L'IA lit des lames de tissus pour révéler la vitesse réelle du vieillissement de chaque organe
L'apprentissage profond appliqué à plus de 25 000 lames de tissus permet de créer des « horloges tissulaires » spécifiques à chaque organe, capables de prédire l'âge biologique et de détecter un vieillissement accéléré en cas de maladie.
Résumé
Les différents organes ne vieillissent pas à la même vitesse, et la plupart des tests de vieillissement ne permettent pas de le montrer. Des chercheurs ont utilisé l'intelligence artificielle pour analyser environ 25 700 lames de microscope représentant 40 types de tissus provenant de 983 donneurs. L'IA a appris à estimer l'âge biologique de chaque tissu à partir de sa seule structure, avec une erreur moyenne de 4,9 ans. Les tissus qui paraissaient plus âgés que leur propriétaire avaient tendance à présenter des télomères plus courts, davantage de maladies subcliniques et plus de comorbidités. Certaines personnes vieillissaient de manière homogène d'un organe à l'autre, tandis que d'autres avaient un organe qui se démarquait, ou vieillissaient partout à la fois. L'équipe a ensuite entraîné des modèles à estimer le vieillissement propre à chaque organe à partir de l'expression génique dans le sang. Dans neuf cohortes indépendantes, ces scores issus du sang ont permis de détecter le vieillissement d'organes dans des maladies telles que la maladie d'Alzheimer, l'accident vasculaire cérébral et la maladie de Crohn. Ces travaux laissent entrevoir des tests de vieillissement par organe, applicables à grande échelle, bien qu'il s'agisse encore d'outils de recherche.
Résumé détaillé
Le vieillissement est le principal facteur de risque des maladies chroniques, mais il ne progresse pas de façon uniforme d'un organe à l'autre, et la plupart des horloges de l'âge biologique reposent sur le sang ou sur quelques tissus facilement accessibles. Abila et ses collègues se sont demandé si l'architecture tissulaire elle-même, c'est-à-dire la structure visible au microscope, pouvait servir d'indicateur de l'âge biologique propre à chaque organe. Ils ont appliqué l'apprentissage profond à environ 25 700 images histopathologiques de lames entières provenant de 983 donneurs de la cohorte Genotype-Tissue Expression (GTEx), couvrant 40 tissus répartis sur 29 organes. Les donneurs étaient âgés de 20 à 70 ans (moyenne : 52,8 ans) et les tissus ont été prélevés selon un protocole d'autopsie rapide.
Les « horloges tissulaires » obtenues prédisaient l'âge chronologique avec une erreur absolue moyenne de 4,88 ans et un coefficient de détermination de 0,69, et l'âge était le principal moteur de la variation entre les tissus. Les échantillons présentant des écarts d'âge plus importants avaient des télomères plus courts (données pour 6 197 échantillons) et davantage de pathologies infracliniques, comme la calcification artérielle et l'atrophie musculaire. Les modèles de fondation pour la pathologie ont atteint une erreur moyenne de 5,74 ans, contre 8,67 ans pour les modèles de vision classiques. Appliquées à des cohortes indépendantes de cerveau (n = 70), de poumon (n = 40) et de peau (n = 185), les horloges étaient corrélées à l'âge avec r = 0,56, 0,76 et 0,46.
Pour interpréter les horloges, les auteurs ont interrogé un modèle vision-langage à l'aide de 150 termes histologiques. L'atrophie, la raréfaction microvasculaire et la fibrose augmentaient dans de nombreux organes, tandis que les termes liés à l'épithélium et à l'hyperplasie diminuaient. L'infiltration graisseuse du muscle squelettique constituait une signature spécifique du muscle. Sur plus de 17 000 échantillons de RNA-seq appariés, la signalisation de p53, la sénescence cellulaire, le phénotype sécrétoire associé à la sénescence, l'hypoxie et la signalisation du TNF augmentaient avec l'âge, tandis que la phosphorylation oxydative et l'adipogenèse diminuaient. Ces changements étaient plus marqués avec l'âge biologique dérivé de l'histologie qu'avec l'âge chronologique (pente moyenne de 1,26).
L'équipe a comparé 28 horloges de méthylation de l'ADN à 19 horloges histologiques. Aucune des deux n'était systématiquement supérieure. Les écarts d'âge histologiques suivaient plus régulièrement la charge de comorbidités (89 % et 79 % des modèles significatifs dans le côlon et le poumon, contre 7 % et 50 % pour la méthylation), tandis que les horloges de méthylation faisaient aussi bien ou mieux pour la longueur des télomères. Les deux types d'écart d'âge étaient pratiquement non corrélés (r = 0,09), ce qui suggère qu'ils reflètent des aspects différents du vieillissement. Au sein des individus, les auteurs ont identifié des profils de vieillissement « résilients », « moyens », mono- ou multi-tissulaires et « systémiques ». Parmi 303 donneurs présentant au moins un écart d'âge élevé, la plupart vieillissaient dans plusieurs organes. L'insuffisance rénale était associée à un vieillissement accéléré dans de nombreux tissus, notamment le tissu adipeux, l'hypophyse, la rate et le nerf tibial.
Enfin, les auteurs ont entraîné des modèles à prédire l'écart d'âge de chaque tissu à partir de l'expression génique sanguine. Les performances étaient les meilleures pour l'écart d'âge systémique, le tube digestif et la rate. Appliqués à 1 205 échantillons de sang issus de neuf cohortes indépendantes, les modèles ont signalé un vieillissement d'organe pertinent pour huit maladies, dont la maladie d'Alzheimer, l'accident vasculaire cérébral et la maladie de Crohn.
Les principales réserves sont que les données sont transversales, proviennent d'une cohorte post mortem limitée aux âges de 20 à 70 ans et ne comportent aucun suivi longitudinal. Quatre des 40 horloges manquaient de puissance statistique, et les cohortes de validation externes étaient petites. L'analyse des associations avec le mode de vie et les données cliniques était explicitement exploratoire, sans test statistique formel. On ignore encore si la modification d'un facteur de risque réduit l'écart d'âge d'un organe.
Principales conclusions
- Deep learning on ~25,700 whole-slide images from 983 GTEx donors across 40 tissues produced tissue clocks with an average error of 4.88 years (R² = 0.69)
- External validation of GTEx-trained clocks gave age correlations of r = 0.56 (brain, n = 70), 0.76 (lung, n = 40) and 0.46 (skin, n = 185)
- Larger histological age gaps were linked to shorter telomeres (6,197 samples) and more subclinical pathology; this tie to biological age was stronger than for chronological age
- Histology-derived age gaps tracked comorbidity burden in 89% (colon) and 79% (lung) of models, versus 7% and 50% for DNA methylation clocks, and the two measures were uncorrelated (r = 0.09)
- Across 17,000+ RNA-seq samples, p53, senescence, SASP and TNF pathways rose and oxidative phosphorylation fell, with stronger shifts for biological than chronological age (slope 1.26)
- Renal failure was tied to accelerated aging in many tissues, most strongly in adipose, pituitary, spleen and tibial nerve rather than in the kidney itself
- Blood-based predictors of organ age gaps, tested on 1,205 samples from nine cohorts, detected organ aging across eight diseases including Alzheimer's, stroke and Crohn's disease
Méthodologie
Les auteurs ont affiné (fine-tuning) des modèles de vision sur les images de lames entières de la base GTEx (983 donneurs, 40 tissus, 29 organes), en ont extrait des vecteurs de caractéristiques morphologiques, puis ont entraîné des modèles de régression avec validation croisée afin de prédire l'âge chronologique. L'écart entre l'âge prédit et l'âge réel a été considéré comme l'écart d'âge. La robustesse a été testée par permutation aléatoire des âges (age shuffling), avec 7 modèles de vision classiques, 18 modèles de fondation en pathologie, des réseaux de neurones sur graphes et des cohortes externes de cerveau, de poumon et de peau. Les écarts d'âge ont été mis en relation avec la longueur des télomères, les annotations anatomopathologiques, les comorbidités, les horloges de méthylation de l'DNA, le RNA-seq en bulk (enrichissement hypergéométrique avec correction de Benjamini–Hochberg) et les transcriptomes sanguins, les modèles basés sur le sang ayant été appliqués à neuf cohortes indépendantes à l'aide de tests t unilatéraux.
Limites de l'étude
La cohorte est transversale et post mortem, couvre les âges de 20 à 70 ans et ne comporte aucun suivi longitudinal ; il n'est donc pas démontré que les écarts d'âge prédisent les maladies futures ou la mortalité. Quatre des 40 horloges manquaient de puissance statistique (<100 échantillons), les cohortes de validation externes étaient de petite taille, et l'analyse des associations démographiques et cliniques était exploratoire, sans test statistique formel. Les déclarations de conflits d'intérêts n'étaient pas incluses dans le texte fourni.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :
