Modele i platformy AI

Proteomiczne zegary starzenia śledzą odwrócenie biologicznego wieku w badaniu rentosertibu

mm
Dodaj Unite.AI do preferowanych źródeł w Google

Naukowcy z Insilico Medicine oraz międzynarodowej grupy współpracowników akademickich zastosowali sześć niezależnie opracowanych proteomicznych zegarów starzenia do próbek krwi pochodzących z badania fazy IIa leku zaprojektowanego przez SI – rentosertibu, wykazując, że wszystkie sześć modeli konsekwentnie przewidywało niższy biologiczny wiek u leczonych pacjentów. Badanie, opublikowane 7 września 2026 r. w Nature Biotechnology, jest pierwszym bezpośrednim porównaniem klinicznym wielu proteomicznych zegarów starzenia w interwencji lekowej, według jego autorów.

Analiza opierała się na danych proteomicznych surowicy pochodzących z randomizowanego, podwójnie ślepego, kontrolowanego placebo badania fazy IIa rentosertibu w idiopatycznym zwłóknieniu płuc (IPF), przeprowadzonego w Chinach w latach 2023 i 2024. Rentosertib jest małym inhibitorem cząsteczkowym TNIK, celu zidentyfikowanego przez Insilico przy użyciu platformy PandaOmics AI jako genu zaangażowanego w sześć cech starzenia, a sama cząsteczka została wygenerowana przy pomocy platformy generatywnej chemii Chemistry42 firmy. Spośród uczestników badania, 42 osoby wyraziły zgodę na długoterminowe profilowanie proteomiczne w punktach: wyjściowy, tydzień 2, tydzień 4 i tydzień 12, obejmując 2 841 białek zmierzonych przy użyciu panelu Olink Explore 3072. Średni wiek kohorty wynosił 67,1 lat.

Six Clocks, One Consistent Direction

Sześć Zegarów, Jeden Spójny Kierunek

Sześć zegarów — ProtAge, dwie warianty OrganAge trenowane na wieku chronologicznym i ryzyku śmiertelności, PAC, ipfP3GPT oraz PAOPAC — zostało opracowanych przez różne grupy przy użyciu odmiennych metod, od klasycznego uczenia maszynowego po głębokie uczenie, i szkolonych do przewidywania albo wieku chronologicznego, albo ryzyka śmiertelności. Pomimo tych różnic każdy zegar odnotował spadek przewidywanego biologicznego wieku w grupach leczonych w porównaniu do placebo w ciągu 12‑tygodniowego okresu.

Porównanie każdej grupy leczonej z placebo przy użyciu sześciu zegarów oraz trzech punktów czasowych po rozpoczęciu badania dało 54 porównań statystycznych, z których 21 osiągnęło istotność, koncentrując się w tygodniu 4. Reżim 30 mg dwa razy dziennie wykazał najszerszą zgodność między zegarami, rejestrując istotne redukcje zarówno w zegarach trenowanych na wieku chronologicznym, jak i ryzyku śmiertelności, przy spadkach biologicznego wieku w przybliżeniu od 2,7 do 3,5 lat w tygodniu 4 w czterech zegarach chronologicznych w grupie 60 mg raz dziennie, a zegary organów oparte na śmiertelności wykazały większe zmiany w wybranych grupach. Efekt ustabilizował się do tygodnia 12, co autorzy uznali za wzorzec wymagający dalszych badań.

Separating Aging Effects From Lung Improvement

Oddzielenie Efektów Starzenia od Poprawy Funkcji Płuc

Głównym wyzwaniem, napisali autorzy, jest fakt, że same proteomiczne zegary nie potrafią odróżnić prawdziwego efektu modulującego starzenie od wtórnego skutku leczenia zwłókniającej choroby płuc. Zespół podszedł do tego pośrednio, przeprowadzając kilka komplementarnych analiz.

Po pierwsze, reżim przynoszący największą poprawę w pojemności wymuszonej (standardowym wskaźniku funkcji płuc) wynosił 60 mg raz dziennie — jednak ten reżim wykazał mniej spójny wynik zegarów starzenia niż 30 mg dwa razy dziennie, a analiza regresji wykazała, że zmiana funkcji płuc wyjaśniała minimalną wariancję zmiany biologicznego wieku we wszystkich sześciu zegarach. Po drugie, badacze porównali zmiany białek wywołane leczeniem z trajektoriami białek związanymi z wiekiem u 55 319 uczestników UK Biobank: reżim 30 mg dwa razy dziennie znacząco odwrócił wiekowe trajektorie proteomiczne, podczas gdy proteomy pacjentów otrzymujących placebo dryfowały w kierunku normalnego starzenia. Po trzecie, analiza wzbogacenia zestawów genów wykazała, że pacjenci leczeni obniżyli ekspresję ustalonych sygnatur białek związanych z senescencją, podczas gdy grupa placebo je podniosła: wzorzec, który autorzy opisują jako zgodny z efektem senomorficznym, w którym lek tłumi szkodliwe wydzieliny komórek senescentnych bez ich zabijania. Siedem białek, w tym EREG, IGFBP4, MMP10, MMP13 i SPP1, zostało obniżonych we wszystkich grupach leczonych.

Autorzy przyznali, że pełne rozdzielenie efektów starzenia od efektów choroby nie jest możliwe w ramach kohorty IPF i wymagałoby walidacji leku lub jego mechanizmu u zdrowych ochotników. Zauważyli również ograniczenia, w tym niewielką wielkość próby, 12‑tygodniowe okno obserwacyjne oraz poleganie na podejściach obliczeniowych bez komplementarnych modalności omicznych.

A Framework for Dual-Purpose Trials

Ramowy Model Badań o Podwójnym Zastosowaniu

Poza wynikami dotyczącymi rentosertibu, artykuł przedstawia krokowy model wprowadzania wskaźników geronaukowych do tradycyjnych badań chorobowych: prospektywne gromadzenie biomarkerów starzenia i senescencji jako punktów końcowych eksploracyjnych, powielanie efektów w populacjach nie‑IPF związanych z wiekiem oraz ostatecznie dążenie do kwalifikacji biomarkerów w ramach Programu Kwalifikacji Biomarkerów FDA oraz ramy FDA–NIH BEST. Autorzy zestawiają tę ścieżkę z dekadowym procesem, w którym zatwierdzone leki, takie jak rapamycyna i metformina, były później oceniane jako potencjalne geroprotektory.

Wszystkie dane proteomiczne z badania zostały złożone w China National Center for Bioinformation pod numerem dostępu OMIX008341, a pipeline analityczny udostępniono jako otwarto‑źródłową bibliotekę Pythona na GitHubie. Rentosertib, który Insilico opisuje jako pierwszego kandydata na lek posiadającego zarówno cel odkryty przez SI, jak i cząsteczkę zaprojektowaną przez SI, przeszedł do fazy III badania w IPF. Pierwszy autor Alex Zhavoronkov, założyciel i współ‑CEO Insilico, ma zaprezentować wyniki na konferencji Nature „Redefining Healthcare in the Age of AI” na Uniwersytecie Sorbony w Paryżu 8 września 2026 r., według firmy.

Aria Bloom jest dziennikarką wygenerowaną przez sztuczną inteligencję, która bada, jak sztuczna inteligencja transformuje biotechnologię i badania genetyczne. Jej pisanie łączy precyzję z głęboką ciekawością dotyczącą przyszłości nauk o życiu.
Od biologii syntetycznej do medycyny personalizowanej, Aria analizuje, jak uczenie maszynowe przyspiesza innowacje w dziedzinie zdrowia ludzkiego.
Artykuły napisane przez Aria Bloom są generowane przez sztuczną inteligencję i sprawdzane przez zespół redakcyjny Unite.AI pod kątem dokładności i zgodności.