IA com Nutrigenética Reduz IMC e Reverte o Envelhecimento Biológico na Obesidade Mórbida

Obesidade mórbida — definida como IMC ≥40 kg/m² — apresenta estimativas de herdabilidade genética superiores a 80%, porém a maioria das intervenções clínicas ainda segue um modelo único para todos. Este estudo croata abordou essa lacuna integrando sequenciamento de genoma completo (WGS), painéis bioquímicos, dosagens hormonais e glicômica plasmática para gerar planos alimentares individualizados para 14 adultos com obesidade mórbida recrutados consecutivamente, acompanhando os desfechos ao longo de seis meses por meio de uma plataforma patenteada de agrupamento por aprendizado de máquina não supervisionado (German Patent Office No. DE 20 2025 101 197 U1).

No momento da admissão, a coorte apresentava uma tempestade metabólica clássica: glicemia de jejum elevada, hiperinsulinemia, escores HOMA-IR elevados indicativos de resistência à insulina, triglicerídeos aumentados e proteína C-reativa elevada sinalizando inflamação crônica de baixo grau. O índice GlycanAge — um biomarcador validado de idade biológica derivado de perfis de N-glicanos da IgG — apresentou média de 56 ± 12,45 anos, enquanto a média de idade cronológica era de apenas 32 ± 9,62 anos, uma diferença de 24 anos que reflete um envelhecimento biológico profundamente acelerado, impulsionado pela assinatura glicômica pró-inflamatória da obesidade.

A análise genômica revelou que a maioria dos participantes carregava alelos de risco no gene associado à massa de gordura e à obesidade (FTO) e no gene da interleucina-6 (IL-6), ambos drivers bem estabelecidos de adiposidade e inflamação sistêmica, respectivamente. Além desses genes de destaque, variantes clinicamente significativas foram identificadas em mais de 40 genes implicados na regulação metabólica, no metabolismo de nutrientes, no risco cardiometabólico, na predisposição hereditária ao câncer e no estado nutricional. O algoritmo de agrupamento não supervisionado orientado por IA processou esses perfis poligênicos e estratificou todos os 14 pacientes em um único grupo coerente, sugerindo um fenótipo molecular compartilhado apesar da variação aparente nos variantes de risco individuais — uma descoberta que ressalta a biologia convergente da obesidade grave.

As recomendações dietéticas personalizadas geradas pela plataforma foram seguidas por seis meses. O desfecho antropométrico primário foi expressivo: o IMC médio caiu de 52,09 ± 7,41 para 34,6 ± 9,06 kg/m² (p <0,01), representando uma redução de aproximadamente 33,6% e deslocando o participante médio da obesidade Classe III para a Classe I. De forma crucial, o GlycanAge também apresentou declínio significativo, de 56 ± 12,45 para 48 ± 14,83 anos (p <0,01), uma redução de 8 anos na idade biológica em apenas seis meses. Essa melhora paralela tanto nos marcadores antropométricos quanto nos marcadores glicômicos de envelhecimento sugere que a intervenção abordou a desregulação inflamatória e metabólica subjacente, e não apenas o balanço calórico.

As implicações clínicas são relevantes tanto para pacientes quanto para profissionais de saúde. O GlycanAge como biomarcador de resposta oferece um endpoint biologicamente significativo e mensurável além do IMC, com potencial para motivar a adesão sustentada. O achado de que o perfil nutrigenético em mais de 40 genes pode gerar orientações dietéticas acionáveis — e que segui-las produz tamanhos de efeito expressivos em um curto período — apoia a adoção mais ampla de abordagens de nutrição de precisão. As ressalvas são significativas: o tamanho amostral de 14 pacientes sem grupo controle randomizado limita a inferência causal, e a ausência de uma coorte de validação externa significa que os agrupamentos de aprendizado de máquina requerem replicação independente antes da implementação clínica.