Ein internationales Forschungsteam hat mithilfe von Deep Learning erstmals in großem Maßstab gezeigt, dass sich die biologische Alterung einzelner menschlicher Organe direkt aus mikroskopischen Gewebebildern ablesen lässt und dass diese organspezifischen Alterssignale sich anschließend in einer einfachen Blutprobe wiederfinden, was neue Möglichkeiten für eine frühzeitige, minimalinvasive Diagnostik chronischer Erkrankungen eröffnen könnte. Die im Fachjournal Nature Medicine veröffentlichte Studie kombiniert histopathologische Bildanalyse, RNA-Sequenzierung und den Abgleich mit etablierten DNA-Methylierungsuhren, um ein präziseres Bild der sogenannten biologischen Alterung zu zeichnen, die sich vom kalendarischen Alter eines Menschen deutlich unterscheiden kann.
Was die Studie untersucht hat
Die Forschenden analysierten 25.712 digitale Gewebeschnitte (Whole-Slide-Images) aus 40 verschiedenen Gewebetypen in 29 Organen von 983 verstorbenen Personen mit einem Durchschnittsalter von 53 Jahren. Die Proben stammen aus dem Genotype-Tissue Expression (GTEx) Projekt, einer der umfangreichsten öffentlich zugänglichen Gewebedatenbanken weltweit.
Mithilfe von Deep-Learning-Algorithmen entwickelte das Team sogenannte Gewebeuhren (tissue clocks), die anhand struktureller Merkmale des Gewebes das biologische Alter vorhersagen. Die Differenz zwischen vorhergesagtem und tatsächlichem chronologischem Alter wird als Age Gap oder Altersabweichung bezeichnet.
Zusätzliche Datenquellen
- Telomerlängen-Messungen aus 6.197 zugehörigen Gewebeproben.
- Genexpressionsdaten zur Untersuchung von Zusammenhängen zwischen Age Gaps und molekularen Veränderungen.
- Blutproben von 577 gesunden Personen und 628 Personen mit sieben chronischen Erkrankungen oder Schlaganfall aus der ARCHS4-Datenbank zur externen Validierung.
Zentrale Ergebnisse im Überblick
Die Gewebeuhren korrelierten deutlich mit etablierten Alterungsmarkern wie Telomerverkürzung, subklinischen Pathologien und der Krankheitslast (Komorbidität). Größere histologische Age Gaps gingen mit kürzeren Telomeren und einer höheren Zahl an Begleiterkrankungen einher.
Besonders ausgeprägt waren diese Zusammenhänge in folgenden Organen:
- Speiseröhre (Ösophagus)
- Magen
- Bauchspeicherdrüse (Pankreas)
- Prostata
- Niere
Während DNA-Methylierungsuhren vergleichbar oder teils sogar besser abschnitten als die Telomerlänge, zeigten die histologischen Age Gaps insgesamt die konsistenteste Verbindung zur Komorbiditätslast.
Sichtbare Gewebeveränderungen
Die biologische Altersabweichung erfasste Veränderungen, die durch das kalendarische Alter allein nicht sichtbar wurden. So ließ sich beispielsweise Muskelatrophie über den Age Gap deutlich klarer nachweisen als über das reine Lebensalter. Proben mit größerer Altersabweichung zeigten zudem ausgeprägtere organspezifische pathologische Veränderungen:
- Kleinhirnproben (Cerebellum) mit größerem Age Gap wiesen Verfärbungen auf, die mit Myelinverlust und ischämischen Veränderungen assoziiert sind.
- Aortenproben zeigten verdickte Gefäßwände mit Verlust der strukturellen Integrität, typische Merkmale von Arteriosklerose und anderen Gefäßerkrankungen.
- Skelettmuskulatur zeigte vermehrte Fetteinlagerungen (Fettinfiltration).
- Uterusgewebe zeigte eine sogenannte mikrovaskuläre Rarefizierung, also eine Ausdünnung kleinster Blutgefäße.
Leistungsfähigkeit des Deep-Learning-Modells
Das KI-Modell erreichte bei der Altersvorhersage einen mittleren absoluten Fehler (Mean Absolute Error, MAE) von 4,88 Jahren, kombiniert mit einem Bestimmtheitsmaß (R²) von 0,69. Damit übertraf das Modell klassische statistische Ansätze und erreichte eine Leistung, die mit sogenannten Foundation-Modellen vergleichbar war.
In der externen Validierung zeigten die GTEx-basierten Gewebeuhren organspezifische Korrelationen zwischen vorhergesagtem und tatsächlichem Alter:
- Lunge: Pearson-Korrelationskoeffizient r = 0,76
- Gehirn: r = 0,56
- Haut: r = 0,46
Im Lungenkohort ergab sich zudem eine moderate Übereinstimmung mit DNA-Methylierungsuhren (r = 0,30 bis 0,47). Innerhalb der GTEx-Daten schnitten die blutbasierten Vorhersagen besonders gut für die systemische Altersabweichung sowie für Magen-Darm-Trakt und Milz ab.
Was das für Blutuntersuchungen bedeutet
Ein zentrales Ergebnis der Studie: Die aus Blutproben abgeleiteten, organspezifischen Age Gaps unterschieden sich signifikant zwischen erkrankten und gesunden Personengruppen in der ARCHS4-Kohorte. Konkret zeigten sich folgende Muster:
- Blutproben von Personen mit Schlaganfall wiesen erhöhte, aus Blut vorhergesagte Hirnalterswerte auf.
- Blutproben von Personen mit Mukoviszidose (zystischer Fibrose) zeigten erhöhte, aus Blut vorhergesagte Nierenalterswerte, also in einem Organ jenseits des primären Krankheitsherds.
Die positiven prädiktiven Werte (Positive Predictive Values, PPV) für die Krankheitsklassifikation anhand schwellenwertbasierter, blutbasierter Age Gaps lagen in mehreren Fällen über 0,3, was laut den Studienautoren auf eine mögliche Anwendbarkeit für Screenings auf Bevölkerungsebene hindeutet.
Molekulare Signaturen und Genexpression
Die Altersveränderungen gingen mit Verschiebungen in der Genexpression zahlreicher Gene einher, teilweise sogar bei Genen, die im jeweiligen Gewebe eigentlich kaum aktiv sind. Ein Beispiel liefert das Gen EYA4 (EYA Transcriptional Coactivator and Phosphatase 4): Es war im Fettgewebe von Personen mit höherem biologischem Alter hochreguliert, obwohl es normalerweise vor allem in Zunge, Muskulatur und Gehirn exprimiert wird.
In explorativen Analysen der klinischen GTEx-Daten zeigten sich weitere Assoziationen, ausdrücklich ohne formale statistische Testung:
- Größere Age Gaps im Kleinhirn standen im Zusammenhang mit unerklärten Krampfanfällen.
- Eine beschleunigte Prostataalterung war bei Männern mit Bluthochdruck assoziiert.
Auf molekularer Ebene zeigten Proben mit größerer Altersabweichung eine Hochregulierung von Signalwegen, die mit Entzündungsprozessen und programmiertem Zelltod (Apoptose) verbunden sind. Gleichzeitig waren Stoffwechselprozesse wie Adipogenese (Fettzellbildung) und oxidative Phosphorylierung (mitochondriale Energiegewinnung) in diesen Proben herunterreguliert.
Warum das relevant ist
Altersbedingte physiologische Veränderungen sind eng mit molekularen Prozessen in zahlreichen biologischen Signalwegen verknüpft. Das biologische Alter kann selbst bei zwei gleich alten Menschen erheblich variieren, und diese Abweichung steht in direktem Zusammenhang mit dem individuellen Risiko für chronische Erkrankungen.
Ein besseres Verständnis dieser organspezifischen Alterungsmuster könnte langfristig helfen, personalisierte Risikoprofile zu erstellen und gezieltere Präventionsstrategien zu entwickeln, etwa durch regelmäßige, minimalinvasive Blutuntersuchungen anstelle invasiver Gewebeentnahmen.
Einschränkungen der Studie
Trotz der vielversprechenden Ergebnisse weisen die Autorinnen und Autoren auf wichtige methodische Grenzen hin:
- Das postmortale, querschnittliche Studiendesign erlaubt keine Aussagen über Kausalität.
- Die extern erhobenen, blutbasierten Age Gaps konnten nicht direkt gegen die entsprechende Gewebehistologie derselben Personen kalibriert werden.
- Die explorativen klinischen Zusammenhänge (etwa zu Krampfanfällen oder Bluthochdruck) wurden ohne formale statistische Signifikanztestung erhoben und bedürfen weiterer Bestätigung.
Die Forschenden betonen, dass größere, prospektive Längsschnittstudien mit genetischen und longitudinalen Daten notwendig sind, um zu klären, ob diese blutbasierten Alterssignaturen dem Auftreten einer Erkrankung tatsächlich vorausgehen und sich für die Früherkennung oder Risikoprognose eignen.
Fazit
Die Studie liefert einen der bislang umfangreichsten Datensätze zur organspezifischen biologischen Alterung und zeigt, wie Deep-Learning-Methoden strukturelle Gewebeveränderungen präziser erfassen können als das kalendarische Alter allein. Sollten sich die Ergebnisse in größeren prospektiven Kohorten bestätigen, könnten Ärztinnen und Ärzte künftig anhand einer einzigen Blutprobe Rückschlüsse auf das biologische Alter einzelner Organe ziehen und so frühzeitig Risiken für chronische Erkrankungen wie Schlaganfall, Herz-Kreislauf-Erkrankungen oder Nierenleiden erkennen.
Häufig gestellte Fragen (FAQs)
Was ist eine Gewebeuhr (tissue clock)? Eine Gewebeuhr ist ein Deep-Learning-Modell, das anhand mikroskopischer Strukturmerkmale eines Gewebeschnitts das biologische Alter dieses spezifischen Gewebes vorhersagt, unabhängig vom kalendarischen Alter der untersuchten Person.
Worin unterscheidet sich der Age Gap vom biologischen Alter selbst? Der Age Gap ist die numerische Differenz zwischen dem durch das Modell vorhergesagten Gewebealter und dem tatsächlichen chronologischen Alter. Ein positiver Age Gap deutet auf eine beschleunigte, ein negativer auf eine verlangsamte Alterung des jeweiligen Organs hin.
Können Blutwerte künftig eine Gewebebiopsie ersetzen? Die Studie zeigt vielversprechende Korrelationen zwischen blutbasierten und gewebebasierten Alterssignaturen, jedoch wurden die Blutmarker bislang nicht direkt an gepaarten Gewebeproben derselben Personen kalibriert. Eine Biopsie ist derzeit nicht ersetzbar.
Warum wurden gerade Speiseröhre, Magen, Bauchspeicheldrüse, Prostata und Niere besonders untersucht? In diesen Organen zeigten sich in der Studie die stärksten und konsistentesten Zusammenhänge zwischen histologischem Age Gap, Telomerverkürzung und Komorbiditätslast, was sie zu besonders aussagekräftigen Indikatoren für den Alterungsprozess macht.
Was bedeutet ein positiver prädiktiver Wert (PPV) von über 0,3 in diesem Kontext? Er bedeutet, dass bei entsprechend positivem Testergebnis (erhöhter Age Gap über einem festgelegten Schwellenwert) in mehr als 30 Prozent der Fälle tatsächlich die untersuchte Erkrankung oder ein damit verbundener Zustand vorlag, ein Hinweis auf ein potenzielles Screening-Instrument, jedoch keine diagnostische Sicherheit.
Dieser Beitrag beschäftigt sich mit einem medizinischen Thema, einem Gesundheitsthema oder einem oder mehreren Krankheitsbildern. Dieser Artikel dient nicht der Selbst-Diagnose und ersetzt auch keine Diagnose durch einen Arzt oder Facharzt. Bitte lesen und beachten Sie hier auch den Hinweis zu Gesundheitsthemen!
Quellen
Abila, E., Buljan, I., Zheng, Y., et al. (2026). Histological aging signatures for monitoring tissue-specific aging and disease. Nature Medicine. https://doi.org/10.1038/s41591-026-04566-5
News-Medical.Net. (2026, 18. August). Deep-learning tissue clocks reveal how organs age and leave disease-linked signals in blood. Abgerufen am 18. August 2026 von https://www.news-medical.net/news/20260818/Deep-learning-tissue-clocks-reveal-how-organs-age-and-leave-disease-linked-signals-in-blood.aspx
GTEx Consortium. (o. J.). The Genotype-Tissue Expression (GTEx) Project. Abgerufen von https://www.gtexportal.org
ARCHS4. (o. J.). ARCHS4: Massive Mining of Publicly Available RNA-seq Data. Abgerufen von https://maayanlab.cloud/archs4/
