Voiko tekoäly ennustaa henkilön metabolomisen iän ja räätälöidä terveyssuunnitelmat sen mukaisesti?

Veren molekyyleistä arvioitu ikä voi poiketa kalenteri-iästä. King’s College Londonin tutkijat vertasivat algoritmeja, joilla lasketaan tällaista ”metabolomista ikää” suuressa tutkimusaineistossa. Tulokset osoittivat yhteyksiä terveyden ja elinajan mittareihin. Menetelmä ei kuitenkaan ole valmis kliininen testi, jonka perusteella voitaisiin yksin päättää hoidosta tai vakuutusturvasta.

Kalenteri-ikä ja metabolominen ikä

Kalenteri-ikä on syntymästä kulunut aika. Biologinen ikääntyminen tarkoittaa laajemmin elimistön toiminnan muutoksia. Veren metaboliitteihin perustuva arvio heijastaa niistä vain osaa eikä mittaa ihmisen koko ”biologista ikää”. Tutkimus ei osoita, että luvun muuttaminen jollakin toimenpiteellä välttämättä vähentäisi sairastumisriskiä.

Mitä metaboliitit ovat?

Metaboliitit ovat pieniä molekyylejä, joita syntyy elimistön biokemiallisissa prosesseissa tai jotka osallistuvat niihin. Niiden pitoisuudet veressä voivat kertoa aineenvaihduntareiteistä. Tutkimuksessa mitattiin 168 plasman metabolista ominaisuutta ydinmagneettiseen resonanssiin perustuvalla spektroskopialla.

Miten MileAge-tutkimus tehtiin?

Tutkijat kouluttivat ja validoivat sisäisesti 17 koneoppimisalgoritmia käyttäen tietoja enintään 225 212 UK Biobank -osallistujasta. Osallistujat olivat rekrytoitaessa 40–69-vuotiaita. Mallit arvioivat iän verinäytteestä, ja arviota verrattiin tiedossa olevaan kalenteri-ikään.

MileAge delta tarkoittaa mallin arvioiman iän ja kalenteri-iän erotusta. Positiivinen arvo merkitsee, että henkilön metabolinen profiili muistuttaa kyseisen mallin mukaan vanhemman henkilön profiilia. Se on tilastollinen tutkimusmittari, ei yksilöllinen diagnoosi.

Tulokset ja rajoitukset

Tutkituista menetelmistä sääntöpohjaisen Cubist-regressiomallin MileAge-erotuksella oli vahvimmat yhteydet tarkasteltuihin terveys- ja ikääntymismittareihin. Tutkijat analysoivat yhteyksiä muun muassa haurauteen, telomeerien pituuteen ja kuolleisuuteen. Yhteys ei osoita, että metabolominen ikä aiheuttaisi näitä tuloksia tai että malli ennustaisi luotettavasti yhden ihmisen eliniän.

Aineisto oli UK Biobankista, ja raportoitu validointi tehtiin sen sisällä. Menetelmä on testattava riippumattomasti muissa väestöissä, ikäryhmissä ja kliinisissä ympäristöissä. Eri mittausmenetelmät tai mallit voivat tuottaa erilaisia arvioita.

Mahdollinen käyttö tutkimuksessa

Luotettavasti validoitu aineenvaihdunnan mittari voisi auttaa tutkijoita tutkimaan ikääntymistä, vertaamaan ryhmiä ja selvittämään riskitekijöitä. Lisätutkimusten jälkeen se saattaisi täydentää muuta tietoa ennaltaehkäisevässä terveydenhuollossa. Tutkimus ei osoita, että älykello voisi mitata MileAge-arvon napinpainalluksella tai että terveydenhuollon ja vakuutusyhtiöiden pitäisi jo tehdä päätöksiä tämän luvun perusteella.

Tutkijat ja rahoitus

Tutkimuksen tekijät ovat Julian Mutz, Raquel Iniesta ja Cathryn M. Lewis King’s College Londonin Institute of Psychiatry, Psychology & Neuroscience -yksiköstä. He käyttivät UK Biobankin tietoja. Tutkimusta tukivat muun muassa NIHR ja Maudsley Biomedical Research Centre.

Biotieteiden yritykset

Uudet biologisen datan analyysimenetelmät voivat kiinnostaa alaa. Tämä ei tarkoita, että kyseinen tutkimus vahvistaisi jonkin tietyn yrityksen tuotteiden toimivuuden tai ennustaisi sen osakekurssia.

10x Genomics Inc.

10x Genomics (TXG ) kehittää työkaluja solujen ja biologisten näytteiden analysointiin. Yhtiö ei kehittänyt tutkimuksen MileAge-mallia, eikä tutkimus osoita niiden välillä kaupallista yhteyttä.

Seuraavat vaiheet

Tutkimus osoittaa, että algoritmin valinta vaikuttaa siihen, mitä samoista aineenvaihduntatiedoista voidaan päätellä. MileAge-mittarin käytännön hyöty edellyttää riippumatonta validointia, toistettavia mittauksia ja näyttöä siitä, että se antaa lisätietoa vakiintuneiden kliinisten tietojen rinnalle. Lisää terveysteknologiasta.

Viitattu tutkimus

Mutz, J., Iniesta, R. ja Lewis, C. M. (2024). Metabolomic age (MileAge) predicts health and life span: A comparison of multiple machine learning algorithms. Science Advances, 10(51), eadp3743. doi:10.1126/sciadv.adp3743.