DOSSIERS
z.V.g.

Redaktion 25.02.2022

Künstliche Intelligenz verändert die Fassade der klinischen Genomik

Gastkommentar ••• Von Jyotsna Batra

Die Analyse der gesamten genetischen Information eines Individuums (Genomik) ist zu einem konstitutiven Bestandteil der Biomedizin und Pharmakologie geworden. Die Anwendungen der Genomik im Bereich der Krankheitsdiagnostik und der therapeutischen Ausrichtung sind im letzten Jahrzehnt sprunghaft angestiegen. Der weltberühmte Fall von Angelina Jolie hat die genetische Untersuchung des BRCA-Gens auf Brustkrebs weithin bekannt gemacht. Während wir an der Front der Einzelgenmutationen sehr erfolgreich waren, macht die Integration und Interpretation gigantischer Datensätze, die durch aktuelle weltweite Sequenzierungs-/Genotypisierungsprojekte erzeugt werden, die Analyse fehleranfällig, wenn sie mit statistischen Standardansätzen angegangen wird, und sie ist mit menschlicher Intelligenz nicht durchführbar. Bei den KI-basierten Computer-Vision-Ansätzen wurden Fortschritte erzielt, und sie haben die FDA-Zulassung für eine Vielzahl klinischer Diagnosen erhalten, insbesondere für bildgebungsbasierte Diagnosen. Eine molekulare Diagnose aus einer Kombination von genomischen und phänotypischen Daten unter Verwendung der KI steckt jedoch noch in den Kinderschuhen, hat aber ein enormes Potenzial. Mehrere KI-gestützte Tools wurden vorgeschlagen, um die Identifizierung genetischer Varianten aus den neuesten Sequenzierungsdaten der nächsten Generation sowie die Annotation des Genoms und die Klassifizierung der Varianten im Hinblick auf ihre Pathogenität zu unterstützen, damit möglicherweise gezielte Therapien für bestimmte Krankheiten durchgeführt werden können. So wurden beispielsweise KI-Algorithmen erfolgreich auf Varianten mit bekannter Pathogenität trainiert, wobei die Daten durch artenübergreifende Informationen ergänzt wurden. In ähnlicher Weise haben Deep Learning-basierte Ansätze unsere Fähigkeit zur Erkennung von DNA-DNA- und DNA-Protein-Interaktionen sowie zur Annotation von regulatorischen Elementen erheblich verbessert und ermöglichen die Vorhersage des Einflusses genetischer Variationen auf diese Elemente, einschließlich der nicht-kodierenden RNAs. Dennoch sind für die umfassende Implementierung von KI in der klinischen Genomik in Hochrisikosituationen vorsichtige Ansätze bei der Auswahl der Methoden und die Berücksichtigung regulatorischer und ethischer Herausforderungen im Zusammenhang mit der Beschaffung und dem Datenschutz der zum Training der Algorithmen verwendeten Daten erforderlich.


A/Prof. Jyotsna Batra ist Laborleiterin des Molecular Genetics Lab am Translational Research Institute, Principal Research Fellow und Advanced Queensland Industry Research Fellow an der School of Biomedical Sciences, Queensland University of Technology, Brisbane, Australien.

TEILEN SIE DIESEN ARTIKEL