Az életkorunkat hagyományosan a születési dátumunk alapján határozzuk meg, azonban a tudomány egyre inkább rámutat arra, hogy a kronológiai életkor nem feltétlenül tükrözi pontosan testünk valódi állapotát. Az Edith Cowan Egyetem (ECU) kutatói egy úttörő, mesterséges intelligencián alapuló módszert dolgoztak ki, amely képes pontosabban meghatározni a biológiai kort – vagyis azt az életkort, amely jobban tükrözi szervezetünk öregedési folyamatát és egészségi állapotát.
Az új biológiai óra: gtAge
A kutatócsoport az ECU mellett a Sydney-i Royal Prince Alfred Kórház és a kínai Shantou Egyetem Orvostudományi Kara szakembereivel együttműködve dolgozott ki egy innovatív megközelítést. A módszer két fő biológiai adatforrást használ:
- IgG N-glycome: Ez az antitestekhez kapcsolódó cukorszerkezeteket jelenti, amelyek változásai összefüggésbe hozhatók az öregedéssel.
- Transcriptome: A vérsejtek génaktivitásának pillanatképe, amely szintén változik az életkor előrehaladtával.
Ezeket az adatokat egy mesterséges intelligencia technikával, a Mély megerősítéses tanulással (Deep Reinforcement Learning) kombinálták, így létrehozva a gtAge nevű új öregedési órát.
A gtAge pontossága és jelentősége
A gtAge módszerrel a kutatók 85%-os pontossággal tudták megjósolni egy személy életkorát – ez jelentősen jobb eredmény, mint ha csak az IgG N-glycome vagy csak a transcriptome adatait használnánk külön-külön. A módszerrel kiszámított életkor és a tényleges kronológiai életkor közötti különbséget „delta életkornak” nevezték el. Ez a delta életkor összefüggést mutatott olyan egészségügyi mutatókkal, mint például a koleszterin- és vércukorszint, amelyek szorosan kapcsolódnak az öregedési folyamatokhoz.
Az életkor több mint egy szám
Dr. Xingang Li, az ECU Egészségügyi és Orvostudományi Karának posztdoktori kutatója hangsúlyozta, hogy bár a kronológiai életkor – vagyis a születéstől eltelt idő – a leggyakoribb mérőszám, nem tükrözi teljes mértékben az egyéni öregedési folyamatok eltéréseit.
„Valójában vannak olyan emberek, akik egészségesek maradnak 80-90 éves korukig, míg mások már jóval korábban tapasztalhatnak öregedéssel összefüggő egészségromlást” – magyarázta Dr. Li. „Ez a különbség a biológiai kor eltéréseiből fakad, amely magában foglalja a genetikai tényezőket, életmódot, táplálkozást, betegségeket és általános egészségi állapotot.”
A gtAge módszer 85,3%-ban magyarázza meg a kronológiai életkor varianciáját. „Az IgG N-glycome és transcriptome adatok összevonásával jelentősen növeltük a biológiai kor becslésének pontosságát” – tette hozzá Dr. Li. „Ez összekapcsolható valós egészségügyi kockázatokkal és segíthet az időskori betegségek korai felismerésében.”
Mesterséges intelligencia és adatfeldolgozás: AlphaSnake algoritmus
A tanulmány egyik kulcsfontosságú eleme volt az interdiszciplináris együttműködés. Dr. Syed Islam, az ECU Számítástechnikai Tanszékének vezető oktatója vezette az AI-fejlesztést.
„Az integrált multiomikai adatok felhasználásával történő pontosabb életkorbecslés érdekében kifejlesztettünk egy egyedi AI eszközt AlphaSnake néven, amely mély megerősítéses tanulást alkalmaz” – magyarázta Dr. Islam. „Ez az algoritmus képes kiválasztani a két különböző biológiai forrásból származó leginformatívabb adatpontokat, elkerülve azt, hogy egyszerűen csak összeolvadjanak az adatok anélkül, hogy értékes információkat veszítsünk.”
A jövő útja: gyakorlati alkalmazások és további kutatások
A gtAge módszert 302 középkorú felnőtt bevonásával tesztelték az ausztrál Busselton Healthy Ageing Study keretében. Az ausztrál társadalom elöregedése miatt a kutatócsoport úgy véli, hogy ez az új eszköz értékes orvosi segédeszköz lehet.
Dr. Syed Islam
„Ha előre tudjuk, hogy valaki milyen állapotban van biológiailag, akkor életmódját is ennek megfelelően alakíthatja annak érdekében, hogy megőrizze egészségét és megelőzze testében bekövetkező károsodásokat” – tette hozzá.
A tanulmány részletei és szerzői
A kutatás eredményeit bemutató tanulmány címe: „Deep Reinforcement Learning–Driven Multi-Omics Integration for Constructing gtAge: A Novel Aging Clock from IgG N-glycome and Blood Transcriptome”, amelyet az Engineering című folyóiratban publikáltak 2025 augusztusában.
A tanulmány társszerzői között szerepelnek Dr. Yao Xia, Dr. Syed Islam, Dr. Xingang Li, Dr. Abdul Baten, Dr. Xuerui Tan és Professor Wei Wang.
Záró gondolatok
Az Edith Cowan Egyetem által vezetett kutatás áttörést jelenthet abban, hogyan mérjük és értelmezzük az emberi öregedést. A kronológiai kor helyett egy sokkal komplexebb és személyre szabottabb biológiai kor meghatározása lehetővé teszi majd az orvosok számára az időskori betegségek korábbi felismerését és hatékonyabb kezelését.
Ezáltal nem csupán hosszabbá válhat életünk hossza, hanem javulhat annak minősége is – mindezt pedig egy innovatív mesterséges intelligencia-alapú megközelítés teszi lehetővé.