// SCINEXX — SPAZIO & SCIENZA
KI prognostiziert menschliche Gesundheit anhand von Mikrobiomdaten
Im Darm, auf der Haut und an weiteren Körperstellen leben Mikroben, deren Zusammensetzung mit zahlreichen Erkrankungen zusammenhängt. Drei Forschungsarbeiten zeigen, wie sich solche schwer vergleichbaren Daten mit maschinellem Lernen auf Krankheitsmuster untersuchen lassen. Zusätzliche Angaben zu den Proben verbessern manche Vorhersagen, für verlässliche Diagnosen im medizinischen Alltag reichen die Ergebnisse jedoch noch nicht.
Livermore (U.S.A.). Das menschliche Mikrobiom umfasst viele Bakterien, Pilze und andere Mikroorganismen, die den Körper besiedeln. Ihre Zusammensetzung kann sich mit Erkrankungen verändern, wird aber auch durch Ernährung, Lebensumstände und die untersuchte Körperstelle beeinflusst.
Aus solchen Veränderungen verlässliche Hinweise auf Krankheiten abzuleiten, ist deshalb schwierig. Hinzu kommt, dass die Proben in verschiedenen Studien unterschiedlich gesammelt, sequenziert und ausgewertet werden und dass zu vielen Proben wichtige Hintergrundangaben fehlen.
Forscher des Lawrence Livermore National Laboratory (LLNL) um Andre R. Goncalves untersuchen in mehreren Arbeiten, wie sich solche Mikrobiomdaten für maschinelle Krankheitsvorhersagen nutzen lassen. Entscheidend ist dabei nicht nur die Leistungsfähigkeit der Algorithmen, sondern auch die Vergleichbarkeit der Informationen, mit denen sie trainiert werden.
Eine Grundlage bildet die Datenbank Meta2DB, für die 50 Terabyte öffentlich zugänglicher DNA-Sequenzdaten einheitlich aufbereitet wurden. Sie enthält Mikrobiomprofile von 13.897 Proben aus 84 Studien, die 23 Krankheitszustände und 34 Länder umfassen. Die Datenbank soll das Training und den Vergleich von Modellen erleichtern, ist selbst aber noch kein medizinischer Diagnosetest.
In einer weiteren Untersuchung hat das Team Daten aus 68 Studien mit insgesamt 11.208 Proben ausgewertet. Die Modelle erhielten neben Angaben zur Häufigkeit bestimmter Mikroben auch Hintergrundinformationen, beispielsweise zum Alter, zur Herkunft der Proben oder zum verwendeten Sequenzierverfahren.
Diese Zusatzinformationen verbesserten die Unterscheidung zwischen erkrankten und gesunden Vergleichspersonen vor allem dann, wenn die Mikroben nur in größere Verwandtschaftsgruppen eingeteilt wurden. Bei der feineren Unterscheidung einzelner Arten war der zusätzliche Nutzen dagegen gering oder nicht mehr nachweisbar. Das rechnerische Ergänzen fehlender Angaben konnte außerdem in manchen Fällen neue Verzerrungen erzeugen.
Ein dritter Ansatz verwendet ein hierarchisches bayessches Modell, das Daten aus 61 früheren Mikrobiomstudien zu 19 Krankheitszuständen zusammenführt. Dabei werden die Unterschiede zwischen den Untersuchungen und die Unsicherheit der zugrunde liegenden Daten ausdrücklich in die Berechnungen einbezogen.
Die Methode erreichte bei der Vorhersage eine mit anderen Verfahren vergleichbare Leistung und machte zugleich besser nachvollziehbar, welche Mikrobengruppen für die Unterscheidung wichtig waren. Sie lieferte damit keine allgemein überlegene Trefferquote, sondern vor allem eine Möglichkeit, die Unsicherheit und die biologischen Hinweise hinter den Modellentscheidungen sichtbar zu machen.
Ergänzend arbeitet das Labor an einer bildgestützten Analyse, bei der die Häufigkeit verschiedener Mikroorganismen als Muster aus Bildpunkten dargestellt wird. Solche Verfahren und die Suche nach Infektionsrisiken bei militärischen Auslandseinsätzen sind weiterhin Forschungsprojekte und keine bereits erprobte Routinediagnostik.