Простой анализ крови может показать, насколько правильно стареет человек

Команда ученых под руководством Вольфрама Векверта из Венского университета и Нанькайского университета применила современные методы метаболомики в сочетании с технологиями машинного обучения и новым инструментом сетевого моделирования, чтобы раскрыть механизмы, лежащие в основе активного старения. В работе, опубликованной в журнале Nature npj Systems Biology and Applications, аспартат назван главным биомаркером физической формы, а также описаны динамические взаимодействия, способствующие более здоровому старению.

Известно, что регулярные физические нагрузки помогают сохранять подвижность и снижают риск развития хронических заболеваний. Но до недавнего времени молекулярные механизмы, объясняющие, каким образом физическая активность способствует здоровому старению, оставались не до конца понятными. В этом исследовании ученые стремились выяснить: можно ли зафиксировать пользу активного образа жизни у пожилых людей напрямую в крови и определить, какие именно молекулы играют при этом ключевую роль.

Исследователи впервые разработали единый показатель – "индекс активности тела" (BAI), используя канонический корреляционный анализ данных, полученных при тестах на дистанцию ходьбы, вставание со стула, силу рукопожатия и устойчивость. Этот интегрированный индекс физической работоспособности объединяет в себе выносливость, силу и координацию, представляя их в одном надежном измерении. Параллельно был рассчитан "индекс метаболизма", основанный на концентрациях 35 низкомолекулярных метаболитов в крови. При анализе 263 образцов, взятых у пожилых участников, оба индекса показали очень высокую корреляцию, что говорит о том, что молекулярный профиль крови отражает общий уровень физической подготовленности.

Чтобы уловить сложные нелинейные зависимости, исследователи применили пять моделей машинного обучения – от базовых статистических методов до более современных алгоритмов, включая усиленные деревья решений и глубокую нейросеть-автокодировщик. Все модели проходили настройку с использованием повторной двойной перекрестной проверки и затем проверялись на независимых данных, что обеспечивало надежность результатов. Оба метода градиентного бустинга продемонстрировали высокую точность, правильно различая "активных" и "менее активных" участников более чем в 91% случаев. При этом во всех пяти алгоритмах устойчиво выделялась одна и та же группа из восьми метаболитов, предсказывающих уровень активности: аспартат, пролин, фруктоза, яблочная кислота, пируват, валин, цитрат и орнитин. Среди них особенно выделялся аспартат, который вносил вклад в модели в два-три раза выше остальных, подтверждая свою ключевую роль в качестве молекулярного маркера активного старения.

Простая корреляция не объясняет, почему определенные молекулы связаны с физической подготовкой. Чтобы понять лежащие в основе механизмы, исследователи использовали инструмент COVRECON, предназначенный для моделирования на основе данных. Проще говоря, COVRECON анализирует, как метаболиты изменяются взаимосвязанно, и строит сеть биохимических взаимодействий между ними. Математически это включало оценку дифференциальной якобианской матрицы – способа выявления тех ферментативных связей, которые изменяются сильнее всего между группами с высоким и низким уровнем активности.

Анализ показал, что два известных фермента – аспартатаминотрансфераза (АСТ) и аланинаминотрансфераза (АЛТ) – выступают ключевыми узлами в этой сети. Хотя оба фермента обычно используются как маркеры функции печени в клинической практике, в данном исследовании они оказались индикаторами того, как физическая активность влияет на метаболизм. Подтверждением этих выводов стали результаты обычных анализов крови: в течение шестимесячного периода АСТ и АЛТ демонстрировали более выраженные колебания у активных участников по сравнению с менее активными, что указывает на повышенную метаболическую гибкость печени и мышц.