Forscher vergleichen „Alterungsuhren“ der künstlichen Intelligenz, um Gesundheit und Lebensdauer vorherzusagen

Forscher des Institute of Psychiatry, Psychology & Neuroscience (IoPPN) am King’s College London haben eine umfassende Studie durchgeführt, um auf künstlicher Intelligenz basierende Alterungsuhren zu bewerten, die anhand von Blutdaten Gesundheit und Lebensdauer vorhersagen. Die Forscher trainierten und testeten 17 Algorithmen für maschinelles Lernen anhand von Daten zu Markern im Blut von über 225.000 Teilnehmern der UK Biobank, die zum Zeitpunkt der Rekrutierung zwischen 40 und 69 Jahre alt waren. Sie untersuchten, wie gut verschiedene metabolomische Alterungsuhren die Lebenserwartung vorhersagen und wie robust diese Uhren mit Messgrößen für Gesundheit und Alterung zusammenhängen.

MileAge-Delta

Das metabolische Alter einer Person, ihr „MileAge“, ist ein Maß dafür, wie alt ihr Körper im Inneren zu sein scheint, basierend auf Markern im Blut, die als Metaboliten bezeichnet werden. Metaboliten sind kleine Moleküle, die während des Stoffwechselprozesses entstehen, beispielsweise wenn Nahrung in Energie umgewandelt wird. Die Differenz zwischen dem anhand der Metaboliten vorhergesagten Alter einer Person und ihrem chronologischen Alter, das als MileAge-Delta bezeichnet wird, gibt an, ob ihr biologisches Altern beschleunigt oder verlangsamt ist.

Die Studie wurde in Science Advances veröffentlicht und ist die erste, die verschiedene Algorithmen des maschinellen Lernens umfassend auf ihre Fähigkeit hin vergleicht, biologische Alterungsuhren anhand von Metabolitendaten zu entwickeln, wobei einer der größten Datensätze weltweit genutzt wurde. Personen mit beschleunigter Alterung (d. h. mit einem durch Metaboliten vorhergesagten Alter, das älter ist als ihr chronologisches Alter) waren im Durchschnitt gebrechlicher, hatten häufiger eine chronische Krankheit, bewerteten ihre Gesundheit schlechter und hatten ein höheres Sterberisiko. Sie hatten auch kürzere Telomere (‚Kappen‘ am Ende der Chromosomen), die ein Marker für die Zellalterung sind und mit altersbedingten Krankheiten wie Arteriosklerose in Verbindung gebracht werden. Eine verlangsamte biologische Alterung (mit einem durch Metaboliten vorhergesagten Alter, das jünger ist als das chronologische Alter) war jedoch nur minimal mit einer guten Gesundheit verbunden.

Studie ist ein wichtiger Meilenstein bei der Ermittlung des Potenzials biologischer Alterungsuhren und ihrer Fähigkeit, gesundheitsrelevante Entscheidungen zu beeinflussen

Altersuhren könnten dabei helfen, frühe Anzeichen einer Verschlechterung der Gesundheit zu erkennen und so präventive Strategien und Maßnahmen vor dem Ausbruch von Krankheiten zu ermöglichen. Sie könnten es den Menschen auch ermöglichen, ihre Gesundheit proaktiv zu überwachen, bessere Entscheidungen für ihren Lebensstil zu treffen, und Maßnahmen zu ergreifen, um länger gesund zu bleiben.

Dr. Julian Mutz, King’s Prize Research Fellow am IoPPN und Hauptautor der Studie, sagte: „Metabolomische Alterungsuhren haben das Potenzial, Erkenntnisse darüber zu liefern, wer möglicherweise einem höheren Risiko ausgesetzt ist, später im Leben gesundheitliche Probleme zu entwickeln. Im Gegensatz zum chronologischen Alter, das nicht verändert werden kann, ist unser biologisches Alter potenziell veränderbar. Diese Uhren bieten ein Näherungsmaß für das biologische Alter für die biomedizinische und Gesundheitsforschung, das bei der Gestaltung des Lebensstils von Einzelpersonen helfen und präventive Strategien für Gesundheitsdienste unterstützen könnte.“Die Studie bewertete eine breite Palette von Ansätzen des maschinellen Lernens für die Entwicklung von Alterungsuhren und zeigte, dass nichtlineare Algorithmen Alterungssignale am besten erfassen können.

Diese Studie ist ein wichtiger Meilenstein bei der Ermittlung des Potenzials biologischer Alterungsuhren und ihrer Fähigkeit, gesundheitsrelevante Entscheidungen zu beeinflussen. Die Forscher stellten fest, dass eine metabolomische Uhr, die mithilfe eines spezifischen maschinellen Lernalgorithmus, der sogenannten Cubist Rule-Based Regression, entwickelt wurde, am stärksten mit den meisten Gesundheits- und Alterungsmarkern korrelierte. Sie stellten außerdem fest, dass Algorithmen, die nichtlineare Beziehungen zwischen Metaboliten und Alter modellieren können, im Allgemeinen am besten darin sind, biologische Signale zu erfassen, die Aufschluss über Gesundheit und Lebensdauer geben.