Es fácil dar por sentado que la edad está escrita en piedra: una cifra clara, inapelable, que aumenta año tras año desde el día del nacimiento. Pero no siempre el cuerpo está de acuerdo. Hay personas que con 65 años siguen caminando diez kilómetros diarios sin esfuerzo, mientras otras, con apenas 50, ya arrastran varios problemas de salud. ¿Por qué ocurre esto? La respuesta podría estar en una diferencia invisible, pero muy real: la edad biológica.
Un equipo internacional de investigadores acaba de presentar un nuevo método para estimar esta edad biológica con una precisión sorprendente. La herramienta se llama gtAge y combina datos moleculares complejos con inteligencia artificial para ofrecer una estimación mucho más afinada que cualquier otro modelo anterior. El estudio, publicado en la revista Engineering, no solo presenta esta innovación, sino que sugiere que podría convertirse en un marcador clave para detectar enfermedades antes de que aparezcan los primeros síntomas.
¿Qué es la edad biológica y por qué debería importarte?
A diferencia de la edad cronológica —la que aparece en el DNI—, la edad biológica refleja el estado real de tu cuerpo. Se basa en la idea de que no todas las personas envejecen al mismo ritmo. Factores como el estilo de vida, la genética, la alimentación, el entorno o las enfermedades previas afectan cómo se deterioran nuestras células, tejidos y órganos.
El reto científico ha sido encontrar marcadores fiables que midan este proceso interno, lo que ha llevado a múltiples intentos con diferentes tipos de datos: desde el ADN y la epigenética hasta proteínas, metabolitos o incluso rasgos fisiológicos. Sin embargo, hasta ahora, los métodos existentes presentaban limitaciones de precisión, aplicabilidad o coste.
El nuevo reloj biológico gtAge se apoya en dos tipos de información que se pueden obtener a partir de una muestra de sangre: la estructura de azúcares en los anticuerpos (conocida como IgG N-glicoma) y la actividad de los genes en las células sanguíneas, o transcriptoma. Estas dos capas de información ofrecen una visión complementaria del envejecimiento celular.
Dos capas biológicas, un algoritmo inteligente
Lo que hace especial a gtAge no es solo la elección de biomarcadores, sino la forma en que estos se combinan. Para lograrlo, el equipo creó un algoritmo de aprendizaje automático llamado AlphaSnake, basado en una técnica de inteligencia artificial conocida como deep reinforcement learning (aprendizaje profundo por refuerzo).
Este enfoque permite seleccionar dinámicamente los rasgos moleculares más relevantes de entre miles de posibilidades, sin necesidad de probar combinaciones al azar. Según los autores, “el reloj gtAge estimado mediante AlphaSnake explicó hasta el 85,3 % de la varianza en la edad cronológica, superando los métodos anteriores basados solo en un tipo de datos”.
Eso significa que el modelo no solo acierta con bastante precisión al predecir la edad real de una persona, sino que, más importante aún, detecta cuándo el cuerpo está envejeciendo más rápido (o más lento) de lo normal.
Qué revela el "delta de edad"
Uno de los aspectos más llamativos del estudio es el concepto de "delta de edad", que representa la diferencia entre la edad cronológica y la edad estimada por gtAge. Un delta positivo indicaría que una persona envejece más rápido de lo que le correspondería por su fecha de nacimiento, y un delta negativo lo contrario.
El valor de este delta no es teórico. En los 302 participantes del estudio, todos de mediana edad, se observó que el delta estaba relacionado con parámetros reales de salud, como el nivel de colesterol, la glucosa en sangre, los triglicéridos o la hemoglobina glicosilada. Según el estudio, “el delta gAge se correlacionó positivamente con colesterol total, triglicéridos, glucosa plasmática en ayunas, LDL y hemoglobina glicosilada”.
Esto sugiere que el reloj no solo mide un envejecimiento abstracto, sino que capta cambios metabólicos que pueden anticipar enfermedades crónicas como la diabetes tipo 2 o enfermedades cardiovasculares.
Un enfoque multiómico que mejora las predicciones
Antes de gtAge, ya existían modelos basados únicamente en uno de los dos componentes utilizados aquí, es decir, los azúcares del IgG N-glicoma (gAge) o el transcriptoma (tAge). Pero por separado, sus resultados eran menos sólidos. En concreto, el modelo basado solo en el gAge explicó apenas el 29 % de la varianza, mientras que el tAge alcanzó un 81,2 %.
En cambio, el reloj integrado gtAge, tras la selección óptima de rasgos realizada por AlphaSnake, logró un coeficiente de determinación de R² = 0,853, el más alto registrado hasta la fecha para este tipo de modelo. Esa cifra es un indicativo directo de su capacidad para predecir con fidelidad la edad real de las personas.
El modelo final utilizó 144 rasgos moleculares, entre ellos 137 genes y 7 glicanos, que fueron seleccionados por su importancia en los procesos de envejecimiento. De estos, uno destacó particularmente: IGP53, un tipo específico de glicano que se reducía con la edad y que, en combinación con ciertos genes, mostró un valor predictivo muy alto.
¿Una herramienta clínica en el horizonte? Las limitaciones actuales
Por ahora, gtAge es una herramienta experimental. Pero su aplicación potencial en medicina preventiva es enorme. Detectar que una persona está envejeciendo más rápido de lo esperado permitiría intervenir antes, ajustando hábitos de vida, nutrición o tratamientos médicos.
Los investigadores sostienen que, si se valida en poblaciones más amplias y diversas, este tipo de relojes podría convertirse en parte de las rutinas de chequeo de salud. “Al medir la edad biológica y no solo fijarnos en la fecha de nacimiento, podría ser muy útil para entender mejor el estado de salud de una persona”.
Sin embargo, también reconocen algunas limitaciones. La principal es que el estudio solo incluyó personas de entre 46 y 66 años, por lo que no se sabe aún cómo funcionaría gtAge en jóvenes, ancianos o poblaciones de distintos orígenes genéticos. Además, los costes actuales de análisis multiómico pueden dificultar su adopción clínica masiva.
Envejecimiento, inflamación y pistas terapéuticas
Uno de los hallazgos más relevantes del trabajo tiene que ver con la relación entre envejecimiento e inflamación. Muchos de los genes y glicanos seleccionados están implicados en procesos inmunológicos, lo que respalda la hipótesis de que el envejecimiento va de la mano de un estado inflamatorio crónico de bajo grado, conocido como inflammaging.
Algunos de los genes identificados, como CLEC12B, KLRC1 y LGALS9, participan en la modulación de células inmunitarias como los linfocitos NK o en la producción de citoquinas. Por su parte, glicanos como FA2G2 o FA2B también mostraron asociaciones fuertes con la edad en estudios anteriores.
Esto abre la puerta a nuevas investigaciones sobre tratamientos que modulen estas vías para frenar el envejecimiento biológico, o al menos, sus consecuencias más dañinas. De hecho, los autores identificaron varios genes en su modelo que ya son dianas farmacológicas de medicamentos actuales.
Referencias
- Yao Xia, Syed Mohammed Shamsul Islam, Xingang Li, Abdul Baten, Xuerui Tan, Wei Wang. Deep Reinforcement Learning–Driven Multi-Omics Integration for Constructing gtAge: A Novel Aging Clock from IgG N-glycome and Blood Transcriptome. Engineering (2025). https://doi.org/10.1016/j.eng.2025.08.016.
