KI-gestützte Nutrigenomik senkt BMI und kehrt biologisches Altern bei morbider Adipositas um

Morbide Adipositas — definiert als BMI ≥40 kg/m² — weist genetische Erblichkeitsschätzungen von über 80% auf, dennoch bleiben die meisten klinischen Interventionen nach dem Einheitsgrößenprinzip konzipiert. Diese kroatische Studie schloss diese Lücke durch die Integration von Gesamtgenomsequenzierung (WGS), biochemischen Panels, Hormonanalysen und Plasma-Glykomik, um für 14 konsekutiv rekrutierte Erwachsene mit morbider Adipositas individualisierte Ernährungspläne zu erstellen. Die Ergebnisse wurden anschließend über sechs Monate mithilfe einer patentierten, unüberwachten maschinellen Lernclusteringplattform (Deutsches Patent- und Markenamt Nr. DE 20 2025 101 197 U1) verfolgt.

Bei der Aufnahme wies die Kohorte einen klassischen metabolischen Sturm auf: erhöhte Nüchternglukose, Hyperinsulinämie, hohe HOMA-IR-Werte als Hinweis auf Insulinresistenz, erhöhte Triglyzeride sowie ein erhöhtes C-reaktives Protein als Zeichen einer chronischen niedriggradigen Entzündung. Der GlycanAge-Index — ein validierter biologischer Altersmarker, der aus IgG-N-Glykan-Profilen abgeleitet wird — betrug im Mittel 56 ± 12,45 Jahre, während das mittlere chronologische Alter lediglich 32 ± 9,62 Jahre betrug. Diese Differenz von 24 Jahren spiegelt eine stark beschleunigte biologische Alterung wider, die durch die proinflammatorische glykomische Signatur der Adipositas verursacht wird.

Die Genomanalyse ergab, dass die Mehrzahl der Teilnehmer Risikoallele im fettmassen- und adipositasassoziierten Gen (FTO) sowie im Interleukin-6-Gen (IL-6) trug — beides gut etablierte Treiber von Adipositas bzw. systemischer Entzündung. Über diese zentralen Gene hinaus wurden klinisch relevante Varianten in mehr als 40 Genen identifiziert, die an der metabolischen Regulation, dem Nährstoffstoffwechsel, dem kardiometabolischen Risiko, der hereditären Krebsprädisposition und dem Ernährungsstatus beteiligt sind. Der KI-gestützte, unüberwachte Clustering-Algorithmus verarbeitete diese polygenen Profile und stratifizierte alle 14 Patienten in einem einzigen kohärenten Cluster, was trotz oberflächlicher Variation in individuellen Risikovarianten auf einen gemeinsamen molekularen Phänotyp hindeutet — ein Befund, der die konvergente Biologie schwerer Adipositas unterstreicht.

Die von der Plattform generierten personalisierten Ernährungsempfehlungen wurden sechs Monate lang befolgt. Das primäre anthropometrische Ergebnis war beeindruckend: Der mittlere BMI sank von 52,09 ± 7,41 auf 34,6 ± 9,06 kg/m² (p <0,01), was einer Reduktion von etwa 33,6% entspricht und den durchschnittlichen Teilnehmer von Adipositas Klasse III zu Klasse I verschob. Entscheidend ist, dass der GlycanAge ebenfalls signifikant abnahm, von 56 ± 12,45 auf 48 ± 14,83 Jahre (p <0,01) — eine Reduktion des biologischen Alters um 8 Jahre innerhalb von nur sechs Monaten. Diese parallele Verbesserung sowohl der anthropometrischen als auch der glykomischen Alterungsmarker legt nahe, dass die Intervention die zugrundeliegenden entzündlichen und metabolischen Dysregulationen adressierte und nicht lediglich die Kalorienbilanz.

Die klinischen Implikationen sind sowohl für Patienten als auch für Behandelnde bedeutsam. GlycanAge als Ansprechbiomarker bietet einen messbaren, biologisch bedeutsamen Endpunkt jenseits des BMI, der möglicherweise die langfristige Adhärenz fördert. Die Erkenntnis, dass eine nutrigenomische Profilierung über 40+ Gene handlungsorientierte Ernährungsempfehlungen generieren kann — und dass deren Befolgung innerhalb kurzer Zeit große Effektstärken erzielt — spricht für eine breitere Anwendung von Präzisionsernährungskonzepten. Die Einschränkungen sind jedoch erheblich: Die Stichprobengröße von 14 Patienten ohne randomisierte Kontrollgruppe begrenzt kausale Schlussfolgerungen, und das Fehlen einer externen Validierungskohorte bedeutet, dass die maschinellen Lerncluster einer unabhängigen Replikation bedürfen, bevor sie klinisch eingesetzt werden können.