image: (A) Diese Arbeit stellt zwei Deep-Learning-Modelle vor: einen Omics-Transformer, der differenzielle Genexpressionsprofile anhand von Texteingaben generiert, sowie eine signalweg-sensible proteomische Alterungsuhr, die auf Proteomdaten der UK Biobank trainiert wurde. Die Modelle konzentrieren sich auf für IPF relevante biologische Signalwege, darunter TGF-β-Signalgebung, oxidativer Stress, Entzündung und ECM-Remodellierung. (B) Architektur der signalweg-sensiblen proteomischen Alterungsuhr. Das neuronale Netz verarbeitet Proteinmessungen über Merkmalsextraktionsschichten, welche sich in Altersschätzung und signalwegspezifische Aufmerksamkeitsmechanismen verzweigen und so interpretierbare Alterungsvorhersagen mit Signalwegsensitivität ermöglichen. view more
Credit: Insilico Medicine
Die idiopathische pulmonale Fibrose (IPF) ist eine chronische, fortschreitende Lungenerkrankung, die durch die übermäßige Anhäufung von Bestandteilen der extrazellulären Matrix gekennzeichnet ist. Dies führt zu einem allmählichen Verlust der Lungenfunktion bis hin zum respiratorischen Versagen. Vorwiegend betrifft IPF Personen über 60 Jahre und teilt vermutlich zugrundeliegende biologische Signalwege mit dem Alterungsprozess. Das Verständnis dieser gemeinsamen Mechanismen ist entscheidend für die Entwicklung innovativer Langlebigkeitstherapien, die Menschen weltweit nutzen könnten.
Kürzlich veröffentlichte ein Forscherteam bei Insilico Medicine eine Studie in Aging, die die altersbezogenen Mechanismen bei IPF mittels künstlicher Intelligenz (KI) untersucht. Die Forschung stellt neuartige Verbindungen zwischen der Biologie des Alterns und der Pathogenese von IPF her und demonstriert zugleich das Potenzial KI-gesteuerter Ansätze bei der Entwicklung von Therapien für altersbedingte Erkrankungen.
Für diese Forschung entwickelte das Team zwei spezialisierte Deep-Learning-Modelle: eine „fibrosis-aware aging clock“, eine signalweg-sensible proteomische Alterungsuhr, die mit Proteomdaten der UK Biobank trainiert wurde, sowie IPF-Precious3GPT, einen Omics-Transformer, der differenzielle Genexpressionsprofile aus Textvorgaben generiert.
Die Alterungsuhr zeigte in der Kreuzvalidierung eine hervorragende Leistung und sagte das biologische Alter mit hoher Genauigkeit vorher (R²=0,84, MAE=2,68 Jahre). Die Forscher wandten das Modell anschließend auf den Olink-Datensatz an und verwendeten eine lineare Regressionsmethode, um den Einfluss des Schweregrads der Erkrankung auf die Geschwindigkeit des Alterns zu bewerten. Die Ergebnisse zeigten, dass Patienten mit schweren Infektionen – bei denen wahrscheinlich eine Lungenfibrose entsteht – ein deutlich höher vorhergesagtes biologisches Alter aufwiesen als gesunde Kontrollpersonen. Dies legt nahe, dass die trainierte Uhr eine biologische Relevanz in fibrotischen Fällen besitzt.
Die Analyse mit dem generativen Modell IPF-P3GPT offenbarte sowohl gemeinsame als auch spezifische Genexpressionsmuster zwischen alternden Lungen und fibrotischen Erkrankungen und unterstreicht somit, dass IPF nicht lediglich ein beschleunigtes Altern darstellt, sondern einzigartige pathologische Prozesse involviert. Die Studie identifizierte zudem vier zentrale Signalwege (TGF-ß-Signalgebung, oxidativer Stress, Entzündung, ECM-Remodellierung), die sowohl bei IPF als auch beim Altern eine Rolle spielen, jedoch unterschiedlich auf Genebene beteiligt sind.
Insilicos Forschungsteam wird diese Ergebnisse weiter ausbauen, indem die KI-Modelle an speziellen IPF-Patientenkohorten validiert und der Ansatz auf weitere fibrotische und altersbedingte Erkrankungen ausgeweitet wird. Das Team plant außerdem, seine Werkzeuge für Arzneimittelforschung, Biomarker-Identifizierung und personalisierte Medizinstrategien im gesamten Spektrum des Alterns und chronischer Krankheiten einzusetzen.
Durch den Einsatz modernster KI- und Automatisierungstechnologien hat Insilico die Effizienz der präklinischen Arzneimittelentwicklung deutlich gesteigert und einen neuen Maßstab für KI-gesteuerte Arzneimittelforschung gesetzt. Während die traditionelle Wirkstoffentwicklung in der Frühphase meist 2,5 bis 4 Jahre benötigt, hat Insilico 20 präklinische Kandidaten mit einer durchschnittlichen Zeitspanne vom Projektstart bis zur Nominierung des präklinischen Kandidaten (PCC) von lediglich 12 bis 18 Monaten pro Programm nominiert, wobei nur 60 bis 200 Moleküle pro Programm synthetisiert und getestet wurden.
Seit der Gründung im Jahr 2014 hat Insilico über 200 begutachtete Fachartikel veröffentlicht. Dank bahnbrechender wissenschaftlicher Fortschritte an der Schnittstelle von Biotechnologie, Künstlicher Intelligenz und Automatisierung wurde Insilico im Nature Index „2025 Research Leaders: global corporate institutions for biological sciences and natural sciences publications“ unter den Top 100 globalen Unternehmen gelistet.
[1] Galkin F, Chen S, Aliper A, Zhavoronkov A, Ren F. AI-driven toolset for IPF and aging research associates lung fibrosis with accelerated aging. Aging (Albany NY). 2025 Aug 8; . https://doi.org/10.18632/aging.206295
Über Insilico Medicine
Insilico Medicine ist ein weltweit führendes, KI-basiertes Biotechnologieunternehmen. Es nutzt seine eigene Plattform Pharma.AI und ein hochmodernes automatisiertes Labor, um die Arzneimittelentwicklung zu beschleunigen und Innovationen in den Lebenswissenschaften voranzutreiben. Durch die Integration von KI- und Automatisierungstechnologien sowie fundierter, firmeninterner Arzneimittelentdeckung bietet Insilico innovative Arzneimittellösungen für bislang ungedeckte Bedürfnisse, einschließlich Fibrose, Onkologie, Immunologie, Schmerz, Fettleibigkeit und Stoffwechselerkrankungen. Darüber hinaus erweitert Insilico das Einsatzspektrum von Pharma.AI auf verschiedene Branchen, darunter innovative Materialien, Landwirtschaft, Nahrungsergänzungsmittel und Veterinärmedizin. Für weitere Informationen besuchen Sie bitte www.insilico.com .
Journal
Aging-US
Article Title
AI-driven toolset for IPF and aging research associates lung fibrosis with accelerated aging
Article Publication Date
8-Aug-2025