Kann KI das "Geheimnis der Rückalterung" knacken? Ein chinesischer Wissenschaftler aus der Generation nach 1995 löst einen Durchbruch in der Anti-Aging-Forschung aus, und die vier großen Segmente an der US-Börse könnten neu bewertet werden.

Was würde passieren, wenn künftig KI nicht nur in der Lage wäre, Code zu schreiben und Analysen durchzuführen, sondern auch in der Lage wäre, aus den in den letzten Jahrzehnten gesammelten echten biologischen Experimenten aktiv Methoden zu finden, um den Körper „junger“ zu machen?

Dieses Szenario wird nun zur Realität!

In der Alterungsbiologie besteht seit langem eine wichtige Hypothese:

Im menschlichen Körper gibt es eine Art „biologische Altersuhr“, die mit fortschreitender Alterung und zunehmenden Schäden allmählich schneller läuft.

Die Methode, die diese Uhr tatsächlich „verlangsamen“ oder sogar „rückwärtslaufen“ lassen kann, war und ist das Ziel, das weltweit von Forschern gesucht wird.

Aber in der Vergangenheit war dies fast eine unmögliche Aufgabe – die Daten waren unübersichtlich, die Experimente waren verstreut, es fehlten Variablen und es war nicht möglich, die Ergebnisse zwischen verschiedenen Labors zu vergleichen. Dies führte dazu, dass die Kosten für die systemische Suche nach effektiven Interventionen extrem hoch und die Geschwindigkeit extrem langsam waren.

Heute haben Forscherteams aus Harvard-Universität, Stanford-Universität, Washington-Universität und anderen Institutionen eine neue Richtung aufgezeigt:

Lassen Sie die KI die in den letzten Jahrzehnten gesammelten echten in-vivo-Experimentdaten verstehen, integrieren und analysieren, und lassen Sie sie aktiv nach Hinweisen auf die Umkehrung des Alternsprozesses „graben“.

Sie nennen diese Plattform ClockBase Agent, und die Ergebnisse, die sie liefert, könnten die Bewertungsgrundlage der amerikanischen Biotechnologiebranche in den nächsten Jahren verändern.

Die KI findet „Hinweise auf die Umkehrung des Alternsprozesses“

ClockBase Agent integriert mehr als vierzig Alterungsuhrmodelle und sucht automatisch in über zwei Millionen molekularen Datensätzen von Menschen und Mäusen nach Mustern, rekonstruiert die Experimentlogik und leitet mögliche Interventionen ab, die die Alterungstrajektorie beeinflussen könnten.

Das AI-Panoramaframework für die Alterungsforschung

Diese Methode unterscheidet sich grundlegend von der bisherigen „modellbasierten Vorhersage“-KI. Ihre Besonderheit besteht darin:

Es geht nicht darum, Vorhersagen zu treffen, sondern nach versteckten Beweisen in bereits durchgeführten echten Experimenten zu suchen.

Nach einer systemischen Analyse hat ClockBase Agent über 500 Interventionen mit Potenzial zur Umkehrung des Alternsprozesses identifiziert und daraus eine neue antialternde Verbindung, Ouabain, entdeckt.

In Mausexperimenten hat Ouabain den Schwächeprozess älterer Mäuse deutlich verlangsamt, gleichzeitig die Herzfunktion verbessert und die Neuroinflammation reduziert, was auf eine realistisch nachweisbare Umkehrung des Alternsprozesses hinweist.

Dies bedeutet, dass die KI in der Alterungsforschung, die lange Zeit als schwierig zu analysieren galt, einen neuen Zugang gefunden hat: nicht durch Hypothesen oder Vorhersagen, sondern direkt aus den in den letzten Jahrzehnten gesammelten echten Experimentdaten.

Ein integriertes biologisches Altersatlas basierend auf molekularen Merkmalen von Menschen und Mäusen

Für die Wissenschaft bedeutet dies eine Veränderung des Forschungsansatzes; für die Anleger an den US-Börsen bedeutet es eine Veränderung der Bewertungslogik.

Worin unterscheidet sich diese KI von der bisherigen?

Die Schwierigkeit in der Alterungsforschung liegt nicht darin, dass es keine Daten gibt, sondern dass es zu viele, zu verstreute und zu schwierig zu verstehende Daten gibt.

In den letzten Jahrzehnten waren die Schlüsselinformationen aus Mausexperimenten – Alter, Geschlecht, Kontrollgruppenaufbau, Behandlungsart – oft in den Texten der Fachartikel, in den Abbildungslegenden oder sogar in den Ergänzungsmaterialien verteilt, anstatt in den Datendateien selbst organisiert. Traditionelle Methoden der Bioinformatik und der natürlichen Sprachverarbeitung hatten Schwierigkeiten, diese versteckten Strukturen automatisch zu erkennen, und es war noch schwieriger, eine standardisierte Analyse in den riesigen Datensätzen von verschiedenen Labors und verschiedenen Jahren durchzuführen.

Die Veränderung bei ClockBase Agent besteht darin:

Das Forscherteam lässt die KI nicht nur „Daten lesen“, sondern versucht, dass sie wie ein echter Wissenschaftler handelt:aktive Fragen stellen, Code schreiben, Hypothesen überprüfen, um die Designlogik hinter jedem Experiment zu verstehen.

Schematische Darstellung des gesamten Prozesses von ClockBase Agent

Die Plattform besteht aus drei Arten von Agenten:

• Der Coding Agent ist für das Schreiben von Code, das Lesen von Daten und das Erstellen von Grafiken sowie für die grundlegende statistische Analyse verantwortlich.
• Der Reviewer Agent bewertet die Qualität der Experimente und entscheidet, ob eine bestimmte Studie für die Alterungsanalyse geeignet ist.
• Der Report Agent integriert die Ergebnisse der beiden anderen Agenten und generiert strukturierte Forschungsergebnisse.

Dieses Modell ermöglicht es der KI, nicht mehr auf vordefinierte Pfade angewiesen zu sein, sondern den Experimentaufbau zu verstehen, die Zuverlässigkeit der Daten zu bewerten, potenzielle Muster zu erkennen und schließlich Kandidateninterventionen mit hoher Zuverlässigkeit vorzuschlagen.

Arbeitsablauf und mehrdimensionales Bewertungssystem der KI-Agenten

Das Forscherteam hat auch einen Datensatz zusammengestellt, der viele aktuelle Fachartikel zur Alterungsforschung abdeckt. Dadurch können die Agenten jederzeit auf vorhandenes Wissen zurückgreifen und überprüfen, ob ihre Ergebnisse mit den bestehenden Beweisen übereinstimmen.

Die Ergebnisse zeigen, dass die von ClockBase Agent vorgeschlagenen Interventionen mit hoher Zuverlässigkeit statistisch signifikant mit den Daten in autoritativen Gen- und Arzneimitteldatenbanken übereinstimmen.

Dies bedeutet, dass es nicht nur „möglicherweise effektive“ Richtungen identifizieren kann, sondern auch beweisen kann, dass diese Richtungen mit den realen biologischen Gesetzen übereinstimmen.

Von einem wissenschaftlichen Forschungsparadigma aus gesehen, ist dies das erste Mal, dass eine KI tatsächlich über „systemische Forschungskompetenz“ verfügt; von einem industriellen Einfluss aus gesehen, verändert es direkt die Kosten- und Zeitstruktur der Arzneimittelsuche.

Die Logik der Antialterungsforschung wird neu geschrieben

Das traditionelle Forschungs- und Entwicklungsmodell ist typischerweise „hypothesenbasiert“: Forscher stellen eine mögliche Signalwege oder Moleküle auf, führen zunächst Experimente auf zellulärer Ebene durch, dann an Mausmodellen und schließlich auf höheren Ebenen. Dieser Prozess ist langwierig und teuer, und Scheitern tritt oft in der mittleren oder späten Phase auf.

ClockBase Agent geht einen anderen Weg: Ausgehend von einer großen Anzahl von abgeschlossenen in-vivo-Experimenten wird rückwärts geschlossen, welche Interventionen tatsächlich die biologische Altersentwicklung verändert haben.

Das Forscherteam hat Daten aus über 13.000 Maus-RNA-Sequenzierungsstudien und über 43.000 Interventionskontrollgruppenanalysen analysiert, die verschiedene Arten von Interventionen wie Medikamente, Genmanipulationen, Umweltbelastungen und Krankheitsmodelle umfassen. Diese Skala liegt fast außerhalb der Kapazität eines einzelnen traditionellen Labors oder sogar einer einzelnen Disziplin.

Alterungsmodulierende Interventionen in einem von KI-Agenten identifizierten Maus-RNA-Sequenzierungsdatensatz

In diesem Modell müssen Forscher nicht mehr „Signalwege wetten“, sondern können zunächst die KI nutzen, um auf systemischer Ebene eine „Gesamtaufstellung der in-vivo-Beweise“ zu erstellen und daraus die Richtungen auszuwählen, die tatsächlich die Investition von Experimentressourcen wert sind.

Dies bringt drei Veränderungen mit sich:

Erstens: Der Wert der historischen Daten wird neu bewertet. Die in den letzten Jahrzehnten in den Anhängen von Fachartikeln und öffentlichen Datenbanken verstreuten Experimentdaten haben jetzt die Chance, als Beweisquelle für die Entdeckung neuer Medikamente zu dienen.

Zweitens: Die Forschung geht von einer linearen zum systematischen Vorgehen über. Alterung ist ein systemisches Problem, und hypothesenbasierte Ansätze, die auf einem einzelnen Signalweg oder einem einzelnen Gen basieren, sind oft wenig effektiv. Systemische Werkzeuge können der Forschung helfen, näher an die Wurzel des Problems zu kommen.

Drittens: Die Proteindesign geht in eine neue Phase. Nach einer systemischen Analyse der Alterungsuhr und der multi-omischen Daten hat das Forscherteam begonnen, durch maschinelles Lernen und Protein-Engineering Proteine neu zu gestalten, die die Alterungstrajektorie beeinflussen können. Dies geht über die reine „Steigerung oder Hemmung der Aktivität eines Proteins“ hinaus und versucht, auf Sequenzebene das Lebenssystem tiefgreifender zu verändern.

Von diesem Blickwinkel aus gesehen ist ClockBase Agent nicht nur ein „Werkzeug zur Arzneimittelsuche“, sondern eher der Ausgangspunkt für die Veränderung der Forschungsweise in der Biotechnologiebranche in den nächsten zehn Jahren.

Ying Kejun: Der Weg eines Nachwuchswissenschaftlers aus der 95er Generation

Hinter dieser Arbeit ist eine sehr klare Personenlinie zu erkennen.

Ying Kejun, der erste Autor und einer der Mitkorrespondenzautoren dieser Studie, absolvierte sein Bachelorstudium an der Sun Yat-sen-Universität, absolvierte dann sein Master- und Doktorstudium an der Harvard-Universität und ist derzeit Postdoktorand in den Labors von Tony Wyss-Coray an der Stanford-Universität und David Baker an der University of Washington. Seine Forschungsrichtung erstreckt sich über die Alterungsbiologie und das Proteindesign.

Sehr früh erkannte er, dass die Alterung wahrscheinlich kein Phänomen ist, das durch einen einzelnen Signalweg oder ein einzelnes Gen erklärt werden kann, sondern eher das Ergebnis einer langfristigen Akkumulation von Schäden im ganzen Körper. Diese Einsicht führte dazu, dass sein Forschungsweg immer um ein Kernziel herum revolvierte: die Alterung mit systemischen Werkzeugen neu zu verstehen.

Während seiner Doktorarbeit beteiligte er sich an der Entwicklung einer auf kausaler Inferenz basierenden Alterungsuhr und an der Erstellung des auf der DNA-Methylierungsgruppe basierenden Modells MethylGPT. Auf dieser Grundlage trug er weiter zur Entstehung von ClockBase Agent bei, um mit KI-Agenten die in den letzten Jahrzehnten gesammelten multi-omischen in-vivo-Daten systemisch zu erfassen.

Ying Kejun und sein Mentor, Professor David Baker

Im Laufe der Forschung entwickelte er eine radikalere und zukunftsweisendere Einsicht: Wenn die Wirkungsskalen der bestehenden Medikamente und Geninterventionen immer noch zu gering sind, könnte der nächste Schritt die Neugestaltung der Proteine selbst sein. Das heißt, nicht nur das Lebenssystem zu regulieren, sondern versucht, auf molekularer Ebene einen Teil des Lebensprogramms „neu zu schreiben“.

Für die Anleger an den US-Börsen repräsentiert Ying Kejun nicht nur den Lebenslauf eines jungen Wissenschaftlers, sondern auch ein neues Forschungsansatz: