Al Meeting della European Hematology Association 2025 uno studio innovativo ha proposto un modello predittivo dell’età biologica delle cellule staminali ematopoietiche (HSPCs) grazie all’integrazione di trascrittomica a singola cellula (scRNA-seq) e algoritmi di deep learning. Il lavoro, firmato da Wang G. e colleghi, affronta un tema cruciale: la discrepanza tra età cronologica e biologica delle HSPCs, una caratteristica particolarmente rilevante nei disordini ematologici.
L’obiettivo dello studio era duplice: costruire un “orologio dell’invecchiamento” delle HSPCs capace di stimare l’età biologica a partire da dati scRNA-seq e identificare i moduli genici e le reti regolatorie associati all’invecchiamento, con particolare attenzione alle patologie ematologiche.
A tal fine, sono stati integrati dati scRNA-seq provenienti da sei studi pubblici per un totale di 30 campioni, relativi a tessuti fetali (midollo osseo e fegato) e postnatali (midollo osseo e sangue periferico) di donatori sani. L’analisi ha riguardato un totale di 193.505 cellule, di cui 64.178 identificate come HSC/MPP (hematopoietic stem cells e multipotent progenitors), usando pipeline avanzate come Cell Ranger 7.1.0, Leiden clustering, AUCell, cytoTrace 2 e staVIA.
Attraverso l’analisi cNMF (consensus non-negative matrix factorization), sono stati individuati sette moduli di espressione genica. Di questi, quattro presentavano pattern conservati durante lo sviluppo umano; in particolare, il modulo 4 mostrava una forte correlazione negativa con l’età (r = -0,62; P < 0,0001).
Per la costruzione del modello predittivo, sono state selezionate 452 caratteristiche significative mediante “feature selection” basata su SHAP-value e random forest (con validazione incrociata 10-fold). È stato quindi addestrato un modello di deep learning con architettura LSTM e livelli lineari, ottimizzato con l’algoritmo Adam e addestrato su classi d’età da fetale a 90 anni.
Il modello è stato in grado di predire con un’accuratezza del 97,34% l’età cronologica dei donatori sani nel dataset di riferimento.
Il modello è stato successivamente applicato a dati di pazienti con diverse patologie ematologiche: sindromi mielodisplastiche, anemia falciforme, leucemia acuta linfoblastica a precursori B, leucemia linfoblastica acuta e leucemia mieloide acuta.
I risultati hanno evidenziato pattern di invecchiamento specifici per patologia: nelle MDS, le HSC/MPP risultavano “biologicamente più giovani” rispetto all’età cronologica mentre nei pazienti con SCD si osservava un invecchiamento accelerato.
Nei campioni leucemici, invece, l’invecchiamento era eterogeneo: la maggior parte delle cellule mostrava invecchiamento precoce, ma alcune conservavano caratteristiche “embrionali”.
“L’orologio biologico delle cellule staminali ematopoietiche, basato su intelligenza artificiale e dati scRNA-seq, può rappresentare un potente strumento per comprendere i meccanismi dell’invecchiamento cellulare e le sue alterazioni nei disordini ematologici, aprendo nuove prospettive terapeutiche mirate alle vie dell’invecchiamento”, spiegano gli autori.
Bibliografia. Wang G, et al. Stem cell aging clock: a deep leraning driven framework for predicting stem cell age. EHA Meeting 2025; abstract: S332
