Kan een eenvoudige bloedtest onthullen hoe goed we verouderen? Een team van onderzoekers van de Universiteit van Wenen en de Nankai Universiteit gelooft dat het antwoord op die vraag een volmondig 'ja' is. Door geavanceerde metabolomica, machine learning en een nieuw netwerkmodelleringsinstrument te combineren, hebben ze belangrijke moleculaire processen geïdentificeerd die fysieke activiteit koppelen aan gezonder ouder worden. Hun werk benadrukt aspartaat als een dominante biomarker voor fysieke fitheid en wijst op nieuwe mogelijkheden voor het monitoren en ondersteunen van actief ouder worden.
Het is algemeen bekend dat fysieke activiteit de mobiliteit beschermt en het risico op chronische ziekten vermindert. Toch zijn de moleculaire mechanismen achter deze voordelen grotendeels onduidelijk gebleven. Om deze leemte op te vullen, stelde het team een eenvoudige vraag: kunnen we de effecten van een actieve levensstijl direct in het bloed van oudere volwassenen zien en de moleculen identificeren die het belangrijkst zijn?
BAI en machine learning-modellen
De onderzoekers creëerden eerst een lichaamsactiviteits index (BAI) door gegevens over loopafstand, opstaan uit een stoel, grijpkracht en evenwichtstests te combineren. Deze samengestelde score geeft een robuust beeld van uithoudingsvermogen, kracht en coördinatie. Tegelijkertijd ontwikkelden ze een metabolomica-index op basis van de bloedconcentraties van 35 kleine moleculen. Analyse van 263 monsters van oudere volwassenen toonde een opvallende correlatie tussen de twee indices (Pearson-coëfficiënt 0,85, p < 1 × 10⁻¹⁹). Met andere woorden: de bloedchemie weerspiegelt nauwkeurig de fysieke prestaties.
Om verder te gaan, paste het team vijf verschillende machine learning-modellen toe, variërend van klassieke statistische methoden tot geavanceerde deep learning-netwerken. De best presterende modellen bereikten een nauwkeurigheid van meer dan 91% bij het onderscheiden van actieve en minder actieve deelnemers. Bij alle benaderingen kwamen acht metabolieten consequent naar voren als voorspellers van activiteit: aspartaat, proline, fructose, appelzuur, pyruvaat, valine, citraat en ornithine. Hiervan sprong aspartaat eruit als de sterkste marker. De voorspellende waarde ervan was twee tot drie keer hoger dan die van de andere. De studie werd gepubliceerd in npj Systems Biology and Applications.
Het metabolische netwerk in kaart brengen met AI
Correlatie alleen verklaart niet hoe deze moleculen op elkaar inwerken. Om diepere inzichten te verkrijgen, gebruikte het team COVRECON, een modelleringsinstrument dat biochemische netwerken reconstrueert door te analyseren hoe metabolieten samen fluctueren. Hieruit bleek dat twee enzymen – aspartaataminotransferase (AST) en alanineaminotransferase (ALT) – centrale knooppunten zijn. Beide zijn algemeen bekend uit standaard levertests, maar hier kwamen ze naar voren als belangrijke indicatoren voor hoe fysieke activiteit het metabolisme verandert.
De voorspelling werd in de praktijk bevestigd: gedurende zes maanden fluctueerden AST en ALT sterker bij actieve deelnemers, wat wijst op een grotere metabolische flexibiliteit in lever en spieren.
Verbanden met de gezondheid van de hersenen
De implicaties reiken verder dan spieren en mobiliteit. Aspartaat is ook een voorloper van neurotransmitters in de hersenen en activeert NMDA-receptoren die cruciaal zijn voor leren en geheugen. Lage AST- en ALT-waarden op middelbare leeftijd, of een verhoogde AST/ALT-verhouding, zijn eerder in verband gebracht met een hoger risico op de ziekte van Alzheimer en cognitieve achteruitgang.
Deze studie suggereert daarom een mogelijke moleculaire brug tussen fysieke activiteit en de veerkracht van de hersenen. Regelmatige lichaamsbeweging kan niet alleen de kracht behouden, maar ook de hersenen beschermen, waarbij veranderingen in het aspartaatmetabolisme dienen als meetbare signalen van voordeel.
Op weg naar precisiegeneeskunde
Voor de gezondheidszorg en het onderzoek biedt de studie een krachtige boodschap: fysieke activiteit herstructureert het metabolisme op moleculair niveau, en deze veranderingen kunnen worden gevolgd door middel van eenvoudige bloedtesten in combinatie met AI-gestuurde analyse. Volgens hoofdonderzoeker Wolfram Weckwerth “doet fysieke activiteit meer dan alleen spiermassa opbouwen, het hervormt ons metabolisme. Door die veranderingen te ontcijferen, kunnen we volgen en zelfs sturen hoe goed iemand ouder wordt.”
Deze integratieve aanpak zou de basis kunnen vormen voor diagnostische hulpmiddelen van de volgende generatie, waarmee clinici de impact van levensstijlinterventies in realtime kunnen meten en aanbevelingen op maat kunnen doen voor ouderen. In de toekomst zouden routinematige bloedanalyses, aangevuld met AI, onderdeel kunnen worden van gepersonaliseerde strategieën voor gezond ouder worden en dementiepreventie.
AI-aangedreven digitale tweeling
Twee weken geleden schreven we over de ontwikkeling van een AI-aangedreven digitale tweeling die toekomstige ziekterisico's met ongekende precisie voorspelt. Aan de hand van gegevens van meer dan 30.000 vrijwilligers en meer dan 260 miljard gegevenspunten die zijn verzameld via het Human Phenotype Project, analyseert het model 17 lichaamssystemen om aandoeningen jaren voordat ze zich manifesteren te voorspellen.
Deze aanpak stelt patiënten en artsen in staat om levensstijl- en behandelingsscenario's te simuleren. Zo kan bijvoorbeeld worden getest of veranderingen in het voedingspatroon het risico op diabetes kunnen halveren. Een doorbraak is de mogelijkheid om de biologische leeftijd van individuele organen te berekenen. Afwijkingen van de verwachte verouderingspatronen kunnen vroege tekenen van ziekte, zoals prediabetes, signaleren, lang voordat conventionele tests dat kunnen. De gegevens brachten ook cruciale geslachtsverschillen aan het licht, waaronder versnelde biologische veroudering bij vrouwen rond de menopauze.
