Das Alter ist mehr als nur eine Zahl: Maschinelles Lernen kann möglicherweise vorhersagen, ob Sie ein gesundes Alter erreichen werden

Das Alter ist mehr als nur eine Zahl: Maschinelles Lernen kann möglicherweise vorhersagen, ob Sie ein gesundes Alter erreichen werden

LA JOLLA – Ärzte haben schon lange beobachtet, dass biologisches Alter und chronologisches Alter nicht immer dasselbe sind. Ein 55-Jähriger kann viele Alterserscheinungen aufweisen und zahlreiche altersbedingte Krankheiten haben, während ein 80-Jähriger gesund und robust sein kann. Während Ernährung, körperliche Aktivität und andere Faktoren eine Rolle spielen, gibt es viele Faktoren, die dazu beitragen, warum und wie manche Menschen besser altern als andere. Diese Mitwirkenden werden nach wie vor kaum verstanden.

Für eine Studie, die am 19. Dezember 2018 in veröffentlicht wurde Genombiologie, analysierte ein Gemeinschaftsteam am Salk Institute Hautzellen von sehr jungen bis sehr alten und suchte nach molekularen Signaturen, die das Alter vorhersagen können. Die Entwicklung eines besseren Verständnisses der biologischen Prozesse des Alterns könnte letztendlich dazu beitragen, Gesundheitsprobleme anzugehen, die im Alter häufiger auftreten, wie Herzerkrankungen und Demenz.

„Dieses Experiment wurde entwickelt, um festzustellen, ob es molekulare Signaturen des Alterns über den gesamten Bereich der menschlichen Lebensspanne hinweg gibt“, sagt Co-Hauptautor Saket Navlakha, Assistenzprofessor am Integrative Biology Laboratory von Salk. „Wir wollen Algorithmen entwickeln, die gesundes und ungesundes Altern vorhersagen können, und versuchen, die Unterschiede zu finden.“

„Die Studie liefert eine Grundlage für die quantitative Beantwortung ungelöster Fragen des menschlichen Alterns, beispielsweise der Alterungsrate in Stresszeiten“, sagt Professor Martin Heißer, Co-Senior-Autor sowie Vizepräsident und Chief Science Officer von Salk.

Die Forscher konzentrierten sich auf eine Art von Hautzellen namens dermale Fibroblasten, die Bindegewebe bilden und der Haut helfen, nach einer Verletzung zu heilen. Sie entschieden sich aus zwei Gründen für diesen Zelltyp: Erstens sind die Zellen mit einer einfachen, nicht-invasiven Hautbiopsie leicht zu gewinnen; Zweitens deuteten frühere Studien darauf hin, dass Fibroblasten wahrscheinlich Zeichen des Alterns tragen. Dies liegt daran, dass im Gegensatz zu den meisten Zelltypen, die sich alle paar Wochen oder Monate vollständig umwandeln, ein Teil dieser Zellen unser ganzes Leben lang bei uns bleibt.

Die Forscher analysierten Fibroblasten von 133 gesunden Personen im Alter von 1 bis 94 Jahren. Um eine repräsentative Stichprobe zu erhalten, untersuchte das Team durchschnittlich 13 Personen für jedes Altersjahrzehnt. Das Labor kultivierte die Zellen, um sich zu vermehren, und verwendete dann eine Methode namens RNA-Sequenzierung (RNA-Seq), um nach Biomarkern in den Zellen zu suchen, die sich mit zunehmendem Alter verändern. RNA-Seq nutzt Deep-Sequencing-Technologien, um zu bestimmen, welche Gene in bestimmten Zellen aktiviert sind. Mit benutzerdefinierten Algorithmen für maschinelles Lernen zum Sortieren der RNA-Seq-Daten fand das Team bestimmte Biomarker, die auf Alterung hinweisen, und konnte das Alter einer Person mit einem durchschnittlichen Fehler von weniger als acht Jahren vorhersagen.

„Wir haben bei diesem Projekt einen ‚Küchenspülen‘-Ansatz gewählt“, sagt Erstautor Jason Fleischer, Postdoktorand bei Salk. „Anstatt mit einer Vorstellung davon, was wir finden wollten, in diese Forschung zu gehen, haben wir beschlossen, uns die Veränderungen in der Expression aller Protein-kodierenden Gene anzusehen und die Algorithmen das klären zu lassen.“ Dazu verwendeten wir eine sogenannte Ensemble-Machine-Learning-Methode.“

Die Analyse des Salk-Teams unterschied sich von früheren Ansätzen anderer Labore zur Untersuchung des biologischen Alterns. Die meisten früheren Studien konzentrierten sich auf Veränderungen an nur wenigen DNA-Methylierungsstellen und nicht auf Veränderungen der Expression im gesamten Genom. Der Datensatz war auch viel umfangreicher als jede bisher durchgeführte Forschung dieser Art, da er so viele Personen aus verschiedenen Jahrzehnten umfasste. Die Forscher haben die Daten öffentlich gemacht, damit andere Forscher sie nutzen können.

Um den Algorithmus zu validieren, verwendete das Team auch Fibroblasten von zehn Patienten mit Progerie, einer genetischen Erkrankung, die durch beschleunigtes Altern gekennzeichnet ist. Basierend auf der Analyse der molekularen Signaturen dieser Patienten im Alter zwischen zwei und acht Jahren prognostizierte das Modell, dass sie etwa ein Jahrzehnt älter als ihr Kalenderalter sein würden.

„Die Tatsache, dass unser System diese Art des Alterns vorhersagen kann, zeigt, dass dieses Modell beginnt, die wahren Grundlagen des biologischen Alters zu verstehen“, sagt Fleischer.

Obwohl diese Studie altersbedingte Biomarker aufdeckte, betonen die Forscher, dass nur weil etwas das Altern vorhersagt, es nicht automatisch die Ursache des Alterns ist. In der Zwischenzeit könnten Ärzte jedoch, wenn die Ergebnisse bestätigt werden, diese Art der Analyse nutzen, um zu bestimmen, wann sie mit der Untersuchung ihrer Patienten auf altersbedingte Erkrankungen beginnen sollten, und sie über die Wahl eines gesunden Lebensstils zu beraten.

Bevor präventive Behandlungen entwickelt werden können, muss noch mehr Forschung betrieben werden. Einer der nächsten Schritte dieser Forschung wird die Suche nach diesen Signaturen in anderen Zelltypen sein.

„Alter ist ein Auslöser für so viele Krankheiten, darunter Alzheimer und andere neurologische Probleme“, schließt Navlakha. „Wenn wir zeigen können, dass die Veränderungen, die wir bei Fibroblasten beobachtet haben, mit der Alterung anderer Zelltypen zusammenhängen, können wir diese Signaturen vielleicht irgendwann nutzen, um gezielte Interventionen zu entwickeln.“

Weitere Forscher des Artikels waren Roberta Schulte, Hsiao H. Tsai, Swati Tyagi, Maxim N. Shokhirev und Ling Huang von Salk; und Arkaitz Ibarra von Molecular Stethoscope, Inc.

Diese Arbeit wurde durch ein Stipendium des National Institutes of Health Transformative Research Award (R01 NS096786), der Keck Foundation, der NOMIS Foundation, dem National Institute on Deafness and Other Communication Disorders der National Institutes of Health (1R01DC017695) und der Pew Charitable finanziert Vertrauen.