Jak sztuczna inteligencja znajduje nowe cele molekularne dla zdrowego starzenia

Naukowcy badający starzenie mają nowe narzędzie: systemy sztucznej inteligencji, które mogą skanować tysiące cząsteczek lub zestawów danych genetycznych w ciągu dni i wskazywać kilka, które najprawdopodobniej wpłynęły na starzenie się komórek. Kilka projektów opublikowanych w ostatnich tygodniach pokazuje, jak to działa w praktyce — wśród nich laboratorium brazylijskiego uniwersytetu, międzynarodowa biotechnologiczna firma i zespół badawczy analizujący duże publiczne bazy danych genomowe — i wszystkie one mają na celu ten sam problem: stres oksydacyjny i uszkodzenie komórek, które gromadzą się z wiekiem.

Wyjaśnialny model sztucznej inteligencji poszukuje antoksydacyjnych peptydów

W Pontifical Catholic University of Rio de Janeiro (PUC-Rio) zespół kierowany przez profesora chemii André Silva Pimentel, pracujący z badaczami Maria Carolina J. A. Schneider i Marina Geisiely Damaso Godinho Alves, opublikował badanie nad wyjaśnialną sztuczną inteligencją zastosowaną do antoksydacyjnych peptydów, zgodnie z artykułem, który zespół napisał dla The Conversation Brasil 5 października 2026 r. Peptydy to krótkie łańcuchy aminokwasów, które występują naturalnie w białkach żywności lub mogą być syntetyzowane, a niektóre z nich mogą zneutralizować wolne rodniki — niestabilne cząsteczki, które uszkadzają komórki, gdy gromadzą się szybciej niż antoksydacyjne systemy organizmu mogą je usunąć.

Grupa PUC-Rio zastosowała metodę zwaną wyjaśnialną sztuczną inteligencją, która różni się od standardowych modeli uczenia maszynowego w jednym kluczowym aspekcie: zamiast tylko wytwarzać prognozę, pokazuje również, które części sekwencji aminokwasów peptydu miały największy wpływ na tę prognozę. Według badaczy pozwala to naukowcom zobaczyć, jakie cechy strukturalne czynią peptyd bardziej prawdopodobnym do działania jako antyoksydant, zamiast traktować sztuczną inteligencję jako czarną skrzynię. Praca została sfinansowana przez FAPERJ, stanową fundację badawczą Rio de Janeiro, i została również wymieniona przez brazylijski portal Brasil em Folhas, który opisał tę samą laboratorię i metodologię.

Praktyczna wartość, jak napisali naukowcy, to szybkość: zamiast testować w laboratorium dużą liczbę kandydatów peptydowych jeden po drugim, model sztucznej inteligencji zawęża długą listę do kilku sekwencji, które najbardziej warte są eksperymentalnego testowania. Zespół stwierdził, że potencjalne zastosowania wykraczają poza kosmetykę i nutraceutyki przeciwstarzeniowe na badania warunków związanych ze stresem oksydacyjnym, takich jak choroba Alzheimera, choroba Parkinsona i rak — choć opisali to jako kierunek do dalszych badań, a nie gotową terapię.

Większe systemy sztucznej inteligencji skanują genomy i biblioteki leków w poszukiwaniu celów starzenia

Odrębny, większy projekt pochodzi od Insilico Medicine, biotechnologicznej firmy, która rozwija narzędzia sztucznej inteligencji do odkrywania leków. 17 września 2026 r. firma opublikowała badanie na okładce czasopisma Cell opisujące otwarty zestaw narzędzi do badań longevity, zbudowany wspólnie z Liquid AI, Buck Institute for Research on Aging, Harvard Medical School i Brigham and Women's Hospital, zgodnie z własnym ogłoszeniem Insilico Medicine.

Zestaw narzędzi ma trzy części: LongevityBench, punkt odniesienia, który testuje, jak dobrze modele sztucznej inteligencji rozumują o biologii starzenia się na pięciu typach danych, w tym genetyce i proteomice; Longevity-LLMs, rodzina kompaktowych modeli językowych (od 0,6 do 9 miliardów parametrów) szkolonych specjalnie na danych związanych ze starzeniem; i Longevity Claw, autonomiczna platforma badawcza mająca na celu identyfikację i ranking możliwych celów związanych ze starzeniem. Insilico Medicine zgłosiła, że jej wyspecjalizowany model z 9 miliardami parametrów dopasował lub przewyższył 16 najnowocześniejszych systemów sztucznej inteligencji ogólnego przeznaczenia w zadaniach z zakresu biologii starzenia, oraz że Longevity Claw zaproponowała 328 kandydackich celów interwencji związanych ze starzeniem, które — jak twierdzi firma — wykazały wzbogacenie do 5,6-krotności dla genów związanych ze starzeniem w porównaniu z niezależnie opublikowanym zestawem eksperymentalnie sprawdzonych celów starzenia.

Trzecie podejście, opisane przez serwis zajmujący się badaniami starzenia Lifespan.io, zastosowało narzędzie sztucznej inteligencji zwane ClockBase Agent — zbudowane przez zespół kierowany przez badacza Vadim Gladyshev — do analizy ponad 2 milionów istniejących zestawów sekwencjonowania RNA i danych epigenetycznych obejmujących 43 529 zarejestrowanych interwencji biologicznych. System wskazał znane leki, w tym rapamycynę, metforminę, fenofibrat i ouabainę, jako powiązane z wolniejszym biologicznym starzeniem w danych; Lifespan.io poinformowała, że w kolejnych testach na 20-miesięcznych myszach, trzy miesiące leczenia ouabainą były związane z poprawą wyników kruchości, wydajności poznawczej, stanu sierści i funkcji serca, choć preprintowa wersja pełnego badania została opublikowana w listopadzie 2025 r. i nie została potwierdzona w badaniach na ludziach.

Co to badanie pokazuje i czego nie pokazuje

Żaden z tych projektów nie twierdzi, że stworzył zatwierdzoną terapię przeciwstarzeniową. Model peptydu PUC-Rio i lista celów Insilico Medicine to narzędzia prognozowania mające na celu ustalanie priorytetów kandydatów do testów laboratoryjnych i klinicznych, a nie gotowe terapie. Wnioski na temat ouabainy opisane przez Lifespan.io pochodzą z eksperymentów na zwierzętach, a nie z badań na ludziach. Naukowcy zaangażowani w badanie PUC-Rio i Insilico Medicine przedstawiają swoją pracę jako zawężenie bardzo dużej przestrzeni wyszukiwania — milionów możliwych cząsteczek lub celów genetycznych — tak aby niedobory zasobów laboratoryjnych i klinicznych były przeznaczane na testowanie najpierw najbardziej obiecujących kandydatów.

• Wyjaśnialna sztuczna inteligencja (PUC-Rio): wskazuje, które sekwencje aminokwasów w peptydach pochodzących z żywności lub syntetycznych są prawdopodobnie antyoksydantami.
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine, wraz z Buck Institute i Harvard Medical School): punkt odniesienia i ranking celów genetycznych powiązanych ze starzeniem na zestawach danych omics.
• ClockBase Agent (zespół badawczy Gladyshev): analizuje istniejące publiczne zestawy danych genomowych w celu wskazania istniejących leków powiązanych z wolniejszym biologicznym starzeniem w danych zwierzęcych.