La Nutrigenomica Potenziata dall'IA Riduce il BMI e Inverte l'Invecchiamento Biologico nell'Obesità Grave

Morbid obesity — definita come BMI ≥40 kg/m² — presenta stime di ereditabilità genetica superiori all'80%, eppure la maggior parte degli interventi clinici rimane standardizzata per tutti i pazienti. Questo studio croato ha colmato tale lacuna integrando il sequenziamento dell'intero genoma (WGS), pannelli biochimici, dosaggi ormonali e glicomica plasmatica per elaborare piani alimentari individualizzati destinati a 14 adulti consecutivamente arruolati con obesità grave, monitorando poi i risultati nell'arco di sei mesi tramite una piattaforma brevettata di clustering basata su machine learning non supervisionato (German Patent Office No. DE 20 2025 101 197 U1).

Al momento dell'arruolamento, la coorte presentava una classica tempesta metabolica: glicemia a digiuno elevata, iperinsulinemia, elevati valori di HOMA-IR indicativi di insulino-resistenza, trigliceridi alti e proteina C-reattiva elevata come segnale di infiammazione cronica di basso grado. L'indice GlycanAge — un biomarcatore validato dell'età biologica derivato dai profili N-glicani delle IgG — aveva una media di 56 ± 12,45 anni, mentre l'età cronologica media era di soli 32 ± 9,62 anni: un divario di 24 anni che riflette un invecchiamento biologico profondamente accelerato, determinato dalla firma glicomica pro-infiammatoria dell'obesità.

L'analisi genomica ha rivelato che la maggior parte dei partecipanti era portatrice di alleli di rischio nel gene associato alla massa grassa e all'obesità (FTO) e nel gene dell'interleuchina-6 (IL-6), entrambi consolidati fattori determinanti rispettivamente dell'adiposità e dell'infiammazione sistemica. Al di là di questi geni di spicco, sono state identificate varianti clinicamente significative in più di 40 geni implicati nella regolazione metabolica, nel metabolismo dei nutrienti, nel rischio cardiometabolico, nella predisposizione ereditaria al cancro e nello stato nutrizionale. L'algoritmo di clustering non supervisionato basato sull'intelligenza artificiale ha elaborato questi profili poligenici e ha stratificato tutti i 14 pazienti in un unico cluster coerente, suggerendo un fenotipo molecolare condiviso nonostante la variazione superficiale nelle singole varianti di rischio — un risultato che sottolinea la biologia convergente dell'obesità grave.

Le raccomandazioni dietetiche personalizzate generate dalla piattaforma sono state seguite per sei mesi. L'esito antropometrico primario è stato notevole: il BMI medio è sceso da 52,09 ± 7,41 a 34,6 ± 9,06 kg/m² (p <0,01), corrispondendo a una riduzione di circa il 33,6% e portando il partecipante medio dalla Classe III alla Classe I di obesità. In modo significativo, anche il GlycanAge è diminuito in misura rilevante, passando da 56 ± 12,45 a 48 ± 14,83 anni (p <0,01), con una riduzione dell'età biologica di 8 anni nel giro di soli sei mesi. Questo miglioramento parallelo sia nei marcatori antropometrici sia in quelli glicomici dell'invecchiamento suggerisce che l'intervento ha agito sulla disregolazione infiammatoria e metabolica sottostante, e non semplicemente sull'equilibrio calorico.

Le implicazioni cliniche sono rilevanti sia per i pazienti sia per i professionisti. Il GlycanAge come biomarcatore di risposta offre un endpoint misurabile e biologicamente significativo al di là del BMI, con il potenziale di motivare un'aderenza prolungata. Il fatto che la profilazione nutrigenomica su 40+ geni possa generare indicazioni dietetiche operative — e che seguirle produca effetti di grande entità in tempi brevi — sostiene una più ampia adozione di modelli di nutrizione di precisione. I limiti sono significativi: la dimensione del campione di 14 pazienti, in assenza di un gruppo di controllo randomizzato, limita le inferenze causali, e la mancanza di una coorte di validazione esterna implica che i cluster di machine learning richiedano una replicazione indipendente prima di poter essere impiegati in ambito clinico.