IA : Prédire santé et longévité grâce aux analyses de sang

MADRID, le 19 décembre (EUROPA PRESS) –

Une étude approfondie menée par l’Institut de psychiatrie, psychologie et neurosciences (IoPPN) du King’s College de Londres (Royaume-Uni) a examiné les horloges biologiques basées sur l’intelligence artificielle, qui prédisent la santé et l’espérance de vie à partir de données sanguines.

L’étude, publiée dans la revue ‘Science Advances’, est la première à comparer de manière exhaustive divers algorithmes d’apprentissage automatique en fonction de leur capacité à développer des horloges biologiques d’âge en utilisant des données sur les métabolites, en s’appuyant sur l’un des plus grands ensembles de données au monde.

Les chercheurs ont formé et testé 17 algorithmes d’apprentissage automatique sur la base de données concernant les marqueurs sanguins de plus de 225 000 participants du Biobank britannique, âgés de 40 à 69 ans au moment de leur inclusion. Ils ont examiné l’efficacité de divers horloges métabolomiques dans la prédiction de l’espérance de vie, ainsi que la robustesse de ces horloges en lien avec des mesures de santé et de vieillissement.

L’âge métabolomique d’une personne, baptisé “MileAge”, est une mesure de l’âge que semble avoir son corps à l’intérieur, fondée sur des marqueurs sanguins appelés métabolites. Ces derniers sont de petites molécules produites lors du métabolisme, par exemple, lorsque les aliments se transforment en énergie. La différence entre l’âge prédite d’une personne à partir des métabolites et son âge chronologique, désignée comme delta de MileAge, indique si son vieillissement biologique est accéléré ou ralenti.

Les individus présentant un vieillissement accéléré (c’est-à-dire avec une telle “MileAge” supérieure à leur âge chronologique) étaient, en moyenne, plus fragiles, avaient une plus grande probabilité de souffrir de maladies chroniques, évaluaient leur santé comme moins bonne et présentaient un risque accru de mortalité. Ils possédaient également des télomères plus courts (ces “coupoles” situées à l’extrémité des chromosomes), qui sont un indicateur du vieillissement cellulaire et sont liés à des maladies associées à l’âge, telles que l’athérosclérose. En revanche, le vieillissement biologique ralenti (avec une “MileAge” inférieure à l’âge chronologique) n’était que faiblement corrélé à une bonne santé.

Les horloges de vieillissement pourraient aider à identifier les premiers signes de détérioration de la santé, ouvrant la voie à des stratégies préventives et des interventions avant l’apparition de maladies. Elles pourraient également permettre aux individus de suivre proactivement leur santé, de prendre de meilleures décisions concernant leur mode de vie et d’adopter des mesures pour maintenir leur bien-être plus longtemps.

“Les horloges métabolomiques du vieillissement ont le potentiel d’informer sur qui pourrait être à risque de développer des problèmes de santé dans le futur. Contrairement à l’âge chronologique, qui ne peut être changé, notre âge biologique est potentiellement modifiable”, explique le Dr Julian Mutz, chercheur au Prix du Roi à l’IoPPN et auteur principal de l’étude.

“Ces horloges fournissent une mesure indirecte de l’âge biologique pour la recherche biomédicale et de la santé, ce qui pourrait influencer le choix du mode de vie des individus et informer les stratégies préventives mises en œuvre par les services de santé. Notre étude a évalué une large gamme d’approches d’apprentissage automatique pour développer des horloges de vieillissement, montrant que les algorithmes non linéaires sont plus efficaces pour capturer les signaux de vieillissement”, ajoute-t-il.

Les chercheurs ont constaté qu’une horloge métabolomique développée grâce à un algorithme spécifique, dénommé régression par règles cubistes, était celle qui était la plus étroitement liée à la plupart des marqueurs de santé et de vieillissement. Ils ont également découvert que les algorithmes capables de modéliser des relations non linéaires entre les métabolites et l’âge avaient généralement de meilleures performances pour capturer les signaux biologiques révélant des informations sur la santé et l’espérance de vie.