L’IA dévoile comment les profils métaboliques prédisent le vieillissement et la santé

Les données métabolomiques et l’IA révolutionnent notre façon de mesurer le vieillissement et de prédire la durée de vie en bonne santé.

Étude : L’âge métabolomique (MileAge) prédit la santé et la durée de vie : une comparaison de plusieurs algorithmes d’apprentissage automatique. Crédit image : Sergey Tarasov / Shutterstock

Dans une étude récente publiée dans la revue Science Advances, des chercheurs du King’s College de Londres ont examiné les horloges de vieillissement métabolomique en utilisant des modèles d’apprentissage automatique formés sur des données de métabolites plasmatiques issues de la Biobanque du Royaume-Uni. L’objectif de cette recherche était d’évaluer le potentiel des horloges de vieillissement métabolomique pour prédire les résultats de santé et la durée de vie, en mesurant leur précision, leur robustesse et leur pertinence par rapport aux indicateurs biologiques du vieillissement au-delà de l’âge chronologique.

Contexte

Le vieillissement biologique, distinct de l’âge chronologique, reflète les dommages moléculaires et cellulaires influençant la santé et la susceptibilité aux maladies. L’âge chronologique à lui seul ne peut pas saisir la variabilité des états physiologiques liés au vieillissement entre individus. Cependant, les récentes avancées dans les technologies omiques, en particulier la métabolomique, ont fourni des aperçus sur le vieillissement biologique à travers le profilage moléculaire.

Les métabolites, petites molécules issues des voies métaboliques, permettent d’évaluer la santé physiologique et sont liées à des résultats liés au vieillissement, tels que les maladies chroniques et la mortalité. Des études antérieures ont établi des corrélations entre les données métabolomiques et le vieillissement, mais ont été limitées par des tailles d’échantillons restreintes et des marqueurs peu nombreux.

Les récents efforts visant à dériver des “horloges de vieillissement” à partir de données omiques en utilisant l’apprentissage automatique ont démontré un pouvoir prédictif significatif pour les résultats de santé. Cependant, des défis demeurent dans l’optimisation de ces modèles pour leur précision et leur interprétabilité, notamment en ce qui concerne la métabolomique.

L’étude actuelle

L’étude en question a utilisé la spectroscopie par résonance magnétique nucléaire (RMN) pour analyser les données des métabolites plasmatiques de la Biobanque du Royaume-Uni, comprenant 225,212 participants âgés de 37 à 73 ans. Les critères d’exclusion comprenaient la grossesse, des incohérences dans les données et des valeurs extrêmes de métabolites. L’ensemble de données englobait 168 métabolites représentant des profils lipidiques, des acides aminés et des produits de glycolyse.

Les chercheurs ont appliqué 17 algorithmes d’apprentissage automatique, y compris la régression linéaire, des modèles basés sur les arbres, et des techniques d’ensembles, afin de développer des horloges de vieillissement métabolomique. Ils ont également utilisé une méthode rigoureuse de validation croisée imbriquée pour garantir une évaluation solide des modèles.

Parmi les principales étapes de prétraitement figuraient la gestion des valeurs aberrantes de métabolites et la correction des biais de prévision d’âge inhérents aux modèles. Les modèles prédictifs visaient à estimer l’âge chronologique à l’aide de profils de métabolites, et les différences entre les âges prédits et réels étaient définies comme le “MileAge delta”. Des corrections statistiques ont été appliquées de manière extensive pour éliminer les biais systématiques et améliorer la précision des prévisions, en particulier pour les catégories d’âge plus jeunes et plus âgées.

Les modèles ont été évalués pour leur précision prédictive à l’aide de critères tels que l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (RMSE) et les coefficients de corrélation. Par exemple, le modèle de régression Cubist a atteint une MAE de 5,31 ans, surpassant d’autres modèles comme les splines de régression adaptative multivariée (MAE = 6,36 ans). Une analyse supplémentaire a ajusté les prévisions pour éliminer les biais systématiques et mieux les aligner sur l’âge chronologique.

Résultats

Les résultats ont montré que les horloges de vieillissement métabolomique développées à partir de profils de métabolites plasmatiques pouvaient efficacement différencier le vieillissement biologique du vieillissement chronologique. Parmi les différents modèles testés dans l’étude, le modèle de régression basé sur la règle Cubist a fourni les associations prédictives les plus solides avec des marqueurs de santé et de mortalité, surpassant les autres algorithmes en termes de précision et de robustesse.

De plus, des valeurs de MileAge delta positives, indiquant un vieillissement accéléré, étaient liées à la fragilité, des télomères plus courts, une morbidité accrue, et un risque de mortalité accru. Plus précisément, une augmentation de 1 an dans le MileAge delta correspondait à une augmentation de 4 % du risque de mortalité toutes causes confondues, les rapports de risque (HR) dépassant 1,5 dans les cas extrêmes.

En outre, l’étude a montré que les individus présentant un vieillissement accéléré étaient plus susceptibles de signaler une santé auto-évaluée moins bonne et de souffrir de maladies chroniques. Les associations avec la fragilité et l’attrition des télomères étaient particulièrement prononcées, certaines différences étant équivalentes à un écart de 18 ans dans les scores de l’indice de fragilité. Fait intéressant, les femmes présentaient des MileAge deltas légèrement plus élevés que les hommes dans la plupart des modèles.

L’étude a également confirmé la nature non linéaire des relations entre les métabolites et l’âge, tout en soulignant l’utilité des corrections statistiques pour améliorer la précision des prévisions. De plus, la comparaison avec les marqueurs de vieillissement existants a montré que les horloges de vieillissement métabolomique capturaient des signaux pertinents pour la santé et surperformaient souvent les prédicteurs plus simples. Cependant, les résultats ont mis en lumière que le vieillissement ralenti (MileAge deltas négatifs) ne se traduisait pas systématiquement par de meilleurs résultats en matière de santé, soulignant la complexité des métriques de vieillissement biologique.

Conclusions

Dans l’ensemble, l’étude a démontré l’utilité des horloges de vieillissement métabolomique dans la prédiction du vieillissement biologique et des résultats de santé associés. En benchmarkant plusieurs algorithmes d’apprentissage automatique, les résultats ont également montré la performance supérieure du modèle basé sur la règle Cubist pour établir le lien entre les âges dérivés des métabolites et les marqueurs de santé et de mortalité.

Les résultats suggèrent que les horloges de vieillissement métabolomique ont le potentiel d’apporter un soutien à la gestion proactive de la santé et à la stratification des risques, tout en soulignant la nécessité de validations supplémentaires à travers diverses populations et des données longitudinales pour une application clinique plus large. Cette étude établit une nouvelle référence pour le développement d’algorithmes, illustrant comment les profils métaboliques peuvent fournir des informations exploitables sur le vieillissement et la santé.

Points à retenir

• Les horloges de vieillissement métabolomique peuvent prédire le vieillissement biologique avec une précision accrue.
• Les résultats soulignent les associations entre un vieillissement accéléré et des risques accrus pour la santé.
• Le modèle de régression basé sur la règle Cubist a montré la meilleure performance parmi ceux testés.
• De futures recherches devraient élargir la validation des horloges de vieillissement métabolomique dans des contextes cliniques diversifiés.

Cette étude ouvre de nouvelles perspectives sur la compréhension du processus de vieillissement. Alors que les horloges métabolomiques semblent prometteuses pour leur capacité à prédire la santé et la longévité, cela soulève également des questions sur comment ces découvertes pourraient influencer les pratiques cliniques et la façon dont nous abordons le vieillissement dans nos sociétés.