Deep-Learning-SASP-Score sagt Sterblichkeit voraus; Bewegung veränderte seinen Verlauf
Ein mit Deep Learning aus Blutproteinen erstellter zusammengesetzter SASP-Score sagte in UK-Biobank-Daten Sterblichkeit und schwere chronische Erkrankungen unabhängig voraus; in einer separaten Studienkohorte veränderte multimodales Training den Verlauf des Scores über 18 Monate. [1]
Automatische Zusammenfassung · nicht redaktionell geprüft
Die Kernaussagen
Seneszente Zellen geben ein Sekretionsprofil (SASP) ab, das Seneszenz auf benachbarte und entfernte Gewebe übertragen kann. [1]
Der Deep-Learning-SASP-Score sagte in UK-Biobank-Daten Sterblichkeitsrisiko und neu auftretende schwere chronische Erkrankungen unabhängig voraus. [1]
In einer unabhängigen Studienkohorte veränderte multimodales Training den Verlauf des SASP-Scores über 18 Monate signifikant. [1]
Die Quelle auf einen Blick
- Studientyp / Format
- Biomarker-Entwicklungs- und Validierungsstudie mit Bevölkerungs-Proteomdaten und einem Deep-Learning-Modell; nur Abstract.
- Population / Kontext
- Teilnehmende der UK Biobank und eine unabhängige randomisierte klinische Studienkohorte (Größen im Abstract nicht berichtet).
- Grundlage der Zusammenfassung
- Studienabstract
- Original veröffentlicht
- 1. Oktober 2026
SASP-Proteine als Blutindikator für Seneszenz
Das Abstract beschreibt seneszente Zellen als anerkanntes Merkmal des biologischen Alterns, verbunden mit mehreren chronischen Erkrankungen. Diese Zellen geben ein eigenes Sekretionsprofil ab, den seneszenzassoziierten sekretorischen Phänotyp (SASP), der Seneszenz auf benachbarte und entfernte Gewebe übertragen kann. Die Messung von SASP-Faktoren im Blut wird als praktischer Näherungswert für die zelluläre Seneszenzlast dargestellt, der Krankheitszustände und Interventionsergebnisse verfolgen könnte.
Beleg [1]
UK-Biobank-Vorhersage von Sterblichkeit und chronischen Krankheiten
Die Forschenden erstellten einen zusammengesetzten SASP-Score, indem sie große Protein-Datensätze aus Bevölkerungsstudien mit einem halbüberwachten Deep-Learning-Modell kombinierten, das mit Daten des UK Biobank Pharma Proteomics Project trainiert wurde, und bewerteten ihn dann innerhalb der UK Biobank. Der Score war ein starker, unabhängiger Prädiktor für Sterblichkeitsrisiko und für neu auftretende schwere chronische Erkrankungen wie Demenz, COPD, Myokardinfarkt und Schlaganfall. Das Abstract nennt keine Effektgrößen, Nachbeobachtungsdauer oder Angaben dazu, wie viel der Score über andere Prädiktoren hinaus beitrug.
Beleg [1]
Trainings-Studienkohorte und Umfang des Biomarkers
In einer unabhängigen randomisierten klinischen Studienkohorte wurde der Score extern validiert und im Zeitverlauf bewertet. Dort veränderte multimodales Training den Verlauf des SASP-Scores über 18 Monate signifikant. Das Abstract sagt nicht, ob diese Veränderung zu Gesundheits- oder Lebensdauervorteilen führte, und nennt weder Größe noch Vergleichsgruppe der Studie. Die Autoren stellen den Score als möglichen Biomarker für die systemische zelluläre Seneszenzlast und als Werkzeug für die Alternsforschung und gerowissenschaftlich begleitete Interventionen dar, nicht als nachgewiesenen klinischen Test.
Beleg [1]
Was sich daraus ableiten lässt – und was nicht
Nur Abstract; der Volltext wurde nicht geprüft. Effektgrößen, Nachbeobachtung, Studiengröße und Vergleichsgruppe sowie die Frage, ob Score-Änderungen Gesundheitsvorteile widerspiegeln, werden nicht berichtet. Assoziationen sind keine Ursachen, und der Score wird als möglicher Biomarker beschrieben, nicht als validierter klinischer Test.
Grundlage: Studienabstract. Volltext, Tabellen und ergänzende Daten wurden nicht geprüft.
Quelle & Belegstellen
Zhao S, Kuo CL, Lenze EJ, Wetherell JL, Haynes L, El-Ahmad P, Fortinsky R, Kuchel G, Harris T, Diniz BS. · europepmc.org · 1. Oktober 2026