KI und Blutbiomarker versprechen Vorhersagen von Krankheitsrisiken Jahrzehnte im Voraus
Aktuelle Studien zeigen, dass blutbasierte Biomarker in Kombination mit KI Krankheitsrisiken Jahre bis Jahrzehnte im Voraus vorhersagen können. So sagte p-tau217 bei älteren Frauen ein Demenzrisiko bis zu 25 Jahre vor Symptombeginn voraus, ein Machine-Learning-Modell identifizierte leberkrebsfördernde Umgebungen mit 93% Genauigkeit und ein KI-gestützter Bluttest klassifizierte Prädiabetes-Risikogruppen mit rund 90% Genauigkeit.
Eine Studie hat gezeigt, dass sich das Risiko von Frauen, eine Demenz zu entwickeln, möglicherweise 25 Jahre vor Auftreten der Symptome durch einen Test eines blutbasierten Biomarkers namens „phosphoryliertes Tau 217“ vorhersagen lässt – ein Protein, das mit den bei der Alzheimer-Krankheit beobachteten Veränderungen im Gehirn in Verbindung steht. Höhere Spiegel von phosphoryliertem Tau 217, kurz p-tau217, waren bei älteren Frauen, die zu Studienbeginn kognitiv gesund waren, stark mit einer späteren leichten kognitiven Beeinträchtigung und Demenz – deren häufigste Form die Alzheimer-Krankheit ist – assoziiert.
Die in The Journal of the American Medical Association (JAMA) Network Open veröffentlichte Studie analysierte Daten von 2.766 Teilnehmerinnen der Women's Health Initiative Memory Study, einer US-weiten Studie, die Ende der 1990er-Jahre Frauen im Alter von 65 bis 79 Jahren einschloss und sie bis zu 25 Jahre nachverfolgte. Frauen, bei denen während der Nachbeobachtung Gedächtnis- oder Denkprobleme einschließlich Demenz auftraten, wurden im Verlauf identifiziert.
Höhere p-tau217-Spiegel im Blut zu Studienbeginn waren mit einer höheren Wahrscheinlichkeit verbunden, später im Leben eine Demenz zu entwickeln; dabei ging mit steigenden Biomarkerwerten ein steigendes Demenzrisiko einher. Höhere p-tau217-Spiegel waren zudem stärker mit schlechteren kognitiven Ergebnissen assoziiert bei Frauen ab 70 Jahren im Vergleich zu jüngeren sowie bei Frauen mit dem genetischen Risikofaktor APOE e4 für die Alzheimer-Krankheit.
Die Studie ergab außerdem, dass p-tau217 bei Frauen, die randomisiert einer Hormonersatztherapie mit Östrogen plus Gestagen gegenüber Placebo zugeteilt wurden, ein besserer Prädiktor für Demenz war. Blutbasierte Biomarker wie p-tau217 sind besonders vielversprechend, weil sie deutlich weniger invasiv und potenziell besser zugänglich sind als bildgebende Verfahren des Gehirns oder Tests der Rückenmarksflüssigkeit.
In einer separaten Untersuchung zu Leberkrebs konzentrierte sich ein Team in Japan auf ein spezifisches Protein namens MYCN. Wissenschaftler wussten bereits, dass dieses Protein bei Leberkrebs in geschädigten Lebern eine Rolle spielt, aber sie wussten nicht, wie. Um das herauszufinden, verwendeten die Forschenden ein Mausmodell, um zu beobachten, was passiert, wenn MYCN übermäßig hochreguliert wird. Sie fanden heraus, dass 72% der Mäuse innerhalb von nur 50 Tagen Tumoren entwickelten, wenn MYCN mit einem weiteren Gen namens AKT zusammenwirkte.
Um zu verstehen, warum dies geschieht, setzte das Team eine Technik namens räumliche Transkriptomik (spatial transcriptomics) ein. Dabei entdeckten sie einen spezifischen Cluster aus 167 Genen, die sich in „tumorfreien“ Arealen verändern, wenn die MYCN-Spiegel ansteigen. Diese Umgebung bezeichneten sie als „MYCN niche“.
Auf Basis dieser Daten entwickelten die Forschenden ein Machine-Learning-Modell. Dieser Algorithmus betrachtet die Genmuster in einer Leber und vergibt einen Score. Ist der Score hoch, bedeutet das, dass die Leberumgebung für Krebs „vorbereitet“ ist. In Tests mit menschlichen Daten erreichte das Modell eine Genauigkeit von 93%. Interessanterweise sagte der Score künftige Probleme noch besser voraus, wenn nicht der Tumor selbst, sondern das gesund aussehende Gewebe um den Tumor herum analysiert wurde.
Unterdessen schlagen Wissenschaftler, die mit dem Deutschen Zentrum für Diabetesforschung (DZD) verbunden sind, vor, dass ein einfacher Bluttest in Kombination mit KI helfen könnte, Personen mit hohem Risiko für die Entwicklung von Typ-2-Diabetes und dessen Komplikationen frühzeitig zu identifizieren. Eine neue, in Biomarker Research veröffentlichte Studie analysierte Blutproben von Teilnehmenden aus mehreren Studienkohorten mit bekannten Prädiabetes-Risikoprofilen.
Die Forschenden konzentrierten sich auf DNA-Methylierungsmuster, also chemische Modifikationen, die die Genaktivität regulieren, ohne die DNA-Sequenz selbst zu verändern. Mithilfe von Machine-Learning-Methoden identifizierte das Team 1.557 epigenetische Marker, die zusammen einen biologischen „Fingerabdruck“ des Prädiabetes-Risikos bildeten.
Anhand dieser Marker konnte das KI-Modell Personen mit einer Genauigkeit von etwa 90% Hochrisiko-Prädiabetes-Clustern zuordnen, selbst wenn es in einer unabhängigen Validierungskohorte getestet wurde. Viele der epigenetischen Marker waren spezifisch für bestimmte Cluster und spiegelten unterschiedliche biologische Signalwege wider. Mehrere waren in früheren Studien bereits mit Typ-2-Diabetes, chronischer Entzündung sowie Herz-Kreislauf- und Nierenerkrankungen in Verbindung gebracht worden.
Frühere Forschung des DZD teilte Prädiabetes in mindestens sechs unterschiedliche Cluster ein. Drei Cluster sind mit einem moderaten Risiko verbunden, während die anderen drei ein hohes Risiko für die Entwicklung von Typ-2-Diabetes und damit zusammenhängenden Komplikationen bergen.