Sangue inteligente: Como a IA lê os sinais de envelhecimento do corpo

O conceito de envelhecimento ativo sugere que a manutenção de um estilo de vida ativo é crucial para o bem-estar de indivíduos mais velhos. Esse engloba mais do que apenas a longevidade; inclui também a atividade física regular, melhor gestão de doenças crônicas e melhoria da qualidade de vida.

Convencionalmente, diversos estudos têm examinado vários aspectos físicos do envelhecimento ativo, como o sono, tempo sedentário, atividades de fortalecimento muscular e comportamentos de movimento. No entanto, Li e colaboradores (2025) concentraram-se em um aspecto específico da atividade corporal, o desempenho físico e a sua associação com o perfil metabolômico. A metabolômica é definida como a análise abrangente de metabolitos de pequenas moléculas (<10 kDa) presentes em uma amostra biológica, incluindo intermediários metabólicos, hormônios, moléculas de sinalização e metabolitos secundários.

Os metabolitos desempenham um papel central por funcionarem como o ponto culminante de todos os processos biológicos no corpo, sendo cruciais na geração de energia, na transmissão de sinais e no transporte de informações essenciais sobre o estado e as funções em curso do organismo. Por conseguinte, têm o potencial de servir como biomarcadores de envelhecimento ou como componentes integrantes da assinatura metabólica que reflete o estado ativo do organismo ao longo do processo de envelhecimento. O desenvolvimento da metabolômica permite que questões de saúde sejam examinadas a nível molecular.

Notavelmente, a metabolômica demonstrou sua eficácia como uma ferramenta diagnóstica, prognóstica e de intervenção medicamentosa, contribuindo para estudos de biomarcadores e avaliações de impactos de medicamentos. Além do diagnóstico de doenças específicas, também pode esclarecer a compreensão das atividades corporais (envelhecimento ativo).

Por isso, Li e colaboradores (2025) combinaram metabolômica avançada com ferramentas de aprendizado de máquina e de modelagem de rede para descobrir os principais processos moleculares subjacentes ao envelhecimento ativo.

Para o estudo, os autores colherem 263 amostras de plasmas de idosos em cinco lares de idosos diferentes em Viena, com o objetivo de avaliar o impacto do treinamento de resistência, isoladamente ou com suplementação e o cognitivo (controle).

Primeiramente, os pesquisadores sintetizaram um único "Índice de Atividade Corporal" (IAC) aplicando análise de correlação canônica aos resultados de distância de caminhada, testes de levantar da cadeira, força de preensão manual e avaliações de equilíbrio. Esta métrica composta de desempenho físico capturou resistência, força e coordenação em uma medida robusta.

Independentemente, um "Índice de Metabolômica" foi derivado de concentrações sanguíneas de 35 metabólitos de pequenas moléculas. Em 263 amostras de adultos mais velhos, esses dois índices mostraram um coeficiente de correlação de Pearson de 0,85 (p < 1 × 10⁻¹⁹), demonstrando que a assinatura molecular no sangue espelha a medida composta de aptidão física.

Para capturar padrões complexos e não lineares, os pesquisadores treinaram cinco modelos diferentes de aprendizado de máquina, variando de abordagens estatísticas simples (Modelo Linear Generalizado, GLM) a métodos mais avançados, como árvores de decisão impulsionadas (Gradient Boosting Machine, GBM; XGBoost) e uma rede de aprendizado profundo. Cada modelo foi ajustado com validação cruzada dupla e testado em dados independentes para garantir um desempenho robusto.

Ambos os métodos de boosting (GBM e XGBoost) alcançaram alta precisão, distinguindo participantes "ativos" de "menos ativos" em mais de 91% dos casos (área sob a curva, AUC > 0,91). Em todos os cinco algoritmos, oito metabólitos emergiram consistentemente como preditores do nível de atividade: aspartato, prolina, frutose, ácido málico, piruvato, valina, citrato e ornitina. Entre eles, o primeiro se destacou por um fator de dois a três, confirmando seu papel central como marcador molecular do envelhecimento ativo.

A correlação por si só não pode explicar por que certas moléculas estão ligadas à aptidão física. Para descobrir os mecanismos subjacentes, a equipe aplicou o COVRECON, uma ferramenta de modelagem orientada por dados. Em termos simples, essa tecnologia analisa como os metabólitos variam juntos e, em seguida, reconstrói a rede de interações bioquímicas entre eles.

Esta análise revelou duas enzimas bem conhecidas, a aspartato aminotransferase (AST) e a alanina aminotransferase (ALT), como centros centrais na rede. Ambas são marcadores padrão em painéis clínicos de fígado, mas que também emergiram como indicadores de como a atividade remodela o metabolismo. Importante, as previsões foram confirmadas por exames de sangue de rotina: durante o período de estudo de seis meses, AST e ALT flutuaram mais fortemente em participantes ativos do que em seus pares menos ativos, sugerindo maior flexibilidade metabólica na função hepática e muscular.

O aspartato é mais do que um simples intermediário metabólico: no cérebro, ele também serve como precursor de neurotransmissores, ativando os receptores NMDA que são essenciais para o aprendizado e a memória. Este papel duplo fornece uma possível ligação entre aptidão física e saúde cognitiva. Estudos independentes mostraram que baixos níveis de AST e ALT na meia-idade—ou uma relação AST/ALT elevada—estão associados a um risco aumentado de doença de Alzheimer e declínio cognitivo relacionado à idade.

Ao demonstrar que a atividade física impulsiona mudanças dinâmicas no metabolismo do aspartato e na plasticidade dessas duas enzimas, Li e colaboradores (2025) apontaram para uma ponte molecular entre a saúde muscular-hepática e a resiliência cerebral. Essas descobertas sugeriram uma mensagem simples: a atividade física ajuda a preservar a força e a mobilidade e também pode contribuir para proteger o cérebro da demência por meio de mudanças mensuráveis ​​nas vias de sinalização baseadas em aminoácidos.