Metabolomics-Daten und KI revolutionieren die Art und Weise, wie wir das Altern messen und eine gesunde Lebenserwartung vorhersagen.
Studie: Stoffwechselalter (MileAge) sagt Gesundheit und Lebensdauer voraus: Ein Vergleich mehrerer Algorithmen für maschinelles Lernen. Bildnachweis: Sergey Tarasov / Shutterstock
In einer kürzlich in der Zeitschrift veröffentlichten Studie Wissenschaftliche FortschritteForscher vom King’s College London untersuchten die metabolischen Alterungsuhren mithilfe von Modellen für maschinelles Lernen, die auf Plasmametabolitendaten der britischen Biobank trainiert wurden. Das Ziel dieser Forschung bestand darin, das Potenzial metabolomischer Alterungsuhren zur Vorhersage von Gesundheitsergebnissen und Lebensdauer zu bewerten, indem ihre Genauigkeit, Robustheit und Relevanz für biologische Indikatoren des Alterns über das chronologische Alter hinaus gemessen wurden.
Kontext
Das biologische Alter spiegelt im Gegensatz zum chronologischen Alter molekulare und zelluläre Schäden wider, die sich auf die Gesundheit und die Anfälligkeit für Krankheiten auswirken. Das chronologische Alter allein kann die Variabilität der altersbedingten physiologischen Zustände zwischen Individuen nicht erfassen. Jüngste Fortschritte in den Omics-Technologien, insbesondere in der Metabolomik, haben jedoch durch molekulare Profilierung Einblicke in das biologische Altern geliefert.
Metaboliten, kleine Moleküle, die aus Stoffwechselwegen stammen, helfen bei der Beurteilung der physiologischen Gesundheit und werden mit altersbedingten Folgen wie chronischen Krankheiten und Mortalität in Verbindung gebracht. Frühere Studien haben Korrelationen zwischen Metabolomikdaten und Alterung festgestellt, waren jedoch durch kleine Stichprobengrößen und wenige Marker eingeschränkt.
Jüngste Bemühungen, mithilfe von maschinellem Lernen „Alterungsuhren“ aus Omics-Daten abzuleiten, haben eine erhebliche Vorhersagekraft für Gesundheitsergebnisse gezeigt. Es bestehen jedoch weiterhin Herausforderungen bei der Optimierung dieser Modelle hinsichtlich Genauigkeit und Interpretierbarkeit, insbesondere im Hinblick auf die Metabolomik.
Die aktuelle Studie
Die fragliche Studie nutzte Kernspinresonanzspektroskopie (NMR), um Plasmametabolitendaten der britischen Biobank zu analysieren, an denen 225.212 Teilnehmer im Alter von 37 bis 73 Jahren teilnahmen. Zu den Ausschlusskriterien gehörten Schwangerschaft, Dateninkonsistenzen und extreme Metabolitenwerte. Der Datensatz umfasste 168 Metaboliten, die Lipidprofile, Aminosäuren und Glykolyseprodukte repräsentierten.
Die Forscher verwendeten 17 Algorithmen für maschinelles Lernen, darunter lineare Regression, baumbasierte Modelle und Ensemble-Techniken, um metabolomische Alterungsuhren zu entwickeln. Sie verwendeten außerdem eine strenge verschachtelte Kreuzvalidierungsmethode, um eine robuste Modellbewertung sicherzustellen.
Zu den wichtigsten Vorverarbeitungsschritten gehörten der Umgang mit Metaboliten-Ausreißern und die Korrektur der den Modellen innewohnenden Verzerrungen bei der Altersvorhersage. Die Vorhersagemodelle zielten darauf ab, das chronologische Alter mithilfe von Metabolitenprofilen abzuschätzen, und die Unterschiede zwischen vorhergesagtem und tatsächlichem Alter wurden als „MileAge-Delta“ definiert. Statistische Korrekturen wurden umfassend durchgeführt, um systematische Verzerrungen zu beseitigen und die Prognosegenauigkeit zu verbessern, insbesondere für jüngere und ältere Alterskategorien.
Die Modelle wurden anhand von Kriterien wie dem mittleren absoluten Fehler (MAE), dem quadratischen Mittelfehler (RMSE) und Korrelationskoeffizienten auf ihre Vorhersagegenauigkeit hin bewertet. Beispielsweise erreichte das kubistische Regressionsmodell eine MAE von 5,31 Jahren und übertraf damit andere Modelle wie multivariate adaptive Regressions-Splines (MAE = 6,36 Jahre). Durch zusätzliche Analysen wurden die Vorhersagen angepasst, um systematische Verzerrungen zu beseitigen und sie besser an das chronologische Alter anzupassen.
Ergebnisse
Die Ergebnisse zeigten, dass metabolomische Alterungsuhren, die aus Plasmametabolitenprofilen entwickelt wurden, biologisches von chronologischem Altern effektiv unterscheiden können. Unter den verschiedenen in der Studie getesteten Modellen lieferte das kubistische regelbasierte Regressionsmodell die stärksten prädiktiven Assoziationen mit Gesundheits- und Mortalitätsmarkern und übertraf andere Algorithmen in Bezug auf Genauigkeit und Robustheit.
Darüber hinaus wurden positive MileAge-Delta-Werte, die auf eine beschleunigte Alterung hinweisen, mit Gebrechlichkeit, kürzeren Telomeren, erhöhter Morbidität und erhöhtem Mortalitätsrisiko in Verbindung gebracht. Konkret entsprach ein einjähriger Anstieg des MileAge-Deltas einem Anstieg des Gesamtmortalitätsrisikos um 4 %, wobei die Hazard Ratios (HRs) in extremen Fällen 1,5 überstiegen.
Darüber hinaus zeigte die Studie, dass Personen mit beschleunigtem Altern häufiger über eine schlechtere Selbsteinschätzung ihrer Gesundheit berichten und an chronischen Krankheiten leiden. Besonders ausgeprägt waren Zusammenhänge mit Telomerfragilität und -abrieb, wobei einige Unterschiede einer 18-jährigen Lücke in den Fragilitätsindexwerten entsprachen. Interessanterweise hatten Frauen in den meisten Modellen etwas höhere MileAge-Deltas als Männer.
Die Studie bestätigte auch die nichtlineare Natur der Beziehungen zwischen Metaboliten und Alter und betonte gleichzeitig die Nützlichkeit statistischer Korrekturen zur Verbesserung der Vorhersagegenauigkeit. Darüber hinaus zeigte der Vergleich mit vorhandenen Alterungsmarkern, dass metabolomische Alterungsuhren gesundheitsrelevante Signale erfassten und einfachere Prädiktoren häufig übertrafen. Die Ergebnisse zeigten jedoch, dass eine verlangsamte Alterung (negative MileAge-Deltas) nicht durchgängig zu besseren Gesundheitsergebnissen führte, was die Komplexität der biologischen Alterungsmetriken verdeutlicht.
Schlussfolgerungen
Insgesamt zeigte die Studie den Nutzen metabolomischer Alterungsuhren bei der Vorhersage des biologischen Alterns und der damit verbundenen gesundheitlichen Folgen. Durch den Vergleich mehrerer Algorithmen für maschinelles Lernen zeigten die Ergebnisse auch die überlegene Leistung des kubistischen regelbasierten Modells bei der Verknüpfung von aus Metaboliten abgeleiteten Altersgruppen mit Gesundheits- und Mortalitätsmarkern.
Die Ergebnisse deuten darauf hin, dass metabolomische Alterungsuhren das Potenzial haben, proaktives Gesundheitsmanagement und Risikostratifizierung zu unterstützen, und unterstreichen gleichzeitig die Notwendigkeit weiterer Validierungen für verschiedene Bevölkerungsgruppen und Längsschnittdaten für eine breitere klinische Anwendung. Diese Studie setzt neue Maßstäbe für die Algorithmenentwicklung und zeigt, wie Stoffwechselprofile umsetzbare Erkenntnisse über Alterung und Gesundheit liefern können.
Imbissbuden
- Stoffwechsel-Alterungsuhren können das biologische Altern mit erhöhter Genauigkeit vorhersagen.
- Die Ergebnisse verdeutlichen Zusammenhänge zwischen beschleunigtem Altern und erhöhten Gesundheitsrisiken.
- Das auf der kubistischen Regel basierende Regressionsmodell zeigte unter den getesteten Personen die beste Leistung.
- Zukünftige Forschung sollte die Validierung metabolomischer Alterungsuhren in verschiedenen klinischen Umgebungen erweitern.
Diese Studie eröffnet neue Perspektiven zum Verständnis des Alterungsprozesses. Obwohl metabolische Uhren vielversprechend sind, da sie Gesundheit und Langlebigkeit vorhersagen können, wirft dies auch die Frage auf, wie diese Erkenntnisse die klinische Praxis beeinflussen könnten und wie wir in unserer Gesellschaft mit dem Altern umgehen.
