de créer des calculateurs d'âge biologique. Un modèle utilise sept biomarqueurs sanguins, dont la cystatine C, l'IGF-1 et la DHEAS, avec des ajouts spécifiques au sexe tels que l'homocystéine et le glucose pour les femmes, et HbA1c et la testostérone libre pour les hommes. Le second modèle analyse la composition de 45 espèces bactériennes dans le microbiote intestinal.
Les deux modèles ont montré une précision remarquable, prédisant l'âge biologique à environ 6 ans près et atteignant des scores de corrélation supérieurs à 0,8 avec des mesures du vieillissement établies telles que PhenoAge. Les chercheurs ont utilisé des techniques avancées d'interprétation de l'IA pour comprendre comment chaque biomarqueur contribue au calcul final de l'âge, rendant ainsi les modèles plus utiles sur le plan clinique.
Ces outils pourraient révolutionner la médecine personnalisée de la longévité en fournissant des mesures objectives du rythme de vieillissement. Plutôt que de supposer si des interventions sur le mode de vie sont efficaces, les individus pourraient suivre leur âge biologique au fil du temps pour déterminer si l'alimentation, l'exercice physique ou les protocoles de compléments ralentissent réellement leur processus de vieillissement. Les professionnels de santé pourraient utiliser ces modèles pour identifier les patients vieillissant plus vite que prévu et intervenir plus tôt.
Bien que prometteurs, les modèles nécessitent une validation auprès de populations diversifiées au-delà de la cohorte russe étudiée. Une précision de 6 ans, bien qu'impressionnante, représente néanmoins une variabilité significative pour la prise de décision individuelle.
Principales conclusions
- AI models predict biological age within 6 years using blood tests or gut microbiome analysis
- Blood model uses 7 gender-specific markers including cystatin-C, IGF-1, and DHEAS
- Microbiome model analyzes 45 bacterial species to estimate aging rate
- Both models correlate strongly with established biological age measures like PhenoAge
- AI interpretation reveals which biomarkers contribute most to biological aging
Méthodologie
Des chercheurs ont développé des modèles de réseaux de neurones à partir de données biochimiques sanguines et de données sur le microbiote intestinal issues de participants russes. L'étude a comparé les prédictions des modèles à l'âge chronologique et à des mesures établies de l'âge biologique telles que PhenoAge, en utilisant des algorithmes SHAP pour l'interprétabilité des modèles.
Limites de l'étude
Les modèles ont été développés à partir d'une population russe et nécessitent une validation auprès de groupes ethniques diversifiés. La plage de précision de 6 ans peut limiter la précision pour les décisions de santé individuelles, et une validation à long terme des prédictions est nécessaire.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :