старение

В исследовании представлен GeroEngine — инновационный программный фреймворк на базе вариационных автоэнкодеров (VAE), предназначенный для моделирования траекторий старения тканей по данным секвенирования РНК единичных клеток (scRNA-seq). Основная проблема существующих методов заключается в деструктивном характере scRNA-seq, что исключает возможность долгосрочного наблюдения за одними и теми же клетками, а также в наличии технических артефактов (dropout). Разработанная методология позволяет проводить симуляцию траекторий «вперед» и «назад», что помогло выявить три ключевых столпа старения: коллапс идентичности линий/репликации, половой диморфный эндокринно-стрессовый кор и воспалительное ремоделирование. В ходе тестирования на микроглии и гемопоэтических стволовых клетках (HSC) модель успешно минимизировала технические артефакты, сохранив гетерогенность траекторий. Исследование показало, что программы идентичности восстанавливаются при двунаправленном моделировании, в то время как воспалительные программы (MHC/NF-κB) проявляются преимущественно в направлении старения. Авторы делают важный вывод о том, что для борьбы со старением необходимо фокусироваться на восстановлении гомеостаза (upstream), а не просто на подавлении воспаления (downstream).

Исследование посвящено оценке биологической надежности 24 различных эпигенетических часов (маркеров старения на основе метилирования ДНК) при кратковременном физиологическом воздействии — ночном голодании и последующем приеме пищи. Авторы проанализировали классические часы (Horvath, Hannum), системы системного старения (SystemsAge), часы, обученные на показателях смертности (GrimAge, OMICmAge), и часы темпа старения (DunedinPACE) на трех наборах данных, включая когорту из 2895 человек. Результаты показали, что голодание вызывает сдвиг оценок возраста на 0,5–3 года в часах, чувствительных к состоянию иммунных клеток, в то время как mortality-trained часы (GrimAge) и DunedinPACE не показали значимого острого эффекта. Ключевым выводом стало то, что корректировка состава иммунных клеток практически полностью нивелирует эффект голодания (например, для SystemsAge Blood — 99,7% затухания эффекта). Исследование демонстрирует, что чувствительность часов к физиологическим изменениям во многом зависит от их архитектуры и доли иммунной составляющей, что критически важно для понимания их трансляционного потенциала в клинических испытаниях.

Компания Calico Life Sciences активно внедряет передовые технологии искусственного интеллекта для ускорения биологических исследований. В частности, компания использует специализированную ИИ-платформу Co-Scientist, предназначенную для интеграции разрозненных научных данных и выявления скрытых закономерностей. Основная цель применения Co-Scientist заключается в соединении разрозненных результатов исследований, которые ранее не рассматривались в едином контексте, для генерации новых перспективных гипотез в области старения. Использование подобных инструментов позволяет значительно сократить время на поиск новых мишеней для терапевтического воздействия. Методология работы ИИ строится на анализе огромных массивов биологической информации, что помогает находить новые связи между молекулярными процессами. Это исследование подчеркивает растущую значимость генеративного ИИ в биомедицинских разработках и его способность трансформировать фундаментальную науку в прикладные решения.

Исследование посвящено поиску молекулярных маркеров когнитивной устойчивости — способности сохранять высокие когнитивные функции в процессе старения. Ученые провели нецелевое профилирование сыворотки крови методом LC-MS/MS у 237 участников, за которыми велось наблюдение в течение 28 лет. В ходе работы были выявлены специфические метаболические сигнатуры, связанные с когнитивным здоровьем, включая карнитины, конъюгаты глутамина и фосфохолины. Было установлено, что у лиц с высокой когнитивной устойчивостью наблюдается повышенный уровень диетических соединений, таких как пиперин и лютеин, а также специфические изменения в метаболизме антигипертензивного препарата метопролола. Напротив, у участников с низкой устойчивостью зафиксировано накопление глюкуронидных конъюгатов и отрицательная корреляция с уровнем среднецепочечных ацилкарнитинов. Результаты исследования предоставляют новые данные о биологических механизмах старения мозга и предлагают потенциальные биомаркеры для раннего прогнозирования когнитивного снижения.

В данном исследовании используется глубокая нейросетевая модель AlphaGenome (sequence-to-function) для проверки гипотезы накопления соматических мутаций как причины старения тканей. Автор провел масштабное тестирование, оценивая транскрипционный эффект 4 000 случайных однонуклеотидных вариантов (SNV) в тканях толстой кишки, а также проанализировал реальный каталог соматических мутаций из работы Cagan et al. (Nature, 2022), включающий 54 158 замен и 9 799 инсерций/делеций. Методология включала симуляцию на уровне генных тел с использованием псевдо-bulk RNA-seq агрегации и сравнение результатов с данными GENCODE. Результаты показали, что распределение предсказанных изменений экспрессии, вызванных как случайными, так и реальными соматическими вариантами, на три-четыре порядка ниже, чем эндогенная транскрипционная программа старения тканей. Таким образом, исследование ставит под сомнение прямую связь между накоплением мутаций и возрастными изменениями в эпителии толстой кишки, указывая на то, что ключевую роль в старении играют эпигенетические и регуляторные механизмы, а не просто генетическая нестабильность.

В исследовании представлена инновационная временная ИИ-модель MaxToki, предназначенная для моделирования динамики клеточных состояний на протяжении длительных периодов, таких как процесс старения. В отличие от существующих решений, анализирующих отдельные состояния, MaxToki обучалась на колоссальном массиве данных, включающем почти 1 триллион генных токенов, охватывающих траектории жизни человека. Модель демонстрирует способность к обобщению на новые, ранее не виденные траектории через механизм обучения в контексте (in-context learning). В ходе исследования MaxToki успешно предсказала новые мишени, модулирующие возраст, которые были экспериментально подтверждены in vivo как влияющие на возрастные генные программы и функциональный спад. Данная разработка открывает новые горизонты в ускорении поиска терапевтических вмешательств, способных программно корректировать клеточные траектории и замедлять старение.

Исследователи представляют Longevity-LLM v0.1 — модель на базе Qwen3-14B, дообученную с помощью контролируемого и reinforcement learning на данных ДНК-метилирования, протеомики, клинических биомаркеров и экспрессии РНК. Модель демонстрирует выдающиеся результаты на Longevity Bench, включая задачи прогнозирования выживаемости при раке и предсказания возраста на основе протеома и РНК. После дообучения с подкреплением модель достигла средней абсолютной ошибки (MAE) в 4.34 года при предсказании эпигенетического возраста, превзойдя известный мульти-тканный часы Хорвата. Longevity-LLM также выполняет множество других задач, включая генерацию протеомных профилей, значительно превосходя все существующие передовые языковые модели. Результаты показывают, что одна компактная LLM может заменить или сравняться с узкоспециализированными моделями старения across различных модальностей данных. Работа представляет промежуточный отчет от инициативы Multi-Modal AI Gym for Science (MMAI), направленной на создание фундаментальных моделей для разработки лекарств и исследований старения. Это исследование знаменует переход от множества специализированных моделей к единым фундаментальным моделям, способным работать с разнородными биомедицинскими данными.