Omitted familial extrinsic risk inflates inferred intrinsic lifespan heritability

Die Studie zeigt, dass die von Shenhar et al. (2026) berichtete 50%ige intrinsische Lebensspanne-Heritabilität durch die Vernachlässigung erblicher, extrinsischer Risikofaktoren systematisch um etwa 9 Prozentpunkte überschätzt wird, da diese ausgelassenen Komponenten im Kalibrierungsprozess fälschlicherweise in die intrinsische Frailty-Varianz absorbiert werden.

Das Wesentliche

Die große Lebensdauer-Illusion: Warum wir die Genetik vielleicht falsch einschätzen

Stellen Sie sich vor, Sie wollen herausfinden, wie stark Genetik (die "innere Uhr") unser Leben bestimmt. Ein berühmtes Team von Wissenschaftlern (Shenhar et al.) hat kürzlich behauptet: "Wir haben den 'Rauschen' des Zufalls (Unfälle, Infektionen) herausgerechnet. Wenn wir nur auf das schauen, was wir nicht kontrollieren können, ist die Erblichkeit des Lebensalters nicht 20–25 %, sondern 50 %!"

Das klingt fantastisch. Aber Sergey Kornilov sagt in diesem Papier: "Moment mal. Ihr habt einen Fehler im Rechenverfahren gemacht. Ihr habt einen wichtigen Faktor vergessen, und das hat euer Ergebnis künstlich aufgebläht."

Hier ist die Erklärung, wie das passiert ist, mit ein paar einfachen Bildern.

---

1. Das Problem: Der "versteckte Gast" in der Wohnung

Stellen Sie sich vor, Sie untersuchen, warum sich Zwillinge oft ähnlich alt werden.

• Zwillingspaar A (eineiig): Sie teilen 100 % ihrer Gene.
• Zwillingspaar B (zweieiig): Sie teilen nur 50 % ihrer Gene.

Wenn die eineiigen Zwillinge viel ähnlicher sind als die zweieiigen, sagen wir: "Aha, das muss an den Genen liegen!"

Aber: Es gibt einen "versteckten Gast" in dieser Geschichte. Nennen wir ihn Herr "Infektions-Resistenz".

• Herr "Infektions-Resistenz" ist ein Teil unserer Gene.
• Er bestimmt, wie gut wir gegen alte Seuchen (wie Tuberkulose oder Lungenentzündung) ankämpfen.
• Wenn ein Zwilling gegen diese Seuchen immun ist, lebt er länger. Da Zwillinge sich ihre Gene teilen, teilen sie sich auch diese Immunität.

Das Problem: Das Original-Team von Shenhar hat in ihrem Modell nur den "inneren Alterungsprozess" (die innere Uhr) gemessen. Sie haben den "Gast" (die Anfälligkeit für Infektionen) komplett ignoriert.

2. Der Trick: Der "Müll-Eimer", der zu voll ist

Stellen Sie sich das Modell von Shenhar wie einen Müll-Eimer vor, der nur einen Deckel hat.

• Der Eimer soll nur den "Müll" des inneren Alterns (Genetik des Alterns) sammeln.
• Aber in der Realität gibt es auch "Müll" von Infektionen, der ebenfalls genetisch bedingt ist.

Da der Eimer nur einen Deckel hat, muss er beides aufnehmen.

• Wenn die Zwillinge wegen ihrer gemeinsamen Genetik gegen Infektionen resistent sind, sterben sie seltener.
• Das Modell sieht: "Wow, die Zwillinge leben viel länger zusammen!"
• Da das Modell den "Infektions-Müll" nicht als eigenen Korb kennt, schiebt es diesen ganzen zusätzlichen Langlebigkeits-Effekt in den einzigen Korb, den es hat: den Korb für "innere Genetik".

Das Ergebnis: Der Korb für "innere Genetik" sieht riesig aus. Er ist vollgestopft mit echtem Alterns-Müll, aber auch mit dem Müll der Infektions-Resistenz.

• Die Folge: Die Wissenschaftler denken, die Genetik des Alterns sei 50 % verantwortlich.
• Die Wahrheit: Ein großer Teil dieser 50 % ist eigentlich nur die Genetik der Infektions-Resistenz, die fälschlicherweise als "innere Alterung" gezählt wurde.

3. Die Diagnose: Der "Fingerabdruck" der Lüge

Kornilov zeigt nicht nur, dass der Eimer zu voll ist, sondern wie man das beweist. Er nutzt zwei clevere Methoden:

A) Der "Alters-Test" (Die Struktur des Eimers)
Wenn Sie nur den "inneren Alterungs-Müll" hätten, würde die Ähnlichkeit der Zwillinge im Alter langsam und gleichmäßig steigen.
Aber weil der Eimer auch den "Infektions-Müll" enthält, passiert etwas Seltsames:

• In jungen Jahren (wo Infektionen tödlich sind) sind die Zwillinge weniger ähnlich, als das Modell sagt.
• Im hohen Alter (wo die Infektions-Gefahr vorbei ist und nur noch das innere Altern zählt) sind sie plötzlich viel ähnlicher, als das Modell erwarten würde.
  Es ist, als würde jemand versuchen, eine gerade Linie zu zeichnen, aber durch den zusätzlichen Müll entsteht eine Kurve, die im Alter steil nach oben schießt. Das ist der "Fingerabdruck" des Fehlers.

B) Der "Spiegel-Test" (Was passiert, wenn wir den Gast einladen?)
Kornilov hat ein neues Modell gebaut, das den "Gast" (Infektions-Resistenz) offiziell einlädt und ihm seinen eigenen Korb gibt.

• Als er das tat, schrumpfte der Korb für "innere Genetik" sofort wieder zusammen.
• Der Wert fiel von den falschen 50 % auf einen realistischeren Wert (ca. 31–47 %, je nach Annahmen).
  Das beweist: Der Gast war die Ursache für die Übertreibung.

4. Warum ist das wichtig?

Es geht nicht darum, zu sagen, dass Genetik unwichtig ist. Es geht darum, ehrlich zu sein.

• Die alte Zahl (20–25 %): Ignorierte, dass wir durch Infektionen sterben.
• Die neue Zahl von Shenhar (50 %): Versuchte, Infektionen herauszurechnen, hat aber dabei versehentlich die Genetik der Infektions-Resistenz in die Genetik des Alterns gepackt.
• Die korrekte Zahl (nach Kornilov): Liegt irgendwo dazwischen. Sie ist immer noch höher als die alten 25 %, aber nicht so extrem hoch wie die 50 %.

Zusammenfassung in einem Satz

Das Papier zeigt, dass wenn man versucht, den Einfluss von Genetik auf das Altern zu messen, man nicht einfach "Infektionen" ausblenden darf; man muss sie als eigenen genetischen Faktor berücksichtigen, sonst rechnet man die Genetik der Krankheitsresistenz fälschlicherweise als Genetik des natürlichen Alterns und bläht das Ergebnis künstlich auf.

Es ist wie beim Kochen: Wenn Sie einen Salat schmecken und sagen "Das ist nur Gurke!", aber Sie haben vergessen, dass Sie auch viel Salz (Infektions-Resistenz) hineingeworfen haben, dann schmeckt es salziger, als es für die Gurke allein wäre. Kornilov sagt: "Trennen Sie das Salz von der Gurke, sonst wissen Sie nicht, wie die Gurke wirklich schmeckt."

Technische Zusammenfassung

1. Problemstellung

Das Papier kritisiert eine kürzlich von Shenhar et al. (2026) veröffentlichte Studie, die die Heritabilität der menschlichen Lebensspanne von den üblicherweise zitierten 20–25 % auf ca. 50 % erhöht. Shenhar et al. erreichten dies durch einen „Kalibrieren-und-Extrapolieren"-Ansatz: Sie passten ein parametrisches Überlebensmodell (ein-Komponenten-Frailty-Modell) an historische Zwillingsdaten an, kalibrierten die genetische Varianz so, dass sie die beobachteten Monozygote (MZ)-Zwillingskorrelationen reproduziert, und extrapolierten dann auf eine kontrafaktische Welt, in der das extrinsische Mortalitätsrisiko ($m_{ex}$) auf Null gesetzt ist.

Das Kernproblem: Die Autoren argumentieren, dass dieses Verfahren fehlerhaft ist, wenn das Modell eine wichtige Komponente übersieht: die erbliche Anfälligkeit für extrinsische Mortalität (z. B. genetische Suszeptibilität für Infektionskrankheiten). Da das von Shenhar verwendete ein-Komponenten-Modell keine separate Variable für diese extrinsische Frailty ($\gamma$) enthält, absorbiert der Kalibrierungsschritt die durch diese ausgelassene Komponente verursachte familiäre Konkorranz fälschlicherweise in den intrinsischen Frailty-Parameter ($\sigma_\theta$). Dies führt zu einer systematischen Überschätzung der intrinsischen Heritabilität.

2. Methodik

Kornilov nutzt ein umfassendes Simulationsframework, um den Bias zu quantifizieren und zu charakterisieren.

• Daten-Generierungsprozess (DGP): Es wird ein realistisches Zwei-Komponenten-Modell simuliert, das sowohl intrinsische Alterung ($\theta$) als auch erbliche extrinsische Suszeptibilität ($\gamma$) enthält. MZ-Zwillinge teilen beide Komponenten zu 100 %, DZ-Zwillinge zu 50 %. Es wird eine Pleiotropie ($\rho$) zwischen beiden angenommen.
• Vergleichsgruppen:
  • Oracle: Ground-Truth-Simulation ohne extrinsische Heterogenität.
  • Baseline: Shenhars Verfahren unter korrekten Annahmen (keine extrinsische Heterogenität).
  • Misspecified: Das Hauptexperiment: Daten werden mit erblicher extrinsischer Heterogenität generiert, aber mit Shenhars ein-Komponenten-Modell kalibriert.
  • Recovery: Ein Zwei-Komponenten-Modell wird verwendet, um zu zeigen, dass der Bias bei korrekter Spezifikation verschwindet.
  • Negative Controls: Tests ohne familiäre Korrelation, ohne Mortalitätsrelevanz oder mit vernachlässigbarem extrinsischem Risiko, um die Spezifität des Mechanismus zu beweisen.
• Kalibrierung: Der Parameter $\sigma_\theta$ wird so angepasst, dass die simulierte MZ-Korrelation ($r_{MZ}$) mit den historischen Daten übereinstimmt. Anschließend wird $m_{ex}=0$ gesetzt und die Falconer-Heritabilität ($h^2 = 2(r_{MZ} - r_{DZ})$) berechnet.
• Diagnostik: Neben der Skalierung des Parameters werden die Anpassungsgüte der bivariaten Überlebensfläche $S(t_1, t_2)$, altersspezifische bedingte Korrelationen und ACE-Strukturgleichungsmodelle analysiert.
• Robustheitstests: Die Analyse wurde über drei verschiedene Mortalitätsmodelle (Gompertz-Makeham, Makeham-Gamma-Gompertz, Saturating-Removal) und verschiedene Schätzverfahren (Momenten-Matching vs. Maximum Likelihood) durchgeführt.

3. Schlüsselbeiträge und Ergebnisse

A. Quantifizierung des Bias (Varianzabsorption)

Das zentrale Ergebnis ist, dass das Auslassen der erblichen extrinsischen Frailty zu einer signifikanten Aufblähung des intrinsischen Parameters führt:

• Parameter-Inflation: Der kalibrierte Parameter $\sigma_\theta$ ist um +22,1 % (95 % KI: 21,5–22,7 %) höher als der wahre Wert.
• Varianz-Inflation: Da die Heritabilität von der Varianz abhängt, entspricht dies einer +49 %igen Inflation der Varianz ($\sigma^2_\theta$).
• Bias in $h^2$: Dies führt zu einer Überschätzung der intrinsischen Heritabilität um +9,2 Prozentpunkte (pp) (95 % KI: 8,7–9,7 pp). Shenhars Schätzung von 50 % wäre also eher im Bereich von 40–41 % (unter konservativen Annahmen) oder sogar niedriger, wenn man den Bias korrigiert.

B. Strukturelle Fingerabdrücke

Der Bias ist nicht nur eine skalare Verschiebung, sondern hinterlässt messbare Spuren in der Datenstruktur:

• Bivariate Überlebensfläche: Das misspezizierte Modell passt die gemeinsame Überlebensfläche der Zwillinge schlecht an. Der integrierte quadratische Fehler (ISE) ist 48-mal höher als bei einem korrekt spezifizierten Zwei-Komponenten-Modell. Das Modell unterschätzt die Konkorranz in jungen Jahren (wo extrinsisches Risiko dominiert) und überschätzt sie im hohen Alter.
• Altersspezifische Korrelation: Die bedingte Korrelation der Lebensspannen ist im misspezifizierten Modell über alle Altersgruppen hinweg zu hoch, mit einem Peak bei ca. 80 Jahren ($\Delta r = 0,048$).
• ACE-Modell: Selbst wenn man von der Falconer-Formel zu einem klassischen ACE-Strukturgleichungsmodell wechselt, bleibt der Bias bestehen. Die erbliche extrinsische Frailty wird nicht als gemeinsame Umwelt ($C$) erkannt, sondern fälschlicherweise in die additive genetische Komponente ($A$) absorbiert, da sie das gleiche 1,0/0,5-Verteilungsmuster wie Gene aufweist.

C. Spezifität und Falsifizierbarkeit

• Notwendige Bedingungen: Der Bias tritt nur auf, wenn drei Bedingungen erfüllt sind: (1) genetische Konkorranz in der extrinsischen Suszeptibilität, (2) Mortalitätsrelevanz des Merkmals und (3) signifikante Größe des extrinsischen Risikos.
• Dosis-Wirkungs-Beziehung: Der Bias steigt monoton mit dem Anteil der erblichen extrinsischen Mortalität.
• Vorhersage der Vorzeichenumkehr: Das Modell sagt voraus, dass bei einer negativen genetischen Korrelation ($\rho < 0$) zwischen intrinsischer Alterung und extrinsischer Suszeptibilität der Bias das Vorzeichen wechselt (Unterschätzung statt Überschätzung). Simulationen bestätigen dies über alle drei Mortalitätsmodelle hinweg.

D. Robustheit gegenüber Schätzmethoden

Ein Vergleich zwischen Momenten-Matching (Kalibrierung nur an $r_{MZ}$) und Maximum-Likelihood (ML) zeigt:

• Der Bias ist strukturell: Selbst ML schätzt $\sigma_\theta$ unter Misspezifikation um ca. +3 % zu hoch.
• Der Bias wird jedoch durch das reine Momenten-Matching massiv verstärkt (ca. +21 %), da dieses Kriterium die fehlende extrinsische Konkorranz fast vollständig in den einzigen verfügbaren Parameter ($\sigma_\theta$) drängt.

4. Bedeutung und Schlussfolgerung

Die Studie widerlegt nicht die mathematische Kohärenz von Shenhars Framework unter seinen Annahmen, sondern zeigt, dass die Identifizierbarkeit der intrinsischen Heritabilität unter realistischen Bedingungen (Vorhandensein erblicher extrinsischer Risiken) nicht gegeben ist.

• Kritische Implikation: Die Schätzung von 50 % intrinsischer Heritabilität ist kein reines Maß für die genetische Determiniertheit des Alterns, sondern enthält einen strukturell bedingten Aufwärtstrend, der von der nicht modellierten Anfälligkeit für Infektionen und andere Umweltgefahren stammt.
• Korrektur: Unter konservativen, empirisch fundierten Annahmen (basierend auf Studien zu Infektionssterblichkeit) muss Shenhars Schätzung um 2,8 bis 18,9 Prozentpunkte nach unten korrigiert werden. Die wahre intrinsische Heritabilität liegt wahrscheinlich im Bereich von 31–47 %.
• Methodische Lehre: Die Arbeit warnt davor, ein-Komponenten-Frailty-Modelle zur Extrapolation auf kontrafaktische Szenarien zu verwenden, wenn die Datenquelle komplexe, erbliche extrinsische Heterogenität aufweist. Eine korrekte Schätzung erfordert entweder die explizite Modellierung der extrinsischen Komponente (z. B. durch Todesursachen-Daten) oder den Nachweis, dass diese vernachlässigbar ist.

Zusammenfassend etabliert Kornilov, dass die „Intrinsizität" von Shenhars Ergebnis durch einen ausgelassenen Variablen-Bias (Omitted-Variable Bias) während des Kalibrierungsschritts kontaminiert ist, was zu einer systematischen Überschätzung der genetischen Determiniertheit des Alterns führt.