Das menschliche Altern ist ein komplexer biologischer Prozess, der von zahlreichen Faktoren beeinflusst wird. Während das chronologische Alter lediglich die Anzahl der Jahre angibt, die ein Mensch lebt, spiegelt das biologische Alter den Zustand und die Funktionalität des Körpers wider. Unterschiedliche Menschen altern mit variierenden Geschwindigkeiten, was die Notwendigkeit unterstreicht, Methoden zu entwickeln, die das biologische Alter präzise erfassen können. Ein innovativer Ansatz stellt ein mathematisches Modell dar, das auf physiologischen Kennwerten basiert und nicht nur das biologische Alter vorhersagt, sondern auch Faktoren identifiziert, die die Alterung beeinflussen. Diese Entwicklung bietet neue Perspektiven in der Altersforschung, präventiven Medizin und der Entwicklung von Therapien zur Verlängerung der gesunden Lebenszeit.
Die Grundlage des Modells ist die Analyse zahlreicher physiologischer Merkmale, die sich im Laufe des Lebens verändern. Hierzu zählen Blutdruck, Lungenfunktion, Muskelkraft und Reaktionszeiten, die zusammen eine ganzheitliche Einschätzung des Zustands verschiedener Organsysteme ermöglichen. Daten aus der großen UK Biobank, einer umfangreichen Sammlung von medizinischen, genetischen und lebensstilbezogenen Informationen von etwa einer halben Million Menschen, bilden die Basis dieses Modells. Die Berücksichtigung so vieler Parameter sorgt für eine systemische Betrachtung des Alterungsprozesses und erlaubt es, subtile Veränderungen in unterschiedlichen Organen und Systemen zu erfassen, die nicht immer sofort klinisch manifest sind. Das mathematische Modell verwendet vorwiegend die Partial Least Squares (PLS)-Regressionsmethode, die es ermöglicht, aus den korrelierten Daten eine optimale Anzahl von Komponenten zu extrahieren, um das Alter bestmöglich vorherzusagen.
Es hat sich gezeigt, dass für Männer etwa neun und für Frauen etwa elf dieser Komponenten notwendig sind, die unterschiedliche physiologische Dimensionen repräsentieren. Alle wesentlichen Organsysteme, vom kardiovaskulären über das respiratorische bis hin zum Nervensystem, sind in der Modellierung berücksichtigt. Besonders auffällig war, dass Merkmale wie der systolische Blutdruck, die Fähigkeit zur Lungenbelüftung und die kognitive Reaktionszeit zu den prägnantesten Faktoren zählen, die das biologische Alter bestimmen. Ein entscheidender Vorteil dieses Modells ist die Möglichkeit, eine Differenz zwischen dem biologisch vorhergesagten Alter und dem tatsächlichen chronologischen Alter zu berechnen, die sogenannte Delta-Age (∆Age). Ein negatives ∆Age deutet darauf hin, dass eine Person biologisch jünger ist als ihr tatsächliches Alter, was mit niedrigeren Sterblichkeitsraten und einer längeren Lebensdauer der Eltern korreliert.
Dies illustriert eindrucksvoll, dass das Modell physiologische Gesundheit und Alterungsprozesse tatsächlich abbildet, ohne auf direkte Mortalitätsdaten angewiesen zu sein. Darüber hinaus bietet die Analyse von ∆Age wichtige Einblicke in Umweltfaktoren, die die biologische Alterung beschleunigen oder verlangsamen können. Bildungsstand, sozioökonomischer Status, Rauchgewohnheiten, Bewegungsverhalten und sogar Hobbys wie das Spielen von Computerspielen wurden mit biologischem Alter in Verbindung gebracht. So steht ein höherer Bildungsgrad im Zusammenhang mit einem jüngeren biologischen Alter, während Rauchen und hoher Fernsehkonsum tendenziell mit einem älteren biologischen Alter assoziiert sind. Besonders spannend ist die Beobachtung, dass Computerspielen einen schützenden Effekt zu haben scheint, was eventuell mit erhöhter kognitiver Aktivität zusammenhängt.
Neben solchen externen Einflüssen ermöglicht das Modell auch eine genetische Auswertung. Durch eine umfangreiche Genomweite Assoziationsstudie (GWAS) konnten mehrere Gene identifiziert werden, die mit dem biologischen Alter korrelieren. Bekannte Alterungs- und Langlebigkeitsgene wie APOE und das HLA-Locus wurden bestätigt, zudem konnten neue Kandidaten, insbesondere Gene, die mit der neuronalen Aktivität zusammenhängen, ausgemacht werden. Diese Ergebnisse legen nahe, dass die neuronale Gesundheit eine Schlüsselrolle in der allgemeinen systemischen Alterung spielt. Es zeigt sich, dass die Verbindung zwischen Genetik und funktionalem Alterungszustand sehr eng ist, wobei bestimmte genetische Varianten einen globalen Einfluss auf den Alterungsprozess haben.
Die Studie differenziert zudem zwischen genetischen Faktoren, die direkt die Alterung selbst beeinflussen, und solchen, die lediglich mit altersbedingten Krankheiten zusammenhängen. So konnte gezeigt werden, dass einige genetische Marker ihre Bedeutung verlieren, wenn Personen mit chronischen Krankheiten aus der Analyse ausgeschlossen werden. Dies unterstreicht die Notwendigkeit, Alterungsprozesse und Krankheitsspezifische Effekte zu entkoppeln, um therapeutische Ziele gezielter formulieren zu können. Ein weiterer bemerkenswerter Befund ist, dass das Modell trotz seiner Komplexität auf vergleichsweise wenige unabhängige physiologische Achsen zurückzuführen ist. Dies deutet darauf hin, dass der Alterungsprozess durch eine begrenzte Anzahl physiologischer Systeme gesteuert wird.
Die Herausforderung besteht darin, diese Achsen und ihre physiologische Bedeutung tiefergehend zu verstehen, was noch viel Raum für zukünftige Forschung lässt. Für die Praxis ergeben sich aus diesem Ansatz diverse Anwendungen. Das Modell bietet eine Grundlage, um in klinischen Studien mit minimalem Aufwand die Wirksamkeit anti-aging Therapien zu messen. Durch die Auswahl von rund einem Dutzend leichter zu erfassender Parameter wie Blutdruck, Muskelkraft und Lungenfunktion kann ein belastbarer biologischer Altersindex gebildet werden. Zudem kann die Ableitung von ∆Age helfen, Personen zu identifizieren, die von präventiven Maßnahmen besonders profitieren oder Gefahr laufen, rasch zu altern.
Dennoch sind einige Einschränkungen zu beachten. Das Modell basiert auf Querschnittsdaten, wobei Menschen verschiedener Altersgruppen zu unterschiedlichen Zeitpunkten untersucht wurden, was sogenannte Kohorteneffekte erzeugen kann. So könnten gesellschaftliche Veränderungen in den letzten Jahrzehnten bestimmte physiologische Merkmale beeinflussen, die fälschlicherweise als altersabhängig interpretiert werden. Außerdem berücksichtigt das Modell annahmegemäß eine konstante Alterungsrate, die in der Realität schwanken kann, etwa durch Lebensstiländerungen. Nichtsdestotrotz liefern Validierungen, etwa durch die Korrelation von ∆Age mit späterer Mortalität und der Lebensdauer der Eltern, überzeugende Belege für die biologische Aussagekraft des Modells.
Seine Anwendung wird von Fachleuten als vielversprechender Meilenstein in der Altersforschung angesehen, der es ermöglicht, menschliches Altern detaillierter, holistischer und individueller zu bewerten als bisher. In der Zukunft könnte das mathematische Modell mit weiteren Datenquellen kombiniert werden, etwa molekularen Biomarkern wie DNA-Methylierung, Bildgebungsverfahren und weiteren funktionellen Tests. Auch eine Verknüpfung mit Künstlicher Intelligenz bietet sich an, um die Vorhersagekraft und Deutlichkeit der Altersparameter weiter zu steigern. Darüber hinaus können longitudinale Erhebungen helfen, Dynamiken des Alterns besser zu verstehen und Interventionen zielgenauer zu gestalten. Zusammenfassend revolutioniert dieses mathematische Modell die Messung des biologischen Alters durch seine multisystemische Herangehensweise.
