Что ИИ видит в данных о старении
С возрастом меняются состав крови, активность генов, состояние тканей и другие показатели. Машинное обучение может искать сочетания таких признаков в больших наборах данных и сравнивать их с возрастом или состоянием здоровья участников. Некоторые модели называют «часами старения»: они рассчитывают показатель по набору биомаркеров — измеряемых признаков биологических процессов [2].
Биологический возраст — не отдельная величина, которую можно точно прочитать в организме, как дату рождения в паспорте. Разные часы используют разные данные и могут давать разные результаты. Оценка отражает особенности конкретной модели и выборки; она не сообщает человеку, сколько лет он проживёт, и сама по себе не является диагнозом [2].
Пример: белки крови и возраст органов
В исследовании, опубликованном в Nature в 2023 году, учёные использовали машинное обучение и данные о белках плазмы крови для оценки возрастных признаков 11 органов и систем. Модели проверяли на данных нескольких групп, всего включавших 5 676 взрослых. У некоторых участников оценка для одного органа отличалась от оценки для других [3].
Отдельные белковые признаки были связаны с заболеваниями и риском смерти на уровне исследованных групп. Это важная подсказка для дальнейшей работы, но не доказательство того, что именно эти белки вызвали болезнь. Исследование также не показало, что изменение рассчитанного возраста органа продлит жизнь конкретному человеку [3].
От молекулы к гипотезе, а не к готовому лечению
ИИ полезен и на более раннем этапе исследований. Например, система AlphaFold предсказывает пространственную структуру белка по его последовательности. Понимание формы белка может помочь разобраться в его работе и выдвинуть новые гипотезы для биомедицинских исследований, в том числе исследований процессов старения [4].
Однако предсказанная структура остаётся моделью: точность зависит от конкретного случая, а важные детали нужно проверять экспериментально. Даже если идея подтверждается в клетках или у животных, это ещё не означает, что она безопасна и эффективна у людей. Между лабораторной находкой и клиническим результатом — отдельные этапы исследований [4].
Что может показать исследование на людях
Показательный пример — CALERIE, рандомизированное исследование с участием 220 взрослых без ожирения. Одной группе предложили ограничение калорийности, другая питалась без такого ограничения. В последующем анализе образцов крови 197 участников исследователи оценили изменения нескольких показателей, основанных на метилировании ДНК, — химических метках, связанных с регуляцией работы генов [5].
За два года один показатель, DunedinPACE, изменился в направлении, которое авторы интерпретировали как более медленный измеряемый темп старения; два других показателя, PhenoAge и GrimAge, значимо не изменились. Это результат исследования биомаркеров, а не доказательство продления жизни: влияние на продолжительность жизни в этом анализе не было установлено. Пример показывает, почему один удачный показатель нельзя автоматически считать итоговым клиническим результатом [5].
Почему важны качество данных и независимая проверка
Модель учится на тех данных, которые ей дали. Если в выборке недостаточно представлены определённые возрастные группы или люди разного происхождения, результат может хуже работать для них. Поэтому важно проверять модель на независимых данных и в разных группах, а также оценивать, насколько точно и воспроизводимо измеряется сам биомаркер. Например, повторный анализ одного образца должен давать сопоставимый результат. Проверка в других лабораториях помогает понять, отражает ли найденное различие биологические процессы или особенности метода измерения. Значение имеет и то, сохраняется ли связь с исходом при учёте возраста участников [2].
Важно и то, для какой задачи создана модель: поиск закономерностей в исследовании отличается от применения результата в клиническом решении. Управление по контролю за продуктами и лекарствами США и Европейское агентство по лекарственным средствам в совместных принципах использования ИИ при разработке лекарств подчёркивают контекст применения, качество управления данными и оценку работы модели с учётом риска [6].
Какие доказательства нужны для обещания долголетия
Чтобы говорить о пользе вмешательства для людей, недостаточно показать, что после него изменился анализ крови или результат алгоритма. Нужны исследования с подходящей группой сравнения, оценкой безопасности и значимых для человека исходов: например, заболеваний, способности выполнять повседневные задачи и выживаемости. Для некоторых ответов требуется длительное наблюдение [2] [5].
Рандомизация помогает сравнивать группы и уменьшать влияние различий между участниками, но значение имеют также размер исследования, его продолжительность и повторяемость результатов. Биомаркер может помочь исследователям отслеживать изменения раньше, чем наступят такие исходы, однако прежде нужно доказать, что он надёжно отражает именно тот клинический результат, который хотят оценить [2].
Главное
ИИ уже расширяет возможности науки о старении: помогает замечать сигналы в данных, строить модели и выбирать гипотезы для проверки. Но его прогноз — начало исследования, а не гарантия долголетия. Самые убедительные результаты соединяют качественные данные, независимую проверку и клинические исследования, в которых измеряют то, что действительно важно для жизни людей.
Источники
- World Health Organization — Healthy ageing and functional ability
- Moqri et al., Nature Medicine — Validation of biomarkers of aging
- Oh et al., Nature — Organ aging signatures in the plasma proteome track health and disease
- Jumper et al., Nature — Highly accurate protein structure prediction with AlphaFold
- Waziry et al., Nature Aging — Effect of long-term caloric restriction on DNA methylation measures of biological aging in healthy adults from the CALERIE trial
- U.S. Food and Drug Administration and European Medicines Agency — Guiding Principles of Good AI Practice in Drug Development