KI und Multi-Omics-Daten gestalten die Zukunft der Präzisionsmedizin

Komplexe Krankheiten entstehen durch gleichzeitige Dysregulationen auf mehreren biologischen Ebenen, dennoch stützt sich die aktuelle medizinische Praxis nach wie vor weitgehend auf Einheitsdiagnostik und -behandlungen, die individuelle molekulare Unterschiede außer Acht lassen. Diese Übersichtsarbeit von Mardinoglu und Kollegen, erschienen in Molecular Systems Biology, argumentiert, dass die Konvergenz von longitudinalen biologischen Big-Data, KI und Systembiologie den vielversprechendsten Weg zu einer wirklich personalisierten Medizin darstellt. Die Autoren synthetisieren Belege aus Hunderten von Studien, um einen Rahmen zu skizzieren, in dem Multi-Omics-Daten kontinuierlich gesammelt, integriert und ausgewertet werden, um Krankheitsmechanismen mit bislang unerreichter Auflösung aufzudecken.

Den Kern der systembiologischen Komponente bilden genomskalige Stoffwechselmodelle (GEMs). Die Übersichtsarbeit verfolgt deren Entwicklung von den ersten Rekonstruktionen des menschlichen Stoffwechselnetzwerks — Recon1 und EHMN im Jahr 2007 — über schrittweise verfeinerte Modelle wie HMR1, HMR2, Recon2, Recon3D bis hin zu Human1 im Jahr 2020. Diese Modelle erfassen alle bekannten biochemischen Reaktionen, die von Enzymen und Transportern katalysiert werden, welche im menschlichen Genom kodiert sind. Dies ermöglicht es Forschern, gewebespezifische Modelle zu erstellen — insbesondere für Leber, Darm und andere Organe —, die veränderte Stoffwechselzustände bei Krankheiten simulieren. Ergänzende mikrobenspezifische und mikrobielle Gemeinschafts-GEMs haben diesen Rahmen auf das Darm-, Mund-, Vaginal- und Hautmikrobiom ausgeweitet und ermöglichen die Untersuchung von Wirt-Mikrobiom-Interaktionen sowie die Identifizierung mikrobiombasierter Therapieziele.

Die Übersichtsarbeit katalogisiert eine breite Palette wegweisender longitudinaler Multi-Omics-Studien, die derzeit weltweit durchgeführt werden, und stellt fest, dass Datensätze mittlerweile routinemäßig Genomik, Epigenomik, Transkriptomik, Proteomik, Metabolomik, Lipidomik und Metagenomik zusammen mit klinischen Akten, Wearable-Gerätedaten und Ernährungsdaten integrieren. Die Autoren heben hervor, dass Wearables inzwischen kontinuierlich physiologische Parameter erfassen — verbrauchte Kalorien, Blutdruck, Herzfrequenz, Aktivitätsniveaus und Schlaf —, während elektronische Gesundheitsakten (EHRs) longitudinale klinische Notizen, körperliche Messwerte und Bildgebungsdaten beisteuern. Dieser Datenreichtum macht KI unverzichtbar für die Mustererkennung und Biomarkerentdeckung in einem Ausmaß, das menschlichen Analysten nicht möglich wäre.

Die Rolle der KI wird in zwei sich ergänzenden Modi dargestellt. Erstens identifizieren klassische maschinelle Lernverfahren und Deep-Learning-Algorithmen krankheitsrelevante Muster innerhalb hochdimensionaler Multi-Omics-Datensätze; die digitale Pathologie wird dabei als ausgereiftes Beispiel angeführt, bei dem große strukturierte Datensätze den klinischen Einsatz zur Unterstützung von Pathologen ermöglichten. Zweitens ermöglichen Large Language Models (LLMs) heute ein schnelles biomedizinisches Text-Mining, das die Interpretation biologischer Daten beschleunigt und die Identifizierung von Zusammenhängen zwischen Genen, Metaboliten, Mikrobiomzusammensetzung, Ernährung und Umweltgiften erleichtert. Gemeinsam ermöglichen diese KI-Werkzeuge die Entdeckung neuartiger Biomarker und Arzneimittelziele und verkürzen die Zeitspannen der Medikamentenentwicklung.

Den zukunftsweisendsten Beitrag der Übersichtsarbeit stellt die Behandlung digitaler Zwillinge dar — personalisierte Computermodelle einzelner Patienten, die aus deren longitudinalen biologischen Big-Data erstellt werden. Ganzkörper-Stoffwechselmodelle, wie etwa jene, die auf dem Harvey/Harvetta-Framework aufbauen, dienen als Substrat für diese Zwillinge und ermöglichen die Echtzeitsimulation individueller biologischer Funktionen sowie die Vorhersage von Reaktionen auf Interventionen. Die Autoren argumentieren, dass diese Infrastruktur die Grundlage für KI-gestützte klinische Entscheidungsunterstützungssysteme bildet, die die Krankenhausversorgung grundlegend von reaktiv zu prädiktiv und präventiv wandeln könnten.

Zu den von den Autoren anerkannten wesentlichen Einschränkungen zählen die derzeit fragmentierten Datenstandards zwischen Institutionen, datenschutzrechtliche und regulatorische Herausforderungen bei der longitudinalen Erhebung biologischer Daten sowie die Rechenkosten für den Betrieb von Ganzkörpermodellen im großen Maßstab. Die Übersichtsarbeit ist primär synthetischer Natur und stützt sich auf bestehende Studien, anstatt neue experimentelle Daten vorzustellen — dies schränkt die Möglichkeit ein, spezifische Effektgrößen oder klinische Ergebnisse zu quantifizieren, die direkt auf diese integrierten Ansätze zurückzuführen sind.