Ein neuer Algorithmus für maschinelles Lernen hat 478 Verbindungen identifiziert, die das Potenzial haben, die Gehirnalterung umzukehren und vor neurodegenerativen Erkrankungen zu schützen. Der von Forschern des Luxembourg Centre for Systems Biomedicine und CIC bioGUNE geleitete Durchbruch könnte die Entwicklung von Medikamenten zur Bekämpfung des kognitiven Verfalls angesichts der rasch alternden Weltbevölkerung beschleunigen.
Das alternde Gehirn und das Transkriptom
Das Kernproblem liegt klar auf der Hand: Alter ist der größte Risikofaktor für neurodegenerative Erkrankungen wie Alzheimer. Da im Jahr 2050 über zwei Milliarden Menschen voraussichtlich über 60 Jahre alt sein werden, ist die Suche nach Möglichkeiten zum Schutz der Gehirngesundheit im späteren Leben nicht mehr nur eine wissenschaftliche Herausforderung – es ist ein Gebot der öffentlichen Gesundheit. Diese Forschung konzentriert sich nicht auf die Gene selbst, sondern auf das Transkriptom – die RNA-Moleküle, die zeigen, welche Gene aktiv sind. Dieser Ansatz ist dynamischer als nur die Betrachtung der DNA, da sich die Genaktivität mit dem Alter und der Krankheit ändert.
Wie der Algorithmus funktioniert
Forscher analysierten Gehirnproben von 778 gesunden Personen im Alter von 20 bis 97 Jahren. Das Modell des maschinellen Lernens lernte, das biologische Alter mit bemerkenswerter Genauigkeit (innerhalb von fünf Jahren) auf der Grundlage der Aktivität von nur 365 Schlüsselgenen vorherzusagen. Überraschenderweise sind die meisten dieser Gene nicht direkt an der Gehirnfunktion beteiligt; Sie regulieren die DNA-Reparatur und allgemeine Alterungsprozesse. Dies deutet darauf hin, dass eine systemische Verlangsamung des Alterungsprozesses das Gehirn schützen kann.
Bei der Anwendung auf Proben von Patienten mit Alzheimer oder traumatischer Hirnverletzung zeigte der Algorithmus durchweg, dass deren Gehirne biologisch älter waren als erwartet – manchmal sogar um bis zu 15 Jahre bei Menschen im Alter von 60 bis 70 Jahren. Dies bestätigt, dass die Neurodegeneration mit einer beschleunigten Alterung auf molekularer Ebene verbunden ist.
Identifizierung verjüngender Verbindungen
Der Algorithmus scannte dann Daten von Tausenden von Neuronen und suchte nach Genexpressionsmustern, die das vorhergesagte Alter reduzierten. Das Ergebnis: eine Liste von 478 Medikamenten mit potenziell verjüngender Wirkung. Während viele dieser Verbindungen nicht auf eine Verlängerung der Lebensdauer getestet wurden, sind die Vorhersagen des Algorithmus ein Ausgangspunkt für gezielte Forschung.
Frühzeitige Validierung bei Mäusen
Um die Genauigkeit des Modells zu testen, gaben die Forscher drei der vorhergesagten Verbindungen über einen Zeitraum von vier Wochen alten Mäusen. Die Mäuse zeigten signifikante Verbesserungen des Gedächtnisses und verringerte Angstzustände sowie genetische Veränderungen, die ihre Gehirnzellen jünger erscheinen ließen. Dies deutet darauf hin, dass der Algorithmus nicht nur Korrelationen identifiziert, sondern kausale Zusammenhänge zwischen Verbindungen und der Gehirnverjüngung.
Die Zukunft der Entdeckung von Anti-Aging-Medikamenten
Derzeit mangelt es im Anti-Aging-Bereich an systematischen Methoden zur Arzneimittelentwicklung. Diese Plattform für maschinelles Lernen bietet eine strukturierte Möglichkeit, vielversprechende Kandidaten zu identifizieren. Die identifizierten Verbindungen erfordern jedoch eine weitere Validierung in mehreren biologischen Systemen, bevor sie als wirksame Behandlungen angesehen werden können.
Die Hunderte von Verbindungen, die von dieser Plattform vorhergesagt werden, stellen eine umfassende Chance für zukünftige Forschung und therapeutische Entwicklung dar.
Das Ziel ist klar: Medikamente zu entwickeln, die den Alterungsprozess nicht nur verlangsamen, sondern ihn aktiv umkehren und so die Gehirnfunktion einer wachsenden Bevölkerung schützen. Der systematische Ansatz dieser neuen Methode des maschinellen Lernens stellt einen großen Schritt in diese Zukunft dar.
