Profilazione multiomica basata su IA rivela contributi omici complementari alla previsione personalizzata delle malattie cardiovascolari

Perché è importante prevedere prima i problemi cardiaci

Le malattie cardiache e l’ictus restano le principali cause di morte nel mondo, spesso colpendo persone apparentemente sane senza preavviso. I medici già utilizzano elenchi di controllo che considerano età, pressione sanguigna, colesterolo e fumo per valutare il rischio, ma questi strumenti possono non identificare molti futuri pazienti e sovrastimare il pericolo in altri. Questo studio pone una domanda attuale: se osserviamo più in profondità le molecole che circolano nel nostro sangue e le analizziamo con l’intelligenza artificiale, possiamo individuare malattie cardiovascolari anni prima che compaiano—e personalizzare la prevenzione per ciascuna persona?

Cercare nel sangue segnali d’allarme nascosti

I ricercatori hanno sfruttato l’UK Biobank, un vasto progetto sanitario che segue centinaia di migliaia di volontari per molti anni. Per una sottopopolazione di questi partecipanti, gli scienziati hanno misurato con cura migliaia di molecole nei campioni di sangue: piccoli metaboliti legati a grassi, zuccheri e aminoacidi, e proteine coinvolte in infiammazione, coagulazione e altri processi corporei. Il team si è concentrato su sei principali condizioni cardiovascolari—malattia coronarica, ictus, insufficienza cardiaca, fibrillazione atriale, malattia arteriosa periferica e trombosi venosa—per verificare se queste impronte molecolari potessero prevedere chi avrebbe sviluppato quale patologia.

Insegnare all’intelligenza artificiale a leggere schemi molecolari

Per interpretare quasi 3.000 proteine e 168 metaboliti, gli autori hanno costruito due modelli di deep learning, MetNet e ProNet. Invece di prevedere una malattia alla volta, questi modelli hanno appreso schemi relativi a tutti e sei gli esiti cardiovascolari contemporaneamente. Dai dati sui metaboliti, MetNet ha prodotto un punteggio combinato chiamato MetScore; dai dati proteici, ProNet ha generato il ProScore. Ogni persona ha quindi ricevuto sei punteggi per sistema—uno per ciascun tipo di malattia cardiovascolare—riassumendo milioni di possibili interazioni molecolari in una manciata di numeri che un modello statistico standard poteva usare insieme a età, pressione sanguigna, farmaci e rischio genetico.

Quanto sono migliori questi punteggi molecolari?

Quando il team ha testato i punteggi in un gruppo indipendente di 24.287 persone con tutti i tipi di dati disponibili, sia MetScore sia ProScore sono risultati forti predittori da soli, separando chiaramente i partecipanti in gruppi a basso, medio e alto rischio nel corso di 15 anni di follow-up. I punteggi basati sulle proteine hanno reso meglio, spesso superando di gran lunga le misure tradizionali di rischio poligenico (basate sul DNA). L’aggiunta di ProScore e MetScore ai fattori clinici convenzionali ha migliorato la precisione della previsione del rischio per ogni esito cardiovascolare studiato, anche quando i modelli di base erano già dettagliati. In alcuni casi, in particolare per la malattia arteriosa periferica e la fibrillazione atriale, l’incremento di performance è stato sostanziale, e le analisi con curve di decisione hanno suggerito che i medici potrebbero prendere decisioni più vantaggiose su chi dovrebbe ricevere trattamenti preventivi.

Cosa rivelano le molecole sulla biologia della malattia

Oltre alla predizione, i ricercatori hanno indagato quali molecole specifiche fossero più influenti nei modelli di IA usando un metodo di spiegazione chiamato SHAP. Hanno confermato l’importanza di marcatori noti come creatinina e albumina (che riflettono la funzione renale e la salute generale), così come segnali infiammatori come GlycA e proteine da stress cardiaco come NT-proBNP. Allo stesso tempo, i modelli hanno messo in luce proteine e metaboliti meno noti legati a infiammazione, coagulazione, rimodellamento vascolare e persino danno nervoso, con schemi in parte condivisi e in parte specifici per ciascuna malattia. Interessante, nessuna singola molecola eguagliava il potere predittivo del MetScore o del ProScore combinati, sottolineando che il rischio cardiovascolare deriva da molte modifiche sottili che agiscono insieme più che da un unico colpevole.

Dai big data a una cura cardiaca più personale

Lo studio conclude che tessere insieme genetica, profili molecolari dettagliati del sangue e informazioni cliniche di routine può affinare in modo significativo la nostra capacità di prevedere chi è probabile sviluppi gravi malattie cardiovascolari, spesso con un anticipo di un decennio o più. In particolare, le misurazioni proteiche sembrano contenere informazioni ricche e azionabili sullo stress biologico in corso molto prima della comparsa dei sintomi. Sebbene i test necessari non siano ancora comuni o economici, i costi stanno diminuendo e gli autori hanno reso disponibile il loro approccio CardiOmicScore come strumento prototipo. Con ulteriori validazioni in popolazioni più diverse, una profilazione multiomica guidata dall’IA potrebbe aiutare i clinici a passare da liste di controllo standardizzate a una prevenzione veramente personalizzata—identificando prima le persone ad alto rischio, abbinando i trattamenti alla biologia sottostante e potenzialmente riducendo l’onere globale delle malattie cardiache e vascolari.

Citazione: Luo, Y., Zhang, N., Yang, J. et al. AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease. Nat Commun 17, 2269 (2026). https://doi.org/10.1038/s41467-026-68956-6

Parole chiave: predizione del rischio cardiovascolare, proteomica, metabolomica, deep learning, biomarcatori