Новый алгоритм машинного обучения идентифицировал 478 соединений, способных обратить вспять старение мозга и защитить от нейродегенеративных заболеваний. Этот прорыв, возглавленный исследователями из Люксембургского центра системной биомедицины и CIC bioGUNE, может ускорить разработку лекарств для борьбы с когнитивным снижением, поскольку мировое население стремительно стареет.
Стареющий мозг и транскриптом
Основная проблема ясна: старение – главный фактор риска нейродегенеративных заболеваний, таких как болезнь Альцгеймера. Поскольку к 2050 году ожидается, что более двух миллиардов человек будут старше 60 лет, поиск способов защиты здоровья мозга в пожилом возрасте больше не является просто научной задачей – это императив общественного здравоохранения. Данное исследование фокусируется не на генах как таковых, а на транскриптоме – молекулах РНК, которые показывают, какие гены активны. Этот подход более динамичен, чем просто изучение ДНК, поскольку активность генов меняется с возрастом и при заболеваниях.
Как работает алгоритм
Исследователи проанализировали образцы мозга 778 здоровых людей в возрасте от 20 до 97 лет. Модель машинного обучения научилась предсказывать биологический возраст с поразительной точностью (в пределах пяти лет) на основе активности всего 365 ключевых генов. Удивительно, но большинство этих генов не участвуют напрямую в функции мозга; они регулируют восстановление ДНК и общие процессы старения. Это говорит о том, что замедление старения системно может защитить мозг.
При применении к образцам от пациентов с болезнью Альцгеймера или травмами головы алгоритм последовательно показывал, что их мозг биологически старше, чем ожидалось – иногда на целых 15 лет у людей в возрасте 60–70 лет. Это подтверждает, что нейродегенерация связана с ускоренным старением на молекулярном уровне.
Выявление омолаживающих соединений
Затем алгоритм просканировал данные тысяч нейронов, ища модели экспрессии генов, которые уменьшают прогнозируемый возраст. Результат: список из 478 лекарств с потенциальным омолаживающим эффектом. Хотя многие из этих соединений еще не тестировались для продления жизни, прогнозы алгоритма являются отправной точкой для целенаправленных исследований.
Предварительная валидация на мышах
Чтобы проверить точность модели, исследователи в течение четырех недель давали трем из предсказанных соединений старым мышам. У мышей наблюдалось значительное улучшение памяти и снижение тревожности, а также генетические изменения, которые делали их мозговые клетки моложе. Это говорит о том, что алгоритм выявляет не только корреляции, но и причинно-следственные связи между соединениями и омоложением мозга.
Будущее разработки противовозрастных лекарств
В настоящее время в области борьбы со старением отсутствуют систематические методы разработки лекарств. Эта платформа машинного обучения предлагает структурированный способ выявления перспективных кандидатов. Однако идентифицированные соединения требуют дальнейшей валидации в нескольких биологических системах, прежде чем их можно будет считать эффективными методами лечения.
Сотни соединений, предсказанных этой платформой, представляют собой обширную возможность для будущих исследований и терапевтической разработки.
Цель ясна: разработать лекарства, которые не только замедляют старение, но и активно обращают его вспять, защищая функции мозга для растущего населения. Систематический подход, предоставляемый этим новым методом машинного обучения, является важным шагом к этому будущему.
