Wie künstliche Intelligenz neue molekulare Ziele für gesundes Altern findet

Wissenschaftler, die das Altern erforschen, haben ein neues Werkzeug: Künstliche-Intelligenz-Systeme, die Tausende von Molekülen oder genetische Datensätze in wenigen Tagen durchsuchen und die Handvoll identifizieren können, die am wahrscheinlichsten beeinflussen, wie Zellen altern. Mehrere Projekte, die in den letzten Wochen veröffentlicht wurden, zeigen, wie dies in der Praxis funktioniert — darunter ein brasilianisches Universitätslabor, ein internationales Biotechnologieunternehmen und ein Forschungsteam, das große öffentliche genomische Datenbanken durchsucht — und alle zielen auf dasselbe zugrunde liegende Problem ab: oxidativer Stress und zelluläre Schäden, die sich mit dem Alter ansammeln.

Ein erklärbares KI-Modell sucht nach antioxidativen Peptiden

An der Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) veröffentlichte ein Team unter der Leitung des Chemieprofessors André Silva Pimentel, zusammen mit den Forschern Maria Carolina J. A. Schneider und Marina Geisiely Damaso Godinho Alves, eine Studie über erklärbare künstliche Intelligenz angewendet auf antioxidative Peptide, wie aus einem Artikel hervorgeht, den das Team am 5. Oktober 2026 für The Conversation Brasil schrieb. Peptide sind kurze Aminosäureketten, die natürlicherweise in Lebensmittelproteinen vorkommen oder synthetisiert werden können, und einige können freie Radikale neutralisieren — instabile Moleküle, die Zellen beschädigen, wenn sie sich schneller ansammeln als das körpereigene antioxidative System sie abbauen kann.

Die PUC-Rio-Gruppe verwendete eine Methode namens erklärbare KI, die sich von Standard-Machine-Learning-Modellen in einem Schlüsselaspekt unterscheidet: Statt nur eine Vorhersage zu treffen, zeigt sie auch, welche Teile der Aminosäuresequenz eines Peptids diese Vorhersage am meisten beeinflusst haben. Laut den Forschern können Wissenschaftler so sehen, welche strukturellen Merkmale ein Peptid wahrscheinlicher machen, als Antioxidans zu wirken, anstatt die KI als Black Box zu behandeln. Die Arbeit wurde von FAPERJ, Rio de Janeiros staatlicher Forschungsstiftung, finanziert und wurde auch vom brasilianischen Outlet Brasil em Folhas behandelt, das das gleiche Labor und die gleiche Methodik beschrieb.

Der praktische Wert, wie die Forscher schrieben, ist die Geschwindigkeit: Anstatt große Mengen an Peptidkandidaten einzeln im Labor zu testen, verengt das KI-Modell eine lange Liste auf die wenigen Sequenzen, die am meisten experimentelle Tests verdienen. Das Team sagte, dass mögliche Anwendungen über Anti-Aging-Kosmetika und Nahrungsergänzungsmittel hinausgehen bis zur Forschung an Erkrankungen, die mit oxidativem Stress verbunden sind, wie Alzheimer-Krankheit, Parkinson-Krankheit und Krebs — wobei sie dies als Richtung für weitere Studien beschrieben, nicht als abgeschlossene Behandlung.

Größere KI-Systeme durchsuchen Genome und Arzneimittelbibliotheken nach Alterungszielen

Ein separater, größer angelegter Aufwand kommt von Insilico Medicine, einem Biotechnologieunternehmen, das KI-Werkzeuge für die Arzneimittelentdeckung entwickelt. Am 17. September 2026 veröffentlichte das Unternehmen eine Studie auf dem Cover der Zeitschrift Cell, die ein Open-Source-Toolkit für Langlebigkeitsforschung beschreibt, das mit Liquid AI, dem Buck Institute for Research on Aging, der Harvard Medical School und dem Brigham and Women's Hospital erstellt wurde, wie Insilico Medicine in einer eigenen Ankündigung mitteilte.

Das Toolkit besteht aus drei Teilen: LongevityBench, ein Benchmark, das testet, wie gut KI-Modelle über Alterungsbiologie über fünf Datentypen einschließlich Genetik und Proteomik nachdenken; Longevity-LLMs, eine Familie kompakter Sprachmodelle (von 0,6 bis 9 Milliarden Parametern), die speziell auf alterungsbezogene Daten trainiert wurden; und Longevity Claw, eine autonome Forschungsplattform zur Identifikation und Rangordnung möglicher alterungsbezogener Ziele. Insilico Medicine berichtete, dass sein spezialisiertes 9-Milliarden-Parameter-Modell 16 Grenzwert-KI-Systeme für allgemeine Zwecke bei Alterungsbiologie-Aufgaben erreichte oder übertraf, und dass Longevity Claw 328 Kandidaten-Alterungsinterventionsziele vorschlug, von denen es sagte, dass sie eine Anreicherung von bis zu 5,6-fach für alterungsbezogene Gene zeigten, wenn sie mit einem unabhängig veröffentlichten Referenzsatz von experimentell validierten Alterungszielen verglichen wurden.

Ein dritter Ansatz, beschrieben vom Alterungsforschungs-Nachrichtenportal Lifespan.io, verwendete ein KI-Werkzeug namens ClockBase Agent — erstellt von einem Team unter der Leitung des Forschers Vadim Gladyshev — um über 2 Millionen bestehende RNA-Sequenzierungs- und epigenetische Datensätze abzusuchen, die 43.529 registrierte biologische Interventionen abdeckten. Das System kennzeichnete bekannte Arzneimittel einschließlich Rapamycin, Metformin, Fenofibrat und Ouabain als mit langsamerer biologischer Alterung in den Daten verknüpft; Lifespan.io berichtete, dass bei Folgetests an 20 Monate alten Mäusen eine dreimonatige Ouabain-Behandlung mit verbesserten Gebrechlichkeitswerten, kognitiver Leistung, Fellzustand und Herzfunktion verbunden war, obwohl der Vorabdruck, der die vollständige Studie beschreibt, im November 2025 veröffentlicht wurde und nicht in Menschenversuchen bestätigt wurde.

Was diese Forschung zeigt und nicht zeigt

Keine dieser Projekte behauptet, eine zugelassene Anti-Aging-Behandlung produziert zu haben. Das PUC-Rio-Peptid-Modell und die Zielleiste von Insilico Medicine sind Vorhersage-Werkzeuge, die Kandidaten für Labor- und klinische Tests priorisieren sollen, keine abgeschlossenen Therapien. Die Ouabain-Befunde, die von Lifespan.io beschrieben werden, stammen aus Tierversuchen, nicht aus Menschenversuchen. Forscher aus der PUC-Rio-Studie und Insilico Medicine rahmen ihre Arbeit beide als Verengung eines sehr großen Suchraums — Millionen möglicher Moleküle oder Genziele — ein, damit knappe Labor- und klinische Ressourcen zuerst auf die vielversprechendsten Kandidaten verwendet werden.

• Erklärbare KI (PUC-Rio): kennzeichnet, welche Aminosäuresequenzen in lebensmittelabgeleiteten oder synthetischen Peptiden wahrscheinlich Antioxidantien sind.
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine, mit Buck Institute und Harvard Medical School): Benchmark und Rangordnung von genetischen Zielen, die mit Altern über Omics-Datensätze verknüpft sind.
• ClockBase Agent (Gladyshev-Forschungsteam): durchsucht bestehende öffentliche genomische Datensätze, um bestehende Arzneimittel zu kennzeichnen, die mit langsamerer biologischer Alterung in Tierdaten verbunden sind.