Longevity & AgingForschungsarbeitOpen Access

KI liest Gewebeschnitte aus und zeigt, wie schnell jedes Organ tatsächlich altert

Deep Learning, angewandt auf mehr als 25.000 Gewebeschnitte, erzeugt organspezifische „Gewebeuhren“, die das biologische Alter vorhersagen und beschleunigtes Altern bei Krankheiten erkennen.

Sonntag, 16. August 2026 4 Aufrufe
Veröffentlicht in Nat Med
A pathologist viewing a colorful stained tissue slide under a microscope in a modern lab, with a glowing monitor displaying AI-analyzed organ images alongside age readouts

Zusammenfassung

Verschiedene Organe altern unterschiedlich schnell, und die meisten Alterstests können das nicht abbilden. Forschende nutzten künstliche Intelligenz, um rund 25.700 mikroskopische Gewebeschnitte von 40 Gewebetypen aus 983 Spenderinnen und Spendern zu analysieren. Die KI lernte, das biologische Alter jedes Gewebes allein anhand seiner Struktur zu schätzen – mit einem durchschnittlichen Fehler von 4,9 Jahren. Gewebe, die älter aussahen als das Alter der jeweiligen Person, wiesen tendenziell kürzere Telomere, mehr subklinische Erkrankungen und mehr Begleiterkrankungen auf. Manche Menschen alterten in allen Organen gleichmäßig, bei anderen stach ein einzelnes Organ hervor, oder sie alterten überall gleichzeitig schneller. Anschließend trainierte das Team Modelle, die die organspezifische Alterung anhand der Genexpression im Blut schätzen. In neun unabhängigen Kohorten erfassten diese blutbasierten Werte die Organalterung bei Erkrankungen wie Alzheimer, Schlaganfall und Morbus Crohn. Die Arbeit weist den Weg zu skalierbaren Alterstests auf Organebene, auch wenn diese bislang noch Forschungsinstrumente sind.

Detaillierte Zusammenfassung

Altern ist der wichtigste Risikofaktor für chronische Erkrankungen, verläuft aber in den einzelnen Organen unterschiedlich schnell, und die meisten biologischen Alterungsuhren beruhen auf Blut oder wenigen leicht zugänglichen Geweben. Abila und Kollegen fragten, ob die Gewebearchitektur selbst, also die unter dem Mikroskop sichtbare Struktur, als organspezifischer Indikator des biologischen Alters dienen könnte. Sie wendeten Deep Learning auf rund 25.700 histopathologische Ganzschnittbilder von 983 Spenderinnen und Spendern aus der Kohorte Genotype-Tissue Expression (GTEx) an, die 40 Gewebe aus 29 Organen abdecken. Die Spender waren zwischen 20 und 70 Jahre alt (Mittelwert 52,8), und das Gewebe wurde nach einem Schnellautopsie-Protokoll entnommen.

Die daraus entstandenen „Gewebeuhren“ sagten das chronologische Alter mit einem mittleren absoluten Fehler von durchschnittlich 4,88 Jahren und einem Bestimmtheitsmaß von 0,69 voraus; das Alter war der stärkste Treiber der Variation zwischen den Geweben. Proben mit größeren Altersabweichungen hatten kürzere Telomere (Daten für 6.197 Proben) und mehr subklinische Pathologien wie Arterienverkalkung und Muskelschwund. Foundation-Modelle für die Pathologie erreichten einen mittleren Fehler von 5,74 Jahren, klassische Bildverarbeitungsmodelle dagegen 8,67 Jahre. Bei der Anwendung auf unabhängige Kohorten für Gehirn (n = 70), Lunge (n = 40) und Haut (n = 185) korrelierten die Uhren mit dem Alter bei r = 0,56, 0,76 bzw. 0,46.

Zur Interpretation der Uhren befragten die Autoren ein Vision-Language-Modell mit 150 histologischen Begriffen. Atrophie, mikrovaskuläre Rarefizierung und Fibrose nahmen in vielen Organen zu, während Begriffe im Zusammenhang mit Epithel und Hyperplasie abnahmen. Fetteinlagerungen in der Skelettmuskulatur waren ein muskelspezifisches Merkmal. In mehr als 17.000 passenden RNA-seq-Proben nahmen mit dem Alter p53-Signalweg, zelluläre Seneszenz, der seneszenzassoziierte sekretorische Phänotyp, Hypoxie und TNF-Signalwirkung zu, während oxidative Phosphorylierung und Adipogenese abnahmen. Diese Veränderungen waren mit dem histologisch abgeleiteten biologischen Alter stärker ausgeprägt als mit dem chronologischen Alter (durchschnittliche Steigung 1,26).

Das Team verglich 28 DNA-Methylierungsuhren mit 19 histologischen Uhren. Keine Gruppe war durchgehend besser. Histologische Altersabweichungen spiegelten die Komorbiditätslast konsistenter wider (89 % und 79 % der Modelle signifikant in Kolon und Lunge, gegenüber 7 % und 50 % bei der Methylierung), während Methylierungsuhren bei der Telomerlänge gleich gut oder besser abschnitten. Die beiden Arten von Altersabweichung waren praktisch unkorreliert (r = 0,09), was darauf hindeutet, dass sie unterschiedliche Aspekte des Alterns erfassen. Innerhalb der Individuen identifizierten die Autoren „resiliente“, „durchschnittliche“, Ein- oder Mehrgewebe-Alterer sowie „systemische“ Alterer. Unter 303 Spendern mit mindestens einer hohen Altersabweichung alterten die meisten über mehrere Organe hinweg. Nierenversagen war in vielen Geweben mit beschleunigter Alterung verbunden, insbesondere in Fettgewebe, Hypophyse, Milz und Nervus tibialis.

Schließlich trainierten die Autoren Modelle, um die Altersabweichung jedes Gewebes aus der Genexpression im Blut vorherzusagen. Die Leistung war am besten für die systemische Altersabweichung, den Magen-Darm-Trakt und die Milz. Bei Anwendung auf 1.205 Blutproben aus neun unabhängigen Kohorten markierten die Modelle krankheitsrelevante Organalterung bei acht Erkrankungen, darunter Alzheimer-Krankheit, Schlaganfall und Morbus Crohn.

Die wichtigsten Einschränkungen: Die Daten sind querschnittlich, stammen aus einer postmortalen Kohorte mit einer Altersspanne von 20 bis 70 Jahren und enthalten keine longitudinale Nachbeobachtung. Vier der 40 Uhren waren statistisch unterpowert, und die externen Validierungskohorten waren klein. Die Analyse der Zusammenhänge mit Lebensstil und klinischen Merkmalen war ausdrücklich explorativ, ohne formale statistische Tests. Ob die Veränderung eines Risikofaktors die Altersabweichung eines Organs verringert, ist weiterhin ungeprüft.

Wichtigste Erkenntnisse

  • Deep learning on ~25,700 whole-slide images from 983 GTEx donors across 40 tissues produced tissue clocks with an average error of 4.88 years (R² = 0.69)
  • External validation of GTEx-trained clocks gave age correlations of r = 0.56 (brain, n = 70), 0.76 (lung, n = 40) and 0.46 (skin, n = 185)
  • Larger histological age gaps were linked to shorter telomeres (6,197 samples) and more subclinical pathology; this tie to biological age was stronger than for chronological age
  • Histology-derived age gaps tracked comorbidity burden in 89% (colon) and 79% (lung) of models, versus 7% and 50% for DNA methylation clocks, and the two measures were uncorrelated (r = 0.09)
  • Across 17,000+ RNA-seq samples, p53, senescence, SASP and TNF pathways rose and oxidative phosphorylation fell, with stronger shifts for biological than chronological age (slope 1.26)
  • Renal failure was tied to accelerated aging in many tissues, most strongly in adipose, pituitary, spleen and tibial nerve rather than in the kidney itself
  • Blood-based predictors of organ age gaps, tested on 1,205 samples from nine cohorts, detected organ aging across eight diseases including Alzheimer's, stroke and Crohn's disease

Methodik

Die Autoren haben Bildverarbeitungsmodelle anhand von GTEx-Ganzschnittbildern (983 Spender, 40 Gewebe, 29 Organe) feinabgestimmt, morphologische Merkmalsvektoren extrahiert und kreuzvalidierte Regressionsmodelle trainiert, um das chronologische Alter vorherzusagen. Die Abweichung des vorhergesagten vom tatsächlichen Alter wurde als Altersdifferenz (Age Gap) definiert. Die Robustheit wurde mittels Alters-Shuffling, 7 klassischen Bildverarbeitungsmodellen, 18 pathologischen Foundation-Modellen, Graph-Neural-Networks sowie externen Kohorten für Gehirn, Lunge und Haut geprüft. Die Altersdifferenzen wurden mit der Telomerlänge, pathologischen Annotationen, Komorbiditäten, DNA-Methylierungsuhren, Bulk-RNA-seq (hypergeometrische Anreicherungsanalyse mit Benjamini-Hochberg-Korrektur) und Bluttranskriptomen in Verbindung gebracht, wobei blutbasierte Modelle mithilfe einseitiger t-Tests auf neun unabhängige Kohorten angewendet wurden.

Studienlimitierungen

Die kohortenbasierte Studie ist querschnittlich angelegt und postmortal, umfasst das Alter von 20 bis 70 Jahren und enthält keine longitudinale Nachbeobachtung. Daher ist nicht gezeigt, dass Altersabweichungen zukünftige Erkrankungen oder die Sterblichkeit vorhersagen. Vier von 40 Uhren waren unterdimensioniert (<100 Proben), die externen Validierungskohorten waren klein, und die Analyse demografischer und klinischer Zusammenhänge war explorativ, ohne formale statistische Tests. Offenlegungen zu Interessenkonflikten waren im bereitgestellten Text nicht enthalten.

Hat dir diese Zusammenfassung gefallen?

Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.

E-Mail-Adresse zum Abonnieren eingeben: