idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instanz:
Teilen: 
22.10.2019 14:14

Adipositas-Risikobestimmung: ein Sprung in die Zukunft durch die Kombination von KI und Lipid-Forschung

Kim-Astrid Magister Pressestelle
Technische Universität Dresden

    Die WHO warnt: fast jeder sechste Erwachsene ist von Fettleibigkeit (Adipositas) betroffen. Da Adipositas das Sterblichkeits- und Krankheitsrisiko erhöht, ist sie eine der zentralen Bedrohungen für die Gesundheit der gesamten Menschheit. Im Alltag der Medizin ist der Body Maß Index (BMI), das Verhältnis von Gewicht zur Körpergröße, ein beliebtes Instrument um Übergewicht und Fettleibigkeit zu ermitteln. In einem Zusammenschluss von akademischer Forschung und Industrie in Sachsen, geleitet von Wissenschaftlern aus Dresden, stellt ein internationales Forscherteam ein revolutionäres Konzept für personalisierte Präzisionsmedizin vor.

    Mit Hilfe von künstlicher Intelligenz (KI) wurde eine Reihe von Lipidmolekülen identifiziert, die wesentlich mehr Informationen über Adipositas bereithalten als der BMI.

    Wenn sich akademische Forschung und die Industrie zusammentun, sind beeindruckende Sprünge in die Zukunft möglich. Forscher vom Biotechnologischen Zentrum (BIOTEC) der TU Dresden und der Lipotype GmbH, einer Ausgründung des Max-Planck-Instituts für Molekulare Zellbiologie und Genetik in Dresden, in internationaler Kooperation mit Wissenschaftlern der Universität Lund (Schweden) und des National Institute for Health and Welfare (Finnland) haben sich zusammengeschlossen, um den BMI von über 1000 Patienten einer kritischen Neubewertung zu unterziehen. Das internationale Forscherteam wandte fortgeschrittene KI Methoden an, um einen Algorithmus zu entwickeln, der als Bewertungsgrundlage die Lipid-Zusammensetzung des menschlichen Blutplasmas nutzt, das sogenannte Plasma-Lipidom.

    Das Plasma-Lipidom enthält hunderte unterschiedlicher Lipidmoleküle. „In ihrer Gesamtheit dienen sie wie ein Fingerabdruck des Wohlbefindens als Indikatoren für die Stoffwechselgesundheit“, erklärt Mathias Gerl von Lipotype. Solche Lipidomik-Daten wurden genutzt, um den Algorithmus zur BMI-Bestimmung zu entwickeln.

    Im Vergleich zu der auf Haushaltswaren beruhenden „traditionellen BMI-Messung“ ermöglichten die Lipidomik-Daten dem neuen Algorithmus die Erstellung eines molekularen „Lipidomik-BMI“. Die BMI-Berechnung über den Lipidomik-BMI deckte auf, dass für jeden siebten Patienten der molekulare BMI deutlich über den zuvor mit der traditionellen BMI-Messung ermittelten Werten lag. Im Vergleich zum traditionellen BMI trifft der Lipidomik-BMI außerdem erweiterte Aussagen über den Adipositas-Zustand, wie zum Beispiel über die Menge des viszeralen Fettgewebes, einer Form von gesundheitsschädlichem Fett.

    „Wenn ein Patient, welcher eine Therapie zur Bekämpfung von übergewichts-bedingten Krankheiten benötigt, ohne Abhilfe und Beratung nach Hause geschickt wird, kann dies Langzeitschäden zur Folge haben“, gibt Olle Melander von der Universität Lund zu bedenken. „Genau dies sind die Patienten, welche plötzlich mit 40 Jahren einen Herzinfarkt erleiden und ihre Hausärzte ratlos zurücklassen“, kommentiert Carlo Vittorio Cannistraci vom BIOTEC (TU Dresden) und fügt hinzu: „Wir sollten diese veraltete Sichtweise überwinden, dass ein einziger Indikator – wie das Verhältnis von Gewicht zu Körpergröße – die Bestimmung von Risiken in komplexen Systemen wie dem Menschen ermöglichen kann. Rechnergestützte Biomedizin nutzt künstliche Intelligenz, um auf vielen Variablen basierende multidimensionale Indikatoren zu ermitteln, welche die Diagnosegenauigkeit erhöhen. Deshalb hoffe ich, dass der herkömmliche BMI durch einen Lipidomik-BMI ersetzt wird und die falsche Klassifizierung von jedem siebten Patienten beendet.“


    Wissenschaftliche Ansprechpartner:

    Dr. Mathias J Gerl
    Lipotype GmbH
    Tatzberg 47
    01307 Dresden
    Germany
    Tel.: +49 351 796 5345
    e-mail: gerl@lipotype.com


    Originalpublikation:

    Mathias J Gerl, Christian Klose, Michal A Surma, Celine Fernandez, Olle Melander, Satu Männistö, Katja Borodulin, Aki S Havulinna, Veikko Salomaa, Elina Ikonen, Carlo V Cannistraci & Kai Simons. Machine learning of human plasma lipidomes for obesity estimation in a large population cohort. PLOS Biology. doi: 10.1371/journal.pbio.3000443


    Bilder

    Traditionell gemessene BMI-Werte und aus Lipidomik-Daten berechnete BMI-Werte im Vergleich.
    Traditionell gemessene BMI-Werte und aus Lipidomik-Daten berechnete BMI-Werte im Vergleich.
    Gerl et al. Machine learning of human plasma lipidomes for obesity estimation in a large population cohort
    None


    Merkmale dieser Pressemitteilung:
    Journalisten, Wissenschaftler
    Biologie, Medizin
    überregional
    Forschungsergebnisse, Wissenschaftliche Publikationen
    Deutsch


     

    Traditionell gemessene BMI-Werte und aus Lipidomik-Daten berechnete BMI-Werte im Vergleich.


    Zum Download

    x

    Hilfe

    Die Suche / Erweiterte Suche im idw-Archiv
    Verknüpfungen

    Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.

    Klammern

    Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).

    Wortgruppen

    Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.

    Auswahlkriterien

    Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).

    Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).