Forschende haben ein Deep-Learning-Framework entwickelt, das die Telomerlänge in menschlichen Geweben direkt aus routinemäßigen H&E-Histologiebildern vorhersagt. Das Modell TLPath erreicht eine Korrelation von r = 0,51 zwischen vorhergesagter und gemessener Telomerlänge und übertrifft damit die Vorhersagekraft des chronologischen Alters (r = 0,21).
Telomerverkürzung gilt als zentraler Mechanismus des Alterns und ist mit zahlreichen altersassoziierten Erkrankungen verknüpft. Bisherige Messmethoden erfordern jedoch aufwendige molekulare Techniken (Southern Blot, qPCR, Luminex), die großflächige Studien oder klinische Routine erschweren. TLPath nutzt stattdessen morphologische Merkmale aus über 5.000 Ganzschnittbildern (Whole-Slide Images) von 919 Personen und 18 Organen des GTEx-Projekts.
Das Modell extrahiert Merkmale mit dem Pathologie-Foundation-Modell UNI, aggregiert sie auf Slide-Ebene und trainiert einen Random Forest zur Vorhersage der bulk-Telomerlänge (Luminex-Messung). Es trennt junge, mittelalte und alte Gewebe allein anhand der Morphologie – ohne explizite Altersinformation. Besonders hohe Korrelationen erzielte TLPath in Geweben mit vielen Proben (z. B. Bauchspeicheldrüse r = 0,66, Magen r = 0,57).
Interpretationsanalysen zeigen, dass TLPath Seneszenz-Marker wie erhöhtes Kern-zu-Zytoplasma-Verhältnis, veränderte Kernform-Heterogenität und Nekrose/Faszie-Anreicherung in Kurz-Telomer-Proben nutzt. In altersgematchten Analysen erkannte das Modell Gewebe mit unerwartet kurzen oder langen Telomeren und verbesserte die Vorhersage signifikant unabhängig vom Alter.
In etwa 2.800 GTEx-Biopsien detektierte TLPath verkürzte Telomere in mehreren Geweben bei Typ-1- und Typ-2-Diabetes-Patienten – ein Befund, der experimentell validiert wurde. Die Methode eröffnet die Möglichkeit, Telomerbiologie großflächig und kostengünstig aus vorhandenen Pathologiepräparaten zu untersuchen, ohne zusätzliche molekulare Analysen.
Quelle:
Cell Reports Methods, „Tissue morphology predicts telomere shortening in human tissues“, von Anamika Yadav, Kyle Alvarez, Sanju Sinha et al., veröffentlicht online am 16. März 2026 (Open Access)
DOI: 10.1016/j.crmeth.2026.101336
https://www.cell.com/cell-reports-methods/fulltext/S2667-2375(26)00033-6
