Forscher der Icahn School of Medicine am Mount Sinai Hospital haben eine neue, auf künstlicher Intelligenz basierende Methode entwickelt, um den Zusammenhang zwischen seltenen genetischen Mutationen und Krankheiten zu bewerten. Die Methode nutzt maschinelles Lernen zur Analyse routinemäßiger Labordaten, um eine quantitative Bewertung der Penetranz genetischer Varianten zu ermöglichen. Die Forschungsergebnisse wurden in der Fachzeitschrift Science veröffentlicht.

In der traditionellen Genetikforschung werden häufig binäre Diagnoseklassifikationen verwendet. Viele Krankheiten weisen jedoch kontinuierliche Abstammungsmerkmale auf, wodurch die klinische Bedeutung seltener Genmutationen oft unklar ist. Das Forschungsteam nutzte über eine Million elektronische Gesundheitsakten, um KI-Modelle für zehn häufige Krankheiten zu erstellen. Mithilfe von Routinetests wie Cholesterinspiegel und Blutbild quantifizierten sie das Krankheitsrisiko von Trägern von Genmutationen.

„Wir wollten über die Schwarz-Weiß-Antworten hinausgehen, die es Patienten und medizinischem Personal oft schwer machen, die tatsächliche Bedeutung genetischer Testergebnisse zu verstehen“, sagte Dr. Ron Do, leitender Autor der Studie. Die neue Methode generiert einen „ML-Penetranz“-Wert zwischen 0 und 1, wobei höhere Werte auf eine größere Wahrscheinlichkeit hinweisen, dass die Variante eine Krankheit verursacht.

Das Forschungsteam untersuchte über 1.600 genetische Varianten und stellte fest, dass einige, die zuvor als „unsichere Signifikanz“ eingestuft wurden, deutliche Krankheitssignale zeigten, während andere, als pathogen geltende Varianten, in realen Daten nur minimale Auswirkungen zeigten. Der Hauptautor Dr. Iain S. Forrest bemerkte: „KI-Modelle können zwar kein klinisches Urteil ersetzen, aber sie können wichtige Erkenntnisse bei unklaren Testergebnissen liefern und so Entscheidungen über Früherkennungs- oder Präventivmaßnahmen unterstützen.“

Diese Methode könnte Ärzten helfen, auf Basis der Bewertungsergebnisse personalisierte Behandlungspläne zu entwickeln. Träger von Hochrisikovarianten könnten früher gescreent werden, während Träger von Niedrigrisikovarianten unnötige Eingriffe vermeiden könnten. Das Forschungsteam plant, die Krankheitsabdeckung des Modells weiter auszubauen, die Arten genetischer Varianten und die Populationsvielfalt zu erhöhen und die Vorhersagegenauigkeit langfristig zu überwachen.

Weitere Informationen: Iain S. Forrest et al., Machine learning-based genetic variant penetrance, Science (2025). Zeitschrifteninformationen: Science