Neue biologische Altersinstrumente könnten Gesundheitsrisiken aufdecken, bevor Symptome auftreten

Von Ganggeschwindigkeit und DNA-Methylierung bis hin zu KI-Scans und klinischen Texten zeigt eine große Übersicht, wie Wissenschaftler das Altern messen und warum auf diesem Gebiet noch stärkere Beweise erforderlich sind, bevor diese Tools die Patientenversorgung leiten.

Die Unterscheidung zwischen CA und BA und die Entwicklung epigenetischer Uhren über mehrere Generationen hinweg. (A) Das chronologische Alter spiegelt ein einheitliches Zeitmaß wider, während das biologische Alter den zellulären und physiologischen Verfall widerspiegelt. (B) Uhren der ersten Generation (z. B. Horvath, Hannum) wurden darauf trainiert, das chronologische Alter vorherzusagen. Uhren der zweiten Generation (z. B. PhenoAge, GrimAge) konzentrieren sich auf das phänotypische Gesundheits- und Mortalitätsrisiko. Uhren der dritten Generation (z. B. DunedinPACE) messen die aktuelle biologische Alterungsrate. Die nächste Uhrengeneration zielt darauf ab, das organspezifische biologische Alter zu messen. Bild angepasst aus Abbildung 1 in Cheema, BS et al. Funktionelle, molekulare und digitale Messungen des biologischen Alters. Das Journal of Clinical Investigation. 2026;136(12):e205777. doi:10.1172/JCI205777. Lizenziert unter CC BY 4.0.

In einer kürzlich veröffentlichten Rezension in Das Journal of Clinical Investigationdiskutieren Forscher über die Fortschritte bei der Schätzung des biologischen Alters (BA) im Laufe der Jahre und anhaltende Einschränkungen, die für die zukünftige klinische Umsetzung angegangen werden müssen.

Bis zur prospektiven Validierung können Kliniker diese Ansätze letztendlich nutzen, um Personen mit hohem Risiko zu identifizieren und personalisiertere Präventions- oder Behandlungsstrategien zu unterstützen, ihre Rolle in der Routineversorgung bleibt jedoch ungeklärt.

Menschen des gleichen Geschlechts, die im selben Jahr geboren wurden und ein ähnliches klinisches Profil aufweisen, beispielsweise Adipositas, können sich in ihren körperlichen Fähigkeiten, ihrer Immunabwehr, der Wahrscheinlichkeit einer Erkrankung und ihrem Gesamtüberleben unterscheiden. Dies spiegelt die kumulativen Auswirkungen des Alterns wider, die durch Umwelteinflüsse, Gesundheitsverhalten, genetische Veranlagung, molekulare Veränderungen und zufällige Ereignisse geprägt sind. Das biologische Alter (BA) kann solche Variabilitäten auf individueller Ebene erfassen.

Wissenschaftler entwickeln neue Strategien, um das biologische Alter verschiedener Zellen, Gewebe und Organe zu bestimmen. Solche Bemühungen könnten Ansätze der Präzisionsmedizin unterstützen und letztlich den Versorgungsstandard verbessern.

In dieser Übersicht geben Forscher einen Überblick über BA-Schätzansätze und die aktuellen Herausforderungen und Einschränkungen.

Konventionelle und moderne Methoden zur biologischen Altersschätzung

Frühzeitige Schätzmodelle verwendeten hauptsächlich vordefinierte Variablen, Risikofaktoren und funktionelle Marker (wie Ganggeschwindigkeit und Griffstärke) und interpretierten die Ergebnisse als verzögertes oder beschleunigtes Altern. Sie entwickelten auch zusammengesetzte Scores für das physiologische Altern. Obwohl diese Methoden dabei helfen, das Krankheitsrisiko abzuschätzen, sind sie in der Regel nicht in der Lage, Unterschiede auf zellulärer Ebene zu erklären, die sich auf Mobilität, Kraft und Gleichgewicht auswirken können, was sich wiederum auf die Fähigkeit zur Ausführung alltäglicher Aufgaben auswirken kann.

Forscher integrieren nun molekulares Profiling mit Algorithmen der künstlichen Intelligenz (KI) in einheitliche Frameworks, um die BA-Schätzung zu verbessern. Uhren der ersten Generation wie Horvath und Hannum verwendeten überwachte Modelle des maschinellen Lernens, die auf ausgewählten CpG-Methylierungsstellen basierten, um das chronologische Alter abzuschätzen, während spätere Uhren darauf ausgelegt waren, phänotypisches Altern, Morbidität und Mortalitätsrisiko besser zu erfassen.

Digitale KI-Modelle können Bildgebung, Elektrophysiologie, tragbare Signale und klinischen Text analysieren, während Ansätze, die auf großen Sprachmodellen (LLM) basieren, sich als vielversprechend für die Schätzung des phänotypischen Alterns aus routinemäßig erfassten Gesundheitsuntersuchungsberichten und elektronischen Gesundheitsakten erwiesen haben.

Eine Verringerung der Ganggeschwindigkeit und der Griffstärke ist mit einer schlechteren körperlichen Funktion und einem höheren Sterblichkeitsrisiko verbunden. Neue Modelle nutzen videogestützte und computergestützte Analysen, um diese Bewertungen skalierbarer zu machen.

Mit zunehmendem Alter wird die innere Auskleidung der Arterien weniger leistungsfähig. Die durch Fluss vermittelte Dilatation bietet ein ultraschallbasiertes Fenster zur Endothelfunktion, während Pulswellengeschwindigkeit und Pulsdruck damit verbundene Aspekte der Arteriensteifheit und der Gefäßalterung erfassen.

Wearables und digitale Monitore können kontinuierliche Daten zu Herzfrequenz, Aktivität, Schlaf und damit verbundenen physiologischen Mustern liefern, während EKG-abgeleitetes Alter, entzündliche Biomarker und Messungen wie die maximale Sauerstoffaufnahme ergänzende Fenster in die kardiovaskuläre und physiologische Reserve des gesamten Körpers bieten.

Erhöhte Werte natriuretischer Peptide wie NT-proBNP können dabei helfen, das langfristige Risiko für Herz-Kreislauf-Erkrankungen auf Werte weit unter den Standardwerten abzuschätzen. Ebenso hat Cystatin C, ein Nierenmarker, herkömmliche Kreatinin-basierte Indizes bei der Vorhersage von Mortalitätsrisiken übertroffen.

Deep-Learning-Modelle können BA anhand von Magnetresonanztomographie-Scans (MRT) des Gehirns und hochauflösenden Bildern von Netzhautblutgefäßen abschätzen. Fortgeschrittene ML-Modelle können mithilfe der Gesichtsbildgebung auch Überlebensergebnisse von Krebspatienten vorhersagen, während molekulare Profilierung altersbedingte biologische Muster erfassen kann, die die Risikostratifizierung verbessern können. Beispielsweise wurden höhere PAI-1-Werte bei Frauen im mittleren Lebensalter mit ungünstigen Stoffwechsel- und Herz-Kreislauf-Profilen in Verbindung gebracht.

Die BA-Schätzung mithilfe zusammengesetzter Ansätze wie der Klemera-Doubal-Methode und PhenoAge sowie DNA-Methylierungsuhren wie GrimAge und DunedinPACE hat die Bestimmung des Mortalitätsrisikos durch die Kombination klinischer Biomarker, biologischer Prozesse und methylierungsbasierter Alterungssignale verbessert.

Neue Uhren wie Systems Age, OMICmAge, GlycanAge und MileAge können Veränderungen über mehrere Organsysteme, Immunzellpopulationen und Stoffwechselwege hinweg quantifizieren. Proteomische Alterungsuhren (PAC) können jetzt Tausende von Proteinen mithilfe von Regressionsmodellen analysieren, um die BA, die Gesundheitsspanne, die Krankheitsanfälligkeit und das Mortalitätsrisiko abzuschätzen.

Herausforderungen und zukünftige Richtungen

Die wissenschaftliche Gemeinschaft hat bei der Altersschätzung erhebliche Fortschritte gemacht. Dennoch bleiben einige Herausforderungen bestehen. Es gibt keinen standardisierten, einheitlichen Rahmen zur Bestimmung einer angemessenen BA-Maßnahme. Darüber hinaus basieren die meisten BA-Modelle auf Querschnittsanalysen und prognostischen Informationen.

Direkte Vergleiche der methodischen Zuverlässigkeit, des Ansprechens auf Behandlungen, der Durchführbarkeit und der Langzeitstabilität sind erforderlich, um zu verstehen, ob Änderungen der BA-Messungen tatsächliche Verbesserungen oder Verschlechterungen der Gesundheit widerspiegeln.

Wissenschaftler müssen außerdem KI-Modelle verbessern, um die Informationstransparenz zu gewährleisten und altersbedingte Veränderungen von der Pathophysiologie der Krankheit für biomedizinische Anwendungen abzugrenzen. Da der prädiktive Zusammenhang keine kausale Modifizierbarkeit beweist, müssen Forscher auch feststellen, ob die Senkung einer BA-Schätzung mit sinnvollen Verbesserungen der Gesundheitsspanne, der Funktion oder des Überlebens einhergeht. Koordinierte interdisziplinäre Bemühungen und verstärkte Investitionen in Gesundheitsdienstleistungen zur Verknüpfung von BA-Maßnahmen mit klinischen Ergebnissen werden dazu beitragen, diese Lücken zu schließen.

Prospektive Studien mit menschlichen Teilnehmern und einheitliche Testmaßnahmen sind erforderlich, um die klinische Umsetzung von BA-Maßnahmen zu beschleunigen.

Schlussfolgerungen

Basierend auf den Ergebnissen weisen fortgeschrittene Methoden zur biologischen Altersschätzung im Vergleich zu herkömmlichen Ansätzen im Allgemeinen ein hohes Vorhersagepotenzial auf. Neue Frameworks nutzen KI und maschinelles Lernen, um multimodale Daten zu analysieren, darunter Krankenakten, Labortestwerte, klinische Befunde, Bildgebungsergebnisse und genetische Informationen.

Diese integrierten Rahmenwerke erfassen möglicherweise ergänzende Dimensionen des Alterns über traditionelle Einzelmodalitätsansätze hinaus, direkte Vergleichs- und Längsschnittnachweise bleiben jedoch begrenzt. Es bedarf jedoch weiterer Forschung, um BA-Schätzungen mit klinischen Erkenntnissen für die Anwendung in realen Umgebungen zu verknüpfen.

Laden Sie Ihr PDF-Exemplar herunter, indem Sie hier klicken.

Quellen: