Il tempo lascia tracce anche dentro le cellule. Con gli anni non cambia soltanto il DNA: si modifica anche il modo in cui viene organizzato all’interno del nucleo. Il materiale genetico, infatti, è avvolto attorno a proteine e ripiegato formando la cromatina, un’architettura che contribuisce a stabilire quali geni possono essere utilizzati. Durante l’invecchiamento questa struttura si trasforma. Ora l’intelligenza artificiale sta imparando a riconoscere questi cambiamenti direttamente dalle immagini.
È quanto hanno fatto i ricercatori con ChromAgeNet, un sistema di deep learning che ha analizzato immagini tridimensionali della cromatina nelle cellule staminali emopoietiche, quelle da cui derivano le cellule del sangue. Addestrato su cellule di topi giovani e anziani, il modello è riuscito a distinguerle raggiungendo un’AUROC media di 0,77, indice che misura la capacità di separare correttamente due gruppi. L’accuratezza è stata invece di circa il 68%. Lo studio, pubblicato su Aging Cell, mostra quindi che l’invecchiamento lascia nell’organizzazione del nucleo caratteristiche abbastanza riconoscibili da essere intercettate da un algoritmo.
Che cosa riconosce l’algoritmo
ChromAgeNet non legge la sequenza genetica e non cerca mutazioni. Osserva come la cromatina è distribuita nello spazio, comprese le regioni più condensate. Con l’età, infatti, cambiano l’organizzazione della cromatina e i meccanismi epigenetici che regolano l’attività dei geni. Una revisione su Experimental & Molecular Medicine indica proprio queste alterazioni tra i processi che accompagnano l’invecchiamento delle cellule staminali del sangue.
Il 77%, però, non significa che l’IA “indovini l’età” nel 77% dei casi: l’AUROC va da 0,5, equivalente sostanzialmente al caso, a 1, che indica una separazione perfetta. E soprattutto lo studio è stato condotto su cellule murine, non umane. Altri gruppi stanno comunque esplorando la stessa strada: nel 2026 è stato presentato sc-ChromAging, un modello basato sull’accessibilità della cromatina a livello di singola cellula sviluppato utilizzando dati umani.
Un filtro per cercare nuovi trattamenti
La possibile utilità di ChromAgeNet non è costruire un test per scoprire “quanto siamo vecchi”. L’obiettivo più concreto è accelerare gli esperimenti sui processi dell’invecchiamento. I ricercatori hanno utilizzato il sistema anche su cellule anziane sottoposte a trattamenti sperimentali: l’algoritmo può rilevare se, dopo l’intervento, l’organizzazione della cromatina assume caratteristiche più simili a quelle delle cellule giovani.
In futuro un sistema del genere potrebbe diventare un primo filtro per esaminare molti composti e scegliere quelli su cui concentrare analisi più costose e approfondite. L’interesse per questi approcci è crescente: una revisione su Aging Cell descrive le alterazioni epigenetiche delle cellule staminali emopoietiche come uno dei possibili bersagli della ricerca sull’invecchiamento del sangue.
Ma vedere una cromatina dall’aspetto più “giovane” non dimostra che una cellula sia stata ringiovanita. Servirebbe provare che abbia recuperato anche funzioni compromesse dall’età e, molto più avanti, verificare efficacia e sicurezza nell’organismo.
Perché conta l’invecchiamento del sangue
Le cellule staminali emopoietiche devono produrre per tutta la vita globuli rossi, piastrine e cellule immunitarie. Con l’età la loro attività cambia e aumenta anche la probabilità che alcuni cloni cellulari portatori di mutazioni si espandano nel sangue. È la cosiddetta ematopoiesi clonale, fenomeno legato all’età e associato a un rischio maggiore di alcune patologie.
Il tema è destinato a pesare sempre di più. Secondo l’Organizzazione mondiale della sanità, gli over 60 nel mondo passeranno da circa un miliardo nel 2020 a 1,4 miliardi nel 2030 e 2,1 miliardi nel 2050.
L’Italia è già tra i Paesi più anziani: gli over 65 sono 14 milioni e 821mila, il 25,1% della popolazione, mentre gli over 85 hanno raggiunto 2 milioni e 511mila, secondo gli ultimi indicatori demografici dell’Istat.
ChromAgeNet è dunque ancora lontano dalla clinica. Ma mostra una possibilità interessante: usare l’IA come un nuovo paio di occhi per osservare ciò che il tempo lascia scritto nella struttura delle cellule.
Fonti:
Aging Cell – Deep learning predicts haematopoietic stem cell ageing from 3D chromatin images
Experimental and Molecular Medicine – Hematopoietic stem cell aging: a review of transcriptional and multi-omics insights and potential paths for AI integration
Aging Cell – Aging of the Hematopoietic System: Mechanisms, Consequences, and Systemic Interactions
Npj Aging – sc-ChromAging: A Single-Cell Chromatin Accessibility-based Clock Decodes Cell-Type-Specific Epigenetic Aging Trajectories
Cell death discovery – Clonal haematopoiesis – a novel entity that modifies pathological processes in elderly
Organizzazione Mondiale della Sanità – Ageing and Health
Istat – Indicatori demografici – Anno 2025