Việc xác định tuổi của một người không chỉ dựa vào ngày sinh mà còn có thể được thực hiện thông qua các dấu hiệu sinh học, đặc biệt trong những trường hợp phức tạp như điều tra pháp y hoặc nghiên cứu y học. Các nhà khoa học tại Đại học Hebrew Jerusalem (HUJI) đã đạt được một bước tiến đột phá với công cụ MAgeNet, sử dụng trí tuệ nhân tạo (AI) để dự đoán tuổi sinh học từ một mẫu ADN nhỏ với sai số trung bình chỉ 1,36 năm đối với người dưới 50 tuổi. Được công bố trên tạp chí Cell Reports vào tháng 7 năm 2025, nghiên cứu này không chỉ mở ra tiềm năng trong pháp y mà còn mang lại giá trị lớn cho y học cá nhân hóa và nghiên cứu lão hóa. Bài viết này phân tích công nghệ MAgeNet, ý nghĩa khoa học của nó, và tiềm năng ứng dụng tại Việt Nam, đồng thời đề xuất các hướng phát triển để tận dụng công nghệ này trong bối cảnh chuyển đổi số.

Công nghệ MAgeNet và nguyên lý hoạt động

MAgeNet, được phát triển bởi nhóm nghiên cứu do Bracha Ochana và Daniel Nudelman dẫn đầu, dưới sự hướng dẫn của các giáo sư Tommy Kaplan, Yuval Dor, và Ruth Shemer tại HUJI, là một công cụ AI sử dụng mạng nơ-ron học sâu (deep learning) để phân tích các mẫu methyl hóa ADN tại hai vùng gene cụ thể: ELOVL2 và C1orf132. Methyl hóa ADN là quá trình gắn nhóm methyl (CH3) vào các vị trí CpG trên ADN, một dạng biến đổi biểu sinh (epigenetic modification) ảnh hưởng đến biểu hiện gene mà không thay đổi trình tự ADN. Những thay đổi này diễn ra theo thời gian, tạo thành một “đồng hồ sinh học” phân tử, cho phép dự đoán tuổi sinh học với độ chính xác cao.

Không giống các mô hình dự đoán tuổi trước đây, như đồng hồ biểu sinh của Horvath (2013) sử dụng 353 vị trí CpG hoặc đồng hồ của Hannum (2013) với 71 vị trí, MAgeNet chỉ cần dữ liệu từ hai vùng gene, giảm đáng kể độ phức tạp và chi phí. Theo nghiên cứu được công bố trên Cell Reports (2025), MAgeNet đạt sai số trung bình (MAE) chỉ 1,36 năm đối với người dưới 50 tuổi, vượt trội so với các mô hình trước đây với sai số từ 2-5 năm. Công cụ này phân tích mẫu methyl hóa ở cấp độ phân tử đơn, thay vì dựa vào mức methyl hóa trung bình, giúp tăng độ chính xác và ổn định trước các yếu tố như hút thuốc, chỉ số khối cơ thể (BMI), hay giới tính.

Để xác nhận tính hiệu quả, nhóm nghiên cứu đã phân tích hơn 300 mẫu máu từ người khỏe mạnh và dữ liệu từ Nghiên cứu Chu sinh Jerusalem (JPS), theo dõi 52 cá nhân trong 10 năm. Kết quả cho thấy dự đoán của MAgeNet không thay đổi đáng kể theo thời gian, ngay cả khi các yếu tố sinh học như cholesterol, huyết áp, hay BMI thay đổi, cho thấy sự ổn định của “đồng hồ sinh học” này. Ngoài ra, MAgeNet có thể dự đoán tuổi từ chỉ 50 phân tử ADN, tương đương với một lượng nhỏ máu hoặc mẫu sinh học, mở ra tiềm năng lớn trong pháp y và y học.

Ý nghĩa khoa học và ứng dụng

MAgeNet mang lại một bước tiến quan trọng trong việc hiểu lão hóa ở cấp độ tế bào. Theo Giáo sư Yuval Dor, công cụ này cung cấp “một cửa sổ mới” để khám phá cách cơ thể lão hóa, đặc biệt thông qua các mẫu methyl hóa ngẫu nhiên và theo đợt (block-like). Những mẫu này phản ánh các quá trình sinh học như phân chia tế bào, tổn thương ADN, và sự suy giảm chức năng cơ quan. Khác với tuổi theo năm sinh (chronological age), tuổi sinh học phản ánh tình trạng thực tế của cơ thể, chịu ảnh hưởng từ di truyền, lối sống, và môi trường. Ví dụ, một người 80 tuổi có thể có tuổi sinh học tương đương 60 tuổi nếu duy trì lối sống lành mạnh.

Trong pháp y, MAgeNet cho phép xác định tuổi của nghi phạm hoặc nạn nhân từ một mẫu ADN nhỏ, như máu, tóc, hoặc mô tại hiện trường vụ án, với sai số dưới 1,36 năm đối với người dưới 50 tuổi. Điều này đặc biệt hữu ích trong các trường hợp khủng bố hoặc tai nạn, nơi danh tính nạn nhân không rõ ràng. Nghiên cứu cho thấy MAgeNet duy trì độ chính xác ngay cả với mẫu nước tiểu (sai số 2,5 năm) hoặc nước bọt (sai số 6,4 năm), mở rộng phạm vi ứng dụng trong điều tra.

Trong y học cá nhân hóa, MAgeNet có thể hỗ trợ bác sĩ điều chỉnh phương pháp điều trị dựa trên tuổi sinh học thay vì tuổi theo năm sinh. Ví dụ, những người có tuổi sinh học cao hơn có thể được ưu tiên các liệu pháp chống lão hóa (gerotherapeutics) hoặc can thiệp sớm để giảm nguy cơ bệnh tim mạch, tiểu đường, hoặc ung thư. Theo Giáo sư Naomi Habib, tuổi sinh học cũng liên quan đến độ dài telomere—đoạn ADN bảo vệ nhiễm sắc thể—và có thể cung cấp thông tin về khả năng nhận thức và sức khỏe não bộ ở người cao tuổi.

Mặc dù MAgeNet mang lại độ chính xác ấn tượng, nó vẫn đối mặt với một số thách thức. Sai số của mô hình tăng lên đối với người trên 60 tuổi do “nhiễu biểu sinh” hoặc sự thay đổi trong thành phần tế bào máu, như được chỉ ra trong nghiên cứu. Ngoài ra, việc triển khai MAgeNet đòi hỏi thiết bị phân tích ADN hiện đại và đội ngũ chuyên gia về AI và di truyền học.

MAgeNet, công cụ AI tiên phong của Đại học Hebrew Jerusalem, đã mở ra một kỷ nguyên mới trong việc dự đoán tuổi sinh học từ ADN, với độ chính xác chưa từng có (sai số 1,36 năm cho người dưới 50 tuổi). Bằng cách phân tích mẫu methyl hóa tại hai vùng gene, công cụ này không chỉ cách mạng hóa pháp y mà còn mang lại tiềm năng to lớn trong y học cá nhân hóa và nghiên cứu lão hóa.

T.P (NASTIS), theo Scienceblog, Cell Reports, 7/2025