KI und Langlebigkeitsforschung: Wie künstliche Intelligenz Entdeckungen im Anti-Aging beschleunigt

Kurzthese: Künstliche Intelligenz (KI) verändert die Alterns- und Langlebigkeitsforschung von Grund auf: Von der Hypothesengenerierung über Biomarker und Zielstrukturen bis hin zu klinischen Studien werden Zyklen von Jahren auf Monate verkürzt. Gleichzeitig entstehen neue Fragen zu Evidenzqualität, Ethik und Regulierung in Deutschland und der EU. Als Leser:in erfahren Sie, wo KI heute wirklich Mehrwert liefert, welche Versprechen Sie skeptisch prüfen sollten, was sich regulatorisch in Deutschland/EU bewegt – und wie Sie Erkenntnisse verantwortungsvoll anwenden können.

Warum Langlebigkeit jetzt KI braucht

Die Datenexplosion: Multi‑Omics + Bildgebung + EHR + Wearables

Altern ist multifaktoriell. Genome, Epigenome, Transkriptome, Proteome und Metabolome verändern sich in Organsystemen unterschiedlich; hinzu kommen hochauflösende Bildgebung, elektronische Krankenakten (EHR) und kontinuierliche Sensor‑/Wearable‑Daten. Die entstehenden Datensätze sind zu groß und zu heterogen für klassische Statistik allein. KI‑Methoden (Representation Learning, Graph‑Modelle, Selbstüberwachung) extrahieren Signale über Kohorten, Gewebe und Zeit hinweg und erlauben es, Muster mit biologischer Bedeutung herauszuarbeiten – etwa für Frailty‑Risiko, Immun‑Aging oder Fibrosepfade. Beispiele aus der Bildgebung belegen, dass selbstüberwachtes Lernen in High‑Content‑Screens robuste Phänotypen ohne manuelle Labels identifiziert. (arxiv.org)

Die Engpässe, die KI adressiert

• Hypothesengenerierung und Zielpriorisierung (z. B. über Wissensgraphen und kausale Modelle).
• Exploration des chemischen Raums (Generative Modelle, Retrosyntheseplanung, ADMET‑Vorhersage). (jcheminf.biomedcentral.com)
• Präklinische Validierung in aktiven Lernschleifen (Steigerung der Screen‑Effizienz). (pubs.rsc.org)
• Studienteilnehmer‑Stratifizierung und digitale Endpunkte in klinischen Studien. (ema.europa.eu)

Wie „Erfolg“ aussehen sollte

• Kürzere Zyklen bis zu präklinischen Kandidaten und nachweisbare Reproduzierbarkeit.
• Biomarker mit externer Validierung und belastbaren Endpunkten.
• Verbesserte Teststärke durch smarteres Design (z. B. adaptive Designs) und transparente, peer‑reviewte Evidenz statt alleiniger Pressemeldungen.

Wo KI die Anti‑Aging‑Forschung beschleunigt (End‑to‑End‑Pipeline)

Target‑Discovery und Pfad‑Mapping

Graph‑neuronale Netze verknüpfen Gen‑, Protein‑ und Pathway‑Interaktionen; kausale Inferenz hilft, Korrelation von Treibern zu trennen. Die jüngste Strukturevolution – AlphaFold 2 und 3 sowie Sprachmodelle wie ESMFold – macht es möglich, proteinäre Zielstrukturen und Interaktionen systematisch zu beleuchten. In Summe steigt die Qualität der Hypothesen für Geroscience‑Ziele wie Seneszenz, Autophagie oder Mitochondrien‑Homöostase. (nature.com)

Biomarker und „Aging Clocks“

Epigenetische Uhren (z. B. Horvath‑Clock, DunedinPACE) und proteomische Uhren sagen Morbidität/Mortalität in definierten Populationen voraus. Wichtig: externe Validierung, Kalibrierung für jeweilige Kohorten (auch DACH) und Verknüpfung mit klinischen Endpunkten. Eine 2024/2025 in Nature Medicine publizierte Proteom‑Uhr aus der UK Biobank (n ≈ 45.000; Validierung in Finnland/China) sagte Risiko für 18 Erkrankungen sowie Mortalität voraus. (genomebiology.biomedcentral.com)

De‑novo‑Moleküldesign und Optimierung

Diffusions‑ und Transformer‑Modelle generieren Moleküle oder Biologika, bewerten Synthesierbarkeit und ADMET, planen Retrosynthesen und schließen aktive Lernschleifen. Open‑Source‑Frameworks wie REINVENT 4 und neuere Diffusionsansätze illustrieren die praktische Umsetzbarkeit. (jcheminf.biomedcentral.com)

Drug‑Repurposing für Geroscience‑Indikationen

Maschinelles Lernen über Omics‑Signaturen und klinische Datenbanken hebt Kandidaten mit bekannter Sicherheit. Wissensgraph‑Ansätze und heterogene Graph‑Transformer verbessern Nachvollziehbarkeit und Skalierbarkeit für alterungsrelevante Pfade (z. B. Senomorphika, Autophagie‑Modulatoren). (arxiv.org)

Präklinische Validierung im Maßstab

High‑Content‑Imaging mit selbstüberwachtem Lernen erkennt Zellzustände und Wirkmechanismen ohne dichte Labels; aktive Lernstrategien fokussieren teure Assays auf die informativsten Experimente. (arxiv.org)

Smartere klinische Studien

KI unterstützt die Stratifizierung anhand biologischer Alterssignaturen und multimodaler Risiken; validierte digitale Endpunkte aus Wearables (z. B. Stride Velocity 95th Centile bei DMD) sind in Europa regulatorisch qualifiziert und zeigen, wie Sensorik Studien effizienter machen kann. Dezentrale Designs (DCT) mit Fernüberwachung gewinnen in der EU an Boden. (ema.europa.eu)

Was ist heute real – und was ist Hype?

Starke Signale

• Proteinstruktur‑ und Interaktionsvorhersagen informieren explizit Target‑Biologie und Liganden‑Design. (nature.com)
• KI‑gestützte Hits mit experimenteller Validierung; erste klinische PoC‑Signale für KI‑entdeckte Targets/Designs (z. B. TNIK‑Inhibition bei IPF mit Funktionseffekten auf FVC in Phase 2a). (nature.com)
• Validierte Uhren, die in großen Kohorten Morbidität/Mortalität prognostizieren. (pubmed.ncbi.nlm.nih.gov)

Vielversprechend, aber früh

• Allgemein gültige „Rejuvenation Scores“ ohne Indikationsbezug.
• Pan‑Tissue‑Uhren mit stabiler Kalibrierung über Ethnien/Altersbereiche.
• Speziesübergreifende kausale Alterns‑Graphen.

Typische Red Flags

• Mini‑Kohorten ohne externe Validierung und ohne klinische Endpunkte.
• „Biologisches Alter sank um X Jahre“ ohne robuste Outcomes.
• Nur Pressemeldungen, keine Methoden/Peer‑Review; selektive Metriken.

Deutschland‑ und EU‑Landschaft (Stand: September 2025)

Forschungs‑Hubs im Blick

• Max‑Planck‑Institut für Biologie des Alterns (Köln) – Grundlagenforschung zu Mechanismen des Alterns.
• Deutsches Zentrum für Neurodegenerative Erkrankungen (DZNE) – translational von Grundlagenforschung bis Versorgung, mehrere Standorte.
• Charité/BIH – KI‑Pilotierungen, Validierungen und EU‑Netzwerke.
• ELLIS‑Netzwerk Tübingen – Spitzenkompetenz in Machine Learning.
• Helmholtz Munich – Institute of AI for Health – KI‑Methoden für Gesundheit, Multi‑Omics, Bildgebung.

Biotech‑ und Pharma‑Winkel

Deutsche Pharma und europäische Start‑ups kooperieren mit CROs zu Senolytika, Fibrose‑ und Stoffwechselzielen; KI fließt in Target‑/Moleküldesign und Assay‑Automatisierung ein. Open‑Source‑Generativ‑Tools (z. B. REINVENT 4) erleichtern den Einstieg; Industrie‑Events wie das „AI for Health Symposium“ zeigen die Dynamik. (jcheminf.biomedcentral.com)

Regulierung und Daten‑Governance

• GDPR bleibt Basis; der EU AI Act ist seit 01.08.2024 in Kraft und wird stufenweise anwendbar: Verbote und AI‑Literacy seit 02.02.2025, GPAI‑Pflichten seit 02.08.2025, vollständige Anwendbarkeit am 02.08.2026 (mit Übergängen für eingebettete Hochrisiko‑Systeme bis 2027). (digital-strategy.ec.europa.eu)
• EMA‑Reflection Paper zu KI (adoptiert 09/2024) bietet Leitplanken für den Arzneimittellebenszyklus (Entdeckung bis Post‑Authorisation). (ema.europa.eu)
• Real‑World‑Evidence (RWE): EMA veröffentlicht Leitfäden/Reflections zu RWD‑Studien, Registry‑Guideline (2021) bleibt zentral. (ema.europa.eu)
• Dezentrale klinische Studien (DCT): EU‑Empfehlungspapier und ACT EU treiben dezentrale Elemente voran. (ema.europa.eu)
• European Health Data Space (EHDS): VO (EU) 2025/327 im Amtsblatt vom 05.03.2025, in Kraft seit 26.03.2025; schrittweise Anwendung bis 2029/2031 – wichtig für sekundäre Datennutzung und Datensouveränität. (health.ec.europa.eu)

Förderung und Public‑Private‑Partnerschaften

• Horizon Europe: 2025er Calls u. a. zur Nutzung multimodaler Daten für Generative AI in der Biomedizin (GenAI4EU). (hadea.ec.europa.eu)
• DFG/BMBF: Medizininformatik‑Initiative (bis 2026 > 400 Mio. €) sowie neue Förderrichtlinie „KI in der Wirkstoffforschung“ (03/2025) bis Phase IIa. (bmbf.de)

Fall‑Snapshots

Fall 1: KI‑geführte Protein‑Insights beschleunigen Target‑Priorisierung

AlphaFold 2/3 und ESMFold zeigen, dass belastbare Strukturen und Interaktionen in großem Maßstab vorhersagbar sind; daraus resultieren mechanistische Hypothesen etwa für Fibrose‑ und Immunpfade. Für gerowichtige Indikationen (z. B. IPF) ermöglichen die Vorhersagen rationaleres Targeting. (nature.com)

Fall 2: Aging‑Clocks zur Risikostratifizierung

DunedinPACE (eLife 2022) und eine 2024/2025 publizierte Proteom‑Uhr (Nature Medicine) zeigten in großen Kohorten Vorhersagen für Morbidität/Mortalität und Funktionsmaße; entscheidend sind externe Validierung und Kalibrierung in deutschen/ europäischen Kohorten, bevor klinische Entscheidungen daran aufgehängt werden. (elifesciences.org)

Fall 3: KI‑designter Small Molecule erreicht klinische PoC

Rentosertib (TNIK‑Inhibitor) – Ziel via generativer KI identifiziert, Molekül de‑novo entworfen – brachte in einer randomisierten Phase‑2a‑Studie bei IPF nach 12 Wochen eine dosisabhängige Verbesserung der FVC; publiziert am 03.06.2025 in Nature Medicine. Wichtig: transparente Methoden, Reproduzierbarkeit und längere Phase‑2/3‑Programme zur Absicherung. (nature.com)

Praxisleitfaden (evidenzbasiert – was heute sinnvoll ist)

Für Einzelpersonen

• Validierte Wearables für Schlaf, Aktivität, Herzratenvariabilität nutzen – Trends beobachten, nicht Einzelwerte. Digitale Scores sind experimentell und ersetzen keine Diagnosen.
• Auf bewährte Hebel setzen: Schlafqualität, Krafttraining, ausreichende Proteinzufuhr, metabolische Gesundheit, Nikotinverzicht, moderater Alkoholkonsum. Personalisierung mit KI‑Apps kann unterstützen, ersetzt aber nicht ärztliche Beratung.

Eine kuratierte Übersicht ausgewählter Longevity‑Produkte finden Sie in unserer Longevity‑Sammlung.

Für Ärzt:innen

• KI‑Biomarker kritisch prüfen: externe Validierung, Kalibrierung, klinischer Nutzen und Entscheidungsimpact. Vergütung/MDR‑Klassifizierung früh klären.
• Digitale Endpunkte nur mit validierten Geräten und klarer Kontext‑of‑Use einsetzen; EMA‑Qualifikationen (z. B. SV95C) als Blaupause beachten. (ema.europa.eu)

Für Forschende/Biotechs

• Datenstandards, Modell‑Governance, Pre‑Registration, reproduzierbare Pipelines; aktive Lernschleifen aufsetzen, Lab‑Automatisierung nutzen.
• Regulatorik antizipieren: EMA‑KI‑Reflection Paper, RWE‑Roadmap, EU AI Act Pflichten; Endpunkte EMA‑kompatibel planen. (ema.europa.eu)

Ethik, Bias und Safety‑by‑Design

Datenprivatsphäre und Souveränität

Deutschland/EU setzen auf Datenschutz by Design, föderierte Lernansätze und sichere Enklaven. Der EHDS schafft einen Rechtsrahmen für primäre/sekundäre Datennutzung bei hohen Schutzstandards – essenziell für KI‑gestützte Alternsforschung. (ec.europa.eu)

Algorithmische Fairness

Alter, Geschlecht, Abstammung: Modelle müssen repräsentative deutsche/europäische Kohorten berücksichtigen und kontinuierlich überwacht werden (Drift, Fehlkalibrierung). EMA und EU‑KI‑Regime fordern risk‑based Governance. (ema.europa.eu)

Transparenz und Reproduzierbarkeit

Model Cards, Datasheets, Audit‑Trails, offene Benchmarks für Alternsbiologie stärken Vertrauen. Peer‑Review und externe Replikation sind Pflicht – besonders bei populären „Age Scores“.

Was als Nächstes wichtig wird (Ausblick 2025–2030)

Multimodale „Whole‑Person“-Modelle

Integration von Omics, Bildgebung, Wearables und klinischen Notizen in kausale, interventionsfähige Rahmenwerke – mit klaren Schnittstellen zu Arztpraxis und Studien.

Von Biomarkern zu Endpunkten

Der Übergang von Surrogaten (Alterungsuhren) zu harten Outcomes (Frailty, Hospitalisierung, Mortalität) wird zentral – und entscheidet über Erstattung und Zulassung.

Trial‑Innovation

Dezentrale, sensorreiche Studien mit validierten Digital‑Biomarkern, adaptive Dosierung mit KI‑Unterstützung, wohlüberlegter Einsatz externer/synthetischer Kontrollen in klar definierten Indikationen. (ema.europa.eu)

Deutschland/EU‑Meilensteine

Umsetzung des EU AI Act in Klinik/Studien, Etablierung gemeinsamer longitudinaler Alternskohorten, EHDS‑Implementierungsakte und interoperable Dateninfrastrukturen (MII, FDPG) als Katalysatoren. (ec.europa.eu)

Action‑Checklists und Toolboxes

Schnellcheck: So prüfen Sie eine KI‑Langlebigkeits‑Behauptung

• Peer‑reviewte Evidenz oder Preprint mit vollständigen Methoden?
• Externe Validierung/Prospektivdaten vorhanden?
• Klinisch bedeutsame Endpunkte über „Bio‑Age“ hinaus?
• Transparenter Code/Daten oder detaillierte Methoden? Conflicts of Interest offengelegt?

Sicher experimentieren

• Erst die Basics (Schlaf, Training, Ernährung, Vorsorge). Keine Selbstmedikation mit nicht zugelassenen Substanzen.
• „Age Scores“ als explorativ betrachten; medizinische Entscheidungen nur mit Ärzt:in.

Eine evidenzbasierte Einordnung zu KI‑gestützten Supplement‑Plänen und verantwortungsbewusstem Biohacking finden Sie hier: KI, Supplement‑Pläne und Biohacking.

Starter‑Glossar

• Aging Clock: Algorithmus, der biologisches Alter/Risiko aus molekularen oder klinischen Daten schätzt.
• Senolytika: Wirkstoffe, die seneszente Zellen eliminieren; Senomorphika modulieren den SASP ohne Zelltod.
• Generative Modelle: KI‑Modelle (z. B. Diffusion, Transformer), die neue Moleküle/Sequenzen erzeugen.
• ADMET: Absorption, Distribution, Metabolismus, Exkretion, Toxizität.
• Synthetic/External Control Arm: Vergleichsgruppe aus externen Daten; nur in klaren Kontexten sinnvoll.