Algorithmische Genomik: Kann ChatGPTs Technologie Schlaganfallrisiken überlisten?

Das Lieblingsspielzeug des Silicon Valley – die Transformer-Architektur, die das Geplänkel von Chatbots antreibt – hat still und leise die menschliche Genomik infiltriert. Anstatt geschliffene Prosa zu generieren, haben Forscher der University of Technology Sydney die Technologie auf ein weitaus dringlicheres Ziel umgelenkt: die Entzifferung von DNA, um ischämische Schlaganfälle vorherzusagen, bevor Blutgerinnsel die Sauerstoffzufuhr zum Gehirn blockieren können.

Herz-Kreislauf- und zerebrale Ereignisse kündigen sich selten höflich an, doch die Genetik macht etwa 38 Prozent des Schlaganfallrisikos eines Individuums aus. Jahrzehntelang betrachteten Mediziner die genetische Prädisposition als zweitrangig, hauptsächlich weil die Berechnung komplexer Geninteraktionen die traditionellen analytischen Fähigkeiten überstieg. Standardstatistische Methoden, wie polygene Risikoscores, tabellierten lediglich isolierte Variationen. Sie versagten darin, zu verarbeiten, wie unterschiedliche genetische Marker über eine Sequenz hinweg interagieren – eine grundlegende Einschränkung beim Versuch, die menschliche Biologie abzubilden.

Durch die Anwendung von Mechanismen großer Sprachmodelle auf genetische Datensätze identifizierte das australische Team 18 spezifische genetische Varianten, die mit ischämischem Schlaganfall assoziiert sind. Zu den Hauptakteuren gehören das EDEM2-Gen, aktiv in der Hirnrinde, und KANK2, das im Vollblut vorkommt. Bei Tests mit medizinischen Datensätzen von über 40.000 Personen sortierte das Modell die Individuen in unterschiedliche Risikokategorien ein. Die Ergebnisse waren deutlich: Die als Hochrisikopatienten eingestuften Personen zeigten eine um 21 Prozent höhere Wahrscheinlichkeit, einen erstmaligen Schlaganfall zu erleiden, als jene in der Niedrigrisikogruppe.

Kairui Guo, der korrespondierende Autor der Studie, bemerkte, dass, wenn ein Schlaganfall einen jüngeren Patienten trifft, Familien unweigerlich fragen, ob Verwandte die Gefahr teilen, und diese algorithmischen Tools bieten endlich eine strukturierte Möglichkeit, dieses Risiko zu bewerten. Die Verarbeitung solch riesiger Mengen individueller genetischer Daten zur Bereitstellung personalisierter Bewertungen wäre ohne modernes maschinelles Lernen im Wesentlichen unmöglich.

Dennoch stoßen diagnostische Durchbrüche in akademischen Laboren häufig an ihre Grenzen, wenn sie mit den Realitäten der klinischen Anwendung konfrontiert werden. Jie Lu, Direktor des Australian Artificial Intelligence Institute, plant, das Tool zu einem multimodalen System zu erweitern, das genomische Profilierung mit klinischen Variablen wie Blutdruck, Alter, Cholesterin, Vorhofflimmern und Typ-2-Diabetes verbindet.

Eine solche Integration ist theoretisch sinnvoll, doch die Umwandlung von Daten in umsetzbare Prävention erfordert mehr als clevere Software. Personalisierte Medizin verspricht gezielte Effizienz, doch öffentliche Gesundheitsbürokratien sind hervorragend darin, Daten zu sammeln, während sie es versäumen, Frühinterventionsprotokolle anzupassen. Ein Algorithmus kann einen 21-prozentigen Risikospike erkennen, aber ob moderne Gesundheitssysteme die institutionelle Agilität besitzen, darauf zu reagieren, ist eine ganz andere Frage.

Verfasst von Thorben Thiede thorben.thiede@alpineweekly.com