L’IA peut-elle prédire l’âge métabolomique d’une personne et adapter les plans de santé en conséquence ?

L’âge estimé à partir de molécules présentes dans le sang peut différer de l’âge chronologique. Des chercheurs du King’s College London ont comparé plusieurs algorithmes qui calculent cet « âge métabolomique » à partir d’une grande cohorte. Leurs résultats montrent des associations avec des indicateurs de santé et de survie. Ils ne constituent pas encore un test clinique permettant à lui seul de fixer un traitement ou une couverture d’assurance.

Âge chronologique et âge métabolomique

L’âge chronologique correspond au temps écoulé depuis la naissance. Le vieillissement biologique désigne un ensemble plus large de changements dans l’organisme. Une estimation tirée de métabolites sanguins n’en représente qu’un aspect, et non une mesure complète de l’« âge biologique » d’une personne. L’étude n’a pas démontré qu’une intervention qui modifierait ce chiffre réduirait nécessairement le risque de maladie.

Que sont les métabolites ?

Les métabolites sont de petites molécules impliquées dans les processus biochimiques ou produites par ceux-ci. Leur concentration sanguine peut renseigner sur plusieurs voies métaboliques. Dans cette étude, les chercheurs ont utilisé la spectroscopie par résonance magnétique nucléaire pour mesurer 168 caractéristiques métaboliques du plasma.

Comment l’étude MileAge a-t-elle été menée ?

L’équipe a entraîné et validé en interne 17 algorithmes d’apprentissage automatique sur les données de jusqu’à 225 212 participants de la UK Biobank. Ceux-ci avaient entre 40 et 69 ans lors de leur recrutement. Les modèles estimaient l’âge à partir du sang, puis les chercheurs comparaient cette estimation à l’âge chronologique connu.

Le MileAge delta est la différence entre l’âge prédit par le modèle et l’âge chronologique. Une valeur positive indique que le profil métabolique ressemble, selon ce modèle précis, à celui d’une personne plus âgée. C’est un indicateur statistique de recherche, pas un diagnostic individuel.

Résultats et limites

Parmi les méthodes étudiées, la différence MileAge issue d’un modèle de régression à règles Cubist présentait les associations les plus fortes avec des marqueurs de santé et de vieillissement. Les chercheurs ont notamment examiné les liens avec la fragilité, la longueur des télomères et la mortalité. Ces associations ne prouvent ni une relation de cause à effet ni la capacité de prévoir avec certitude la durée de vie d’une personne.

Les données proviennent de la UK Biobank et la validation décrite dans l’article est interne. Il faut encore tester l’approche indépendamment, dans d’autres populations, tranches d’âge et contextes cliniques. Des techniques de mesure ou modèles différents peuvent produire d’autres estimations.

Usages possibles en recherche

Une mesure validée pourrait aider à étudier le vieillissement, à comparer des populations ou à explorer des facteurs de risque. Après des essais supplémentaires, elle pourrait éventuellement compléter d’autres informations dans la prévention. L’étude ne montre pas qu’une montre connectée peut mesurer MileAge d’un simple clic. Elle ne justifie pas non plus de décisions médicales ou d’assurance fondées dès maintenant sur ce seul score.

Chercheurs et financement

L’étude a été menée par Julian Mutz, Raquel Iniesta et Cathryn M. Lewis, de l’Institute of Psychiatry, Psychology & Neuroscience du King’s College London. Elle utilise les données de la UK Biobank. Le soutien à la recherche comprend le NIHR et le Maudsley Biomedical Research Centre.

Entreprises du secteur des sciences de la vie

De nouvelles méthodes d’analyse des données biologiques peuvent intéresser le secteur. Cela ne signifie pas que cette étude valide les produits d’une entreprise donnée ou constitue une prévision boursière.

10x Genomics Inc.

10x Genomics (TXG ) développe des outils d’analyse des cellules et des échantillons biologiques. Cette entreprise n’a pas créé le modèle MileAge présenté ici, et aucun lien commercial avec cette étude n’est établi.

Prochaines étapes

Cette recherche montre que des algorithmes différents tirent une utilité différente des mêmes données métaboliques. La valeur pratique de MileAge dépendra d’une validation indépendante, de la reproductibilité des mesures et de la preuve qu’il apporte une information supplémentaire aux indicateurs cliniques existants. En savoir plus sur les technologies de santé.

Étude citée

Mutz, J., Iniesta, R. et 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.