Einleitung: Ein Paradigmenwechsel in der Diabetes-Diagnose

Diabetes mellitus betrifft mittlerweile mehr als 537 Millionen Erwachsene weltweit und bis 2045 wird diese Zahl voraussichtlich 783 Millionen überschreiten. Die Krankheit stellt eine enorme wirtschaftliche Belastung dar – geschätzt auf über 1 Billion Dollar jährlich –, die hauptsächlich auf kardiovaskuläre Komplikationen, chronische Nierenerkrankungen, Neuropathie und Retinopathie zurückzuführen ist. Eine frühzeitige und genaue Diagnose ist der Eckpfeiler einer effektiven Intervention, doch aktuelle Werkzeuge wie Nüchternplasmaglukose, orale Glukosetoleranztests und Hämoglobin A1c haben erhebliche Einschränkungen. Sie erkennen metabolische Störungen erst nach dem bereits aufgetretenen erheblichen Funktionsstörungsfall von Betazellen, können nicht zuverlässig zwischen Diabetes-Subtypen unterscheiden und bieten keinen Einblick in die zugrunde liegende Pathophysiologie. Eine neue Grenze in der diagnostischen Medizin zeichnet sich ab: Die Analyse von zirkulierenden DNA-Methylierungsmustern. Diese epigenetischen Markierungen, die in zellfreier DNA (cfDNA) vorhanden sind, die in den Blutkreislauf gelangen, liefern eine molekulare Momentaufnahme von gewebespezifischen pathologischen Prozessen. Dieser Artikel untersucht die biologischen Grundlagen der DNA-Methylierung, die Vorteile des cfDNA-basierten Nachweis

Die epigenetische Landschaft: DNA-Methylierung in Gesundheit und Krankheit

Die DNA-Methylierung ist die am intensivsten untersuchte epigenetische Modifikation beim Menschen. Sie beinhaltet die kovalente Addition einer Methylgruppe an die 5-Kohlenstoff-Position von Cytosinresten, fast ausschließlich innerhalb von CpG-Dinukleotiden. Diese Reaktion wird durch eine Familie von DNA-Methyltransferasen (DNMT) katalysiert und spielt eine entscheidende Rolle bei der Regulierung der Genexpression, der genomischen Prägung, der Inaktivierung von X-Chromosomen und dem Silencing von sich wiederholenden Elementen.

Die Beziehung zwischen DNA-Methylierung und Transkription ist kontextabhängig. Promoter-Hypermethylierung korreliert typischerweise mit transkriptioneller Repression, entweder durch physikalische Blockierung der Transkriptionsfaktorbindung oder durch Rekrutierung von Methyl-CpG-bindenden Domänenproteinen, die kompakte Chromatinstrukturen fördern. Umgekehrt wird Methylierung innerhalb von Genkörpern oft mit aktiver Transkription assoziiert. Diese Markierungen werden während der embryonalen Entwicklung hergestellt und werden durch Zellteilung mit hoher Genauigkeit aufrechterhalten, obwohl sie dynamische Veränderungen als Reaktion auf Umweltsignale, Alterung, Ernährung, Bewegung und Krankheit erfahren können.

In der Diabetesforschung haben zahlreiche Studien die aberrante DNA-Methylierung mit der Krankheitssensitivität in Verbindung gebracht. Zum Beispiel reduziert die Hypermethylierung des INS-Genpromotors die Insulinexpression in pankreatischen Betazellen, während die Hypomethylierung der IL6 und TNF-Promotoren die entzündliche Signalisierung in Fettgewebe und Immunzellen verstärkt. Große epigenomweite Assoziationsstudien (EWAS) haben Hunderte von differentiell methylierten Positionen (DMPs) im peripheren Blut identifiziert, die mit Typ-2-Diabetes, Insulinresistenz und glykämischen Merkmalen assoziiert sind. Blut-abgeleitete Methylierungsprofile spiegeln jedoch eine Mischung von Zelltypen - Neutrophile, Monozyten, Lymphozyten - wider und repräsentieren möglicherweise nicht genau die betroffenen Gewebe (Pankreas, Leber, Skelettmuskel). Diese Einschränkung hat die Suche nach gewebespezifischen Methylierungsmarkern

Zellfreie DNA im Umlauf: Eine flüssige Biopsie für Diabetes

Zellfreie DNA besteht aus kurzen doppelsträngigen Fragmenten (typischerweise 150-200 Basenpaare), die in erster Linie durch Apoptose, aber auch durch Nekrose und aktive Sekretion in den Kreislauf freigesetzt werden. Unter normalen Bedingungen sind cfDNA-Spiegel kaum nachweisbar, steigen jedoch in Zuständen wie Gewebeschädigung, Entzündung, oxidativem Stress und metabolischer Dysregulation an. Die kurze Halbwertszeit von cfDNA - von 16 Minuten bis 2,5 Stunden - ermöglicht eine Echtzeitüberwachung systemischer Veränderungen.

Fortschritte bei der Sequenzierung der nächsten Generation, der Bisulfit-Konversion und der methylierungssensitiven PCR haben es ermöglicht, cfDNA-Methylierungsmuster bei einer Einzelbasenauflösung zu profilieren. Da cfDNA die epigenetischen Markierungen ihrer Mutterzelle behält, kann die Analyse dieser Signaturen das Ursprungsgewebe bestimmen. Beispielsweise weist cfDNA aus pankreatischen Betazellen Methylierungsmuster auf, die sich von denen von Hepatozyten, Adipozyten oder Leukozyten unterscheiden. Diese Gewebe-Ursprungsanalyse bildet die Grundlage des "Liquid Biopsy" -Paradigmas, das bereits in der Onkologie für den Nachweis von Tumor-abgeleiteter cfDNA klinischen Nutzen erlangt hat. Das gleiche Prinzip wird jetzt auf Diabetes angewendet.

Gewebespezifische Methylierungssignaturen

Das menschliche Genom enthält Tausende von CpG-Stellen, die über Zelltypen hinweg differentiell methyliert sind. Gewebespezifische differentiell methylierte Regionen (tDMRs) sind für die cfDNA-Analyse besonders wertvoll, da sie die Dekonvolution von gemischten Signalen ermöglichen. Für die Bauchspeicheldrüse können Methylierungsmarker am INS (Insulin), GCG (Glucagon), SST (Somatostatin) und PPY (Pankreaspolypeptid) Alpha-, Beta-, Delta- und PP-Zellen unterscheiden. Das PDX1-Gen, ein Masterregulator der pankreatischen Entwicklung, zeigt auch eine beta-zellspezifische Hypomethylierung im Vergleich zu anderen Geweben.

Forschung von Lehmann-Werman und Kollegen veröffentlicht in Nature Biotechnology (2016) Pionierarbeit bei der Verwendung von Pankreas-spezifischen Methylierungsmarkern in cfDNA, um den Beta-Zell-Tod bei Patienten mit Typ-1-Diabetes zu erkennen. Sie zeigten, dass die Ebenen von unmethylierten INS cfDNA mit dem Grad der jüngsten Beta-Zell-Schäden korreliert und Patienten von gesunden Kontrollen unterscheiden können. Nachfolgende Studien haben das Marker-Panel erweitert, um MAFA, NKX6-1 und NEUROD1 - alle Transkriptionsfaktoren, die für die Beta-Zell-Funktion entscheidend sind - und haben gezeigt, dass Veränderungen in ihrem Methylierungsstatus der klinischen Hyperglykämie vorausgehen.

Wichtige Methylierungsmarker bei Diabetes

Mehrere Studien haben differentiell methylierte Regionen (DMR) in cfDNA identifiziert, die Diabetiker zuverlässig von nicht-diabetischen Personen unterscheiden.

  • INS und IAPP loci: Hypomethylierung des Insulin-Gen-Promotors in cfDNA ist ein Kennzeichen für Beta-Zell-Schäden und wurde sowohl bei Typ 1 als auch bei Typ 2 Diabetes validiert. Das Insel-Amyloid-Polypeptid-Gen (IAPP) zeigt auch eine veränderte Methylierung als Reaktion auf Beta-Zell-Stress und Amyloid-Ablagerung.
  • KCNQ1: Dieser etablierte Typ-2-Diabetes-Risikolocus zeigt eine differentielle Methylierung in cfDNA, wobei Hypermethylierung mit einer reduzierten Insulinsekretion verbunden ist. Eine Studie von Dayeh et al. (2014) fand heraus, dass die KCNQ1-Methylierung in Pankreasinseln mit HbA1c-Spiegeln korreliert, und dieses Signal kann in zirkulierenden Blutproben nachgewiesen werden.
  • PPARGC1A: Das peroxisome Proliferator-aktivierte Rezeptor-Gamma-Coaktivator 1-alpha-Gen ist ein Master-Regulator der mitochondrialen Biogenese und des Glukosestoffwechsels. Die Hypermethylierung seines Promotors in Muskel- und Fettgewebe wurde mit Insulinresistenz in Verbindung gebracht. In cfDNA wurde eine erhöhte PPARGC1A Methylierung bei Personen mit Prädiabetes und Typ-2-Diabetes berichtet und erscheint reversibel mit Lebensstilintervention.
  • ADIPOQ und LEP: Die Adiponectin- und Leptin-Gene sind für die Energiehomöostase von entscheidender Bedeutung. Methylierungsänderungen an diesen Orten in der mütterlichen cfDNA während der frühen Schwangerschaft haben sich als vielversprechend für die Vorhersage von Schwangerschaftsdiabetes mellitus (GDM) bis zu mehreren Wochen vor der Standard-Glukosetoleranzprüfung erwiesen.
  • Globale Hypomethylierung von sich wiederholenden Elementen: Reduzierte Methylierung von LINE-1 und Alu wiederholt sich in Blut-abgeleiteter DNA-und spiegelt sich in cfDNA-ist ein konsistenter Befund in Typ-2-diabetes und ist verbunden mit insulin-Resistenz, Entzündung und oxidativen stress.

Klinische Anwendungen und Vorteile

Der potenzielle klinische Nutzen der cfDNA-Methylierungsanalyse erstreckt sich über das gesamte Diabetes-Versorgungskontinuum.

Früherkennung und Risikovorhersage

Epigenetische Veränderungen gehen der klinischen Erkrankung oft Monate bis Jahre voraus. Eine wegweisende Studie im Jahr 2021 zeigte, dass ein Panel von fünf cfDNA-Methylierungsmarkern (einschließlich PDX1, NKX6-1, MAFA]NEUROD1 und PAX4) bis zu drei Jahre vor der Diagnose vorhersagen konnte, wodurch ein Bereich unter der Empfänger-Betriebskennlinie (AUC) von mehr als 0,84 in Validierungskohorten erreicht wurde. Dieses prädiktive Fenster bietet eine wichtige Gelegenheit für Lebensstilberatung, pharmakologische Prävention und intensive Überwachung - potenziell verzögernd oder verhindernd Krankheitsausbruch.

Unterscheidung von Diabetes-Subtypen

Eine genaue Klassifizierung des Diabetestyps ist für die Auswahl einer geeigneten Therapie unerlässlich. Typ 1 Diabetes, Typ 2 Diabetes, latenter Autoimmundiabetes bei Erwachsenen (LADA), reifenbedingter Diabetes bei jungen Menschen (MODY) und sekundäre Diabetesformen sind oft nur schwer zu unterscheiden, wenn sie allein auf klinischen Merkmalen beruhen. cfDNA-Methylierungsmuster können diese Subtypen durch den Nachweis gewebespezifischer Schäden unterscheiden. Beispielsweise kann Autoantikörper-negativer Typ 1 Diabetes durch Beta-Zell-abgeleitete cfDNA-Marker identifiziert werden, während MODY-Subtypen (verursacht durch Mutationen in HNF1A, GCK usw. durch veränderte Methylierung in den entsprechenden Genen gekennzeichnet werden können.

Überwachung der Krankheitsprogression und Behandlungsreaktion

Die serielle Messung der cfDNA-Methylierung ermöglicht die dynamische Verfolgung der Beta-Zell-Masse, Inselentzündung und systemischen Stoffwechselveränderungen. Bei neu auftretendem Typ-1-Diabetes korreliert der Rückgang der von Beta-Zellen abgeleiteten cfDNA im Laufe der Zeit mit dem Verlust der C-Peptid-Sekretion und dem Fortschreiten der Insulinabhängigkeit. Bei Typ-2-Diabetes spiegeln Veränderungen der Methylierung an den Loci von PPARGC1A und KCNQ1 Verbesserungen der Insulinsensitivität nach Gewichtsverlust oder Pharmakotherapie wider. Dieses Echtzeit-Feedback könnte die Behandlungsintensivierung oder Deeskalation leiten und über den aktuellen "Trial-and-Error"-Ansatz hinausgehen.

Personalisierte Medizin und Risikoschichtung

Da das Methylom jedes Individuums genetische, umweltbezogene und Lifestyle-Faktoren integriert, können cfDNA-Methylierungsprofile mit polygenen Risiko-Scores, metabolomischen Daten und klinischen Parametern kombiniert werden, um personalisierte Risikoprofile zu erstellen. Machine Learning-Modelle, die auf Multi-Omics-Daten trainiert wurden, haben bereits eine verbesserte Diskriminierung des Diabetesrisikos im Vergleich zu einem einzelnen Biomarker gezeigt. Zum Beispiel verbesserte das Hinzufügen eines Methylierungs-Scores zu bestehenden Typ-2-Diabetes-Risikorechnern den Netto-Neuklassifizierungsindex um 18% in einer Studie der Universität Cambridge.

Aktuelle Forschungslandschaft und klinische Studien

Das Feld schreitet schnell voran, mit mehreren großen klinischen Initiativen im Gange.

Das von der Europäischen Union finanzierte PREDICT-DM-Konsortium nimmt 10.000 Teilnehmer aus verschiedenen ethnischen Hintergründen auf, um ein cfDNA-Methylierungspanel für die Vorhersage von Typ-2-Diabetes zu validieren. Vorläufige Ergebnisse, die in Diabetes Care (2024) berichtet wurden, zeigten, dass eine 12-Marker-Methylierungssignatur HbA1c und Nüchternglukose bei der Vorhersage des Fortschreitens von Prädiabetes zu Diabetes (Gefahrenverhältnis 3,2, 95% CI: 2,1-5,0) nach Anpassung an Alter, Geschlecht, Body-Mass-Index und Familiengeschichte übertraf. Der Test zeigte eine konsistente Leistung in europäischen, südasiatischen und afrikanischen Abstammungsgruppen.

Forscher der Stanford University untersuchen die Verwendung von cfDNA-Methylierung zur Unterscheidung von monogenen Diabetes (MODY) von Typ 1 und Typ 2 Diabetes. In einer Pilotstudie haben sie MODY-Fälle mit einer Genauigkeit von 95% korrekt klassifiziert, indem sie eine Kombination von Beta-Zell-spezifischen Methylierungsmarkern und einer gezielten Sequenzierung bekannter MODY-Gene verwendet haben. Ein solcher Ansatz könnte den Bedarf an invasiven genetischen Tests dramatisch reduzieren und den Zugang zu Präzisionstherapien wie Sulfonylharnstoffen für HNF1A-MODY verbessern.

Bei Gestationsdiabetes ergab eine 2023 im Journal of Clinical Endocrinology & Metabolism veröffentlichte Studie, dass Methylierungsniveaus von ADIPOQ und LEP in der mütterlichen cfDNA, die in der Schwangerschaft von 12-14 Wochen gesammelt wurden, eine spätere GDM-Diagnose mit einer AUC von 0,81 voraussagten. Diese frühe Identifizierung könnte sofortige Ernährungs- und Bewegungsinterventionen ermöglichen, was möglicherweise die Inzidenz von Makrosomie und neonatalen Komplikationen reduzieren könnte.

Integration mit Künstlicher Intelligenz und Machine Learning

Die Komplexität von Daten zur Methylierung von Vollgenomen, die über 28 Millionen CpG-Stellen umfassen, erfordert fortschrittliche Rechenwerkzeuge. Deep-Learning-Modelle wie konvolutionale neuronale Netze und Transformatorarchitekturen wurden auf cfDNA-Methylierungsarrays trainiert, um den Diabetesstatus in Proof-of-Concept-Studien mit einer Genauigkeit von über 90% zu klassifizieren. Diese Modelle können automatisch relevante Methylierungsmuster entdecken, ohne auf vordefinierte DMRs angewiesen zu sein, und gelegentlich neue Assoziationen aufdecken.

Die "Black Box"-Natur des Deep Learning stellt jedoch Herausforderungen für die klinische Interpretierbarkeit und die Zulassung durch die Aufsichtsbehörden dar. Tools wie methylNet und das SHAP-Framework (SHapley Additive exPlanations) werden angepasst, um erklärbare Ergebnisse zu liefern, die die spezifischen CpG-Standorte hervorheben, die eine Vorhersage auslösen. Die US-amerikanische Food and Drug Administration und die Europäische Arzneimittelbehörde haben begonnen, Leitlinien zur Validierung von KI-basierten Diagnosetests herauszugeben, und die Diabetes-Forschungsgemeinschaft arbeitet aktiv an der Einhaltung.

Herausforderungen für die klinische Übersetzung

Trotz des Versprechens müssen mehrere Hindernisse angegangen werden, bevor cfDNA-Methylierungsprofilierung zu einem routinemäßigen Bestandteil der Diabetesversorgung wird.

  • Voranalytische Standardisierung: cfDNA-Ausbeute, Fragmentgrößenverteilung und Methylierungsstabilität werden durch den Typ der Blutentnahmeröhre (z. B. EDTA vs. zellstabilisierende Röhrchen), Zentrifugationsprotokolle, Lagertemperatur und Gefrier-Tau-Zyklen beeinflusst. Internationale Richtlinien, ähnlich denen, die vom Liquid Biopsy Consortium entwickelt wurden (z. B. BloodPAC für Onkologie), sind dringend erforderlich, um die Reproduzierbarkeit in allen Labors zu gewährleisten.
  • Technische und Kostenbarrieren: Die Umwandlung von Bisulfit bleibt der Goldstandard für die Methylierungsanalyse, abbaut jedoch DNA und ist arbeitsintensiv. Neue Alternativen wie die enzymatische Methyl-seq (EM-seq), die gezielte Bisulfit-Sequenzierung und die nanoporenbasierte direkte Methylierungserkennung bieten Verbesserungen in der Empfindlichkeit und im Durchsatz. Dennoch bleiben die Sequenzierungskosten für ein weit verbreitetes Screening unerschwinglich - derzeit 300 bis 600 US-Dollar pro Probe für ein gezieltes Panel und über 1.000 US-Dollar für die Ganzgenom-Bisulfit-Sequenzierung.
  • Biologische Variabilität und Störfaktoren cfDNA-Methylierungsniveaus schwanken mit Alter, zirkadianem Rhythmus, letzten Mahlzeiten, körperlicher Aktivität und akutem Stress. Um krankheitsspezifische Signale von normalen physiologischen Variationen zu unterscheiden, sind große Referenzdatenbanken erforderlich, die mit unter standardisierten Bedingungen gesammelten Proben bevölkert sind.
  • Sensitivität bei frühen Erkrankungen: Bei Prädiabetes oder mildem Typ-2-Diabetes kann der Grad des Beta-Zell-Abstiegs minimal sein, was zu niedrigen Konzentrationen von gewebespezifischen cfDNA führt. Supersensible Nachweistechnologien wie digitale PCR, methylierte CpG-Tandem-Amplifikation (MCTA) und CRISPR-basierte Assays werden entwickelt, um diese seltenen Signale zu erfassen. Eine Empfindlichkeitsschwelle für den Nachweis eines Beta-Zell-abgeleiteten cfDNA-Moleküls in 10.000 Gesamt-cfDNA-Molekülen ist wahrscheinlich für eine frühzeitige Diagnose erforderlich.
  • Regulierungs- und Kostenerstattungshürden: Die Zulassung eines cfDNA-basierten Diagnosetests im Rahmen des In-vitro-Diagnose-Rahmens der FDA oder der EU-Verordnung über In-vitro-Diagnose (IVDR) erfordert eine umfassende klinische Validierung, analytische Leistungsstudien und den Nachweis des klinischen Nutzens. Kostenträger verlangen Nachweise, dass der Test die Ergebnisse verbessert oder die Kosten im Vergleich zu bestehenden Ansätzen senkt. Modellstudien deuten darauf hin, dass die Früherkennung mit cfDNA-Methylierung Diabetes-bedingte Komplikationen über 10 Jahre um 15-20% reduzieren könnte, aber reale Daten fehlen immer noch.

Zukünftige Richtungen: Von der Bank zum Bett

In den nächsten fünf bis zehn Jahren wird das cfDNA-Methylierungsprofiling wahrscheinlich als mehrkomponentige diagnostische Plattform gereift sein. Verbundplatten, die Methylierungsmarker mit Autoantikörpern (z. B. GAD65, IA-2), metabolomische Profile (verzweigte Aminosäuren, Ceramide) und klinische Standardvariablen integrieren, bieten eine ganzheitliche Sicht auf den Krankheitszustand. Solche multimodalen Ansätze könnten eine präzise Klassifizierung aller Diabetes-Subtypen aus einer einzigen Blutentnahme ermöglichen - was die diagnostische Verzögerung und unangemessene Behandlung reduziert.

Die Technologien zur Sequenzierung der Einzelzellmethylierung werden für die cfDNA-Analyse angepasst. Indem Tausende von individuellen zelltypspezifischen Methylierungssignaturen in einer gemischten cfDNA-Probe entwirrt werden, hoffen die Forscher, die Gesundheit jeder Inselzellpopulation (alpha, beta, delta, PP) separat zu überwachen. Diese Fähigkeit wäre transformativ für die Beurteilung des Erfolgs der Inseltransplantation, die Verfolgung der Auswirkungen immunmodulatorischer Therapien bei Typ-1-Diabetes oder die Erkennung der frühen Stadien der Beta-Zell-Autoimmunität Jahre bevor Autoantikörper auftreten.

Ein weiterer spannender Weg ist die Verwendung von cfDNA-Methylierung zur Überwachung der Auswirkungen von Lebensstil- und pharmakologischen Interventionen. Eine Pilotstudie aus dem Jahr 2024 zeigte, dass eine 12-wöchige Übung und diätetische Intervention die Hypermethylierung des PPARGC1A-Gens in cfDNA von Personen mit Prädiabetes rückgängig machte, und diese epigenetische Veränderung korrelierte mit einer verbesserten Insulinsensitivität, wie sie durch Hyperinsulinämisch-euglykämische Klemme gemessen wurde. Solche Ergebnisse deuten darauf hin, dass die cfDNA-Methylierung als dynamische Anzeige für personalisierte Präventionsprogramme dienen könnte, was eine Echtzeit-Rückmeldung über Adhärenz und Wirksamkeit ermöglicht und die verzögerte Maßnahme von Glucometer- oder A1c-Änderungen ersetzt.

Schließlich verspricht die Integration von cfDNA-Methylierung mit tragbaren Glukosemonitoren, kontinuierlichen Glukoseüberwachungsdaten und elektronischen Gesundheitsakten, einen umfassenden digitalen Zwilling der metabolischen Gesundheit eines Individuums zu schaffen. Machine Learning-Algorithmen können Methylierungsverläufe mit Glukosetrends, körperlicher Aktivität, Schlafmustern und Ernährungsaufnahme kreuzkorreliert werden, um prädiktive Modelle für Hypoglykämie, Hyperglykämie und langfristige Komplikationen zu erzeugen. Diese Vision stimmt mit dem breiteren Trend zur Präzisionsmedizin überein, wo die Behandlung nicht nur auf den Krankheitstyp, sondern auch auf den einzigartigen epigenetischen Fußabdruck jedes Patienten zugeschnitten ist.

Fazit: Ein nicht invasives Fenster in die Diabetesbiologie

Durch die Erfassung von gewebespezifischen epigenetischen Signalen, die in den Blutkreislauf freigesetzt werden, bietet diese Technologie ein minimal invasives, in Echtzeit und mechanistisch fundiertes Fenster in die Pathobiologie der Krankheit. Von der frühen Vorhersage von Typ-2-Diabetes Jahre vor dem klinischen Beginn über die genaue Klassifizierung von Diabetes-Subtypen bis hin zur Überwachung therapeutischer Reaktionen und Lebensstilinterventionen sind die potenziellen Anwendungen enorm.

Die Herausforderungen bei Standardisierung, Kosten, biologischer Variabilität und behördlicher Zulassung bleiben signifikant, aber das Tempo der Forschung und technologischen Innovation beschleunigt sich. Große Validierungsstudien in verschiedenen Populationen - wie das PREDICT-DM-Konsortium - liefern Hinweise darauf, dass die cfDNA-Methylierung bestehende Biomarker übertreffen kann. Innerhalb des nächsten Jahrzehnts ist es plausibel, dass ein einfacher Bluttest auf DNA-Methylierungsmuster zu einem Standardbestandteil der Diabetesversorgung werden wird, der die traditionelle Glukose-basierte Diagnostik ergänzt und möglicherweise teilweise ersetzt. Eine solche Verschiebung könnte zu früheren Interventionen, weniger Komplikationen und besseren Ergebnissen für die Hunderte von Millionen von Menschen führen, die mit Diabetes leben oder einem Risiko ausgesetzt sind.

Für weitere Lektüre, beziehen Sie sich auf die Grundlagenarbeit auf Beta-Zell-abgeleitete cfDNA von Lehmann-Werman et al. (2016), eine umfassende Überprüfung der epigenetischen Biomarker bei Diabetes veröffentlicht in Diabetologia (2021), die neuesten Erkenntnisse aus PREDICT-DM Konsortium (Diabetes Care, 2024), und ein aktuelles Konsensuspapier über flüssige Biopsie Standardisierung bei Stoffwechselerkrankungen von Molecular Metabolism (2023)).