Stanford-Forscher haben etwas Neues gemacht. Mit Hilfe der taiwanesischen Partner Google Research und Google DeepMind bauten sie eine KI-Pipeline für die genetische Entdeckung auf. Es funktioniert tatsächlich.
„Wir haben gezeigt, dass große Sprachmodelle (LLms) die genetische Entdeckung bei Mäusen erleichtern und genetische Diagnosen beim Menschen generieren können“, sagt Gary Peltze
Gary Peltz ist Professor für Anästhesie in Stanford. Er leitete die Studie. Warum ist es wichtig? Rund 350 Millionen Menschen leben mit seltenen genetischen Erkrankungen. Wenn wir die verantwortlichen Gene lokalisieren können, geht die Behandlung schneller. Viel schneller.
Das Problem mit DNA-Rauschen
Denken Sie an das Genom. Es handelt sich um eine Reihe von DNA-Anweisungen zur Herstellung von RNA und Proteinen. Vier Basenpaare. Ordnung ist wichtig. Doch die Reihenfolge verschiebt sich. Jeder Mensch trägt Tausende von DNA-Sequenzveränderungen, die als „Varianten unbekannter Bedeutung“ bezeichnet werden.
Verursachen diese Varianten Krankheiten? Wir wissen es nicht.
Hörverlust verdeutlicht die Unschärfe. Ein Drittel der Erwachsenen über 61 Jahren hat damit zu kämpfen. Über 85 hinaus liegt diese Zahl bei 80 Prozent. Die Hälfte dieser Fälle ist genetisch bedingt. Aber wir wissen selten, welche Teile. Peltz weist darauf hin, dass die Uhr tickt. Für andere genetische Erkrankungen stehen bald restaurative Therapien zur Verfügung. Die Identifizierung von Hörverlustgenen fühlt sich plötzlich dringend an.
Warum alte Methoden versagen
Wissenschaftler führen normalerweise eine genomweite Assoziationsstudie (GWAS) durch. Sie suchen nach statistischen Zusammenhängen zwischen einem Genotyp und einem Merkmal.
Der Trick? GWAS findet echte Schuldige. Außerdem werden Fehlalarme gemeldet. Viele davon. Um Krankheiten wirklich zu verstehen, muss man die Spreu vom Weizen trennen. Aktuelle Methoden tun dies manuell. Sie verbrennen Bargeld. Sie verschwenden Zeit. Um die Daten zu sichten, ist teures Fachwissen eines klinischen Genetikers erforderlich.
KI ändert diese Gleichung. Schnell. Günstiger. Genau? Peltz glaubt das. Er argumentiert, dass die Genomanalyse durch KI die Gesundheitsversorgung für Milliarden verbessern könnte.
Med-PaLM trifft Zwillinge
Das Team baute Pipelines, um Kandidatengene zu sortieren. Sie verwendeten zwei unterschiedliche LLMs. Med-PaLM 2 ist auf medizinisches Wissen spezialisiert. Gemini 2.5 Pro beherrscht komplexe Argumente, es mangelt ihm jedoch an medizinischer Feinabstimmung.
Zunächst analysierte Med-PaLM 2 Maus-GWAS-Gene. Bekannte ursächliche Gene wurden korrekt erkannt. Dann hat es etwas Neues gefunden. Ein genetischer Faktor für spontanen Hörverlust bei Mäusen. Laborexperimente bestätigten diesen Befund später.
Dann kamen die menschlichen Prüfungen. Mit Gemini 2.5 Pro bewältigte das Team zwei Gruppen. Zwanzig Patienten mit Hörverlust. Sechs mit seltenen genetischen Syndromen.
„Die Pipeline … verlangte von ihr, ihre Einstufung mit zitierten Beweisen zu begründen.“ – Tao Tu, Google DeepMind
Tao Tu ist wissenschaftlicher Mitarbeiter bei DeepMind und Co-Autor. Das Modell überprüfte Patientengene anhand medizinischer Fachliteratur. Es stellte einen Querverweis auf die Symptome dar. Anschließend wurden die wahrscheinlichen Ursachen eingestuft. Seine Ergebnisse konkurrierten direkt mit den Diagnosen echter Ärzte. Ein HNO-Arzt. Ein klinischer Genetiker.
Zwillinge gewannen ohne vorherige medizinische Ausbildung. Es hat die Fälle von Hörverlust auf den Punkt gebracht. Die Fälle seltener Krankheiten waren schwieriger. Überall komplexe Symptome. Das Team hat die Pipeline optimiert, um dieser Unordnung Rechnung zu tragen. Zwillinge fanden immer noch die ursächlichen Varianten. Es half bei der Diagnose seltener Krankheiten.
Die Studie landete in Advanced Science. Die Autoren argumentieren, dass KI die genetischen Wurzeln vermuteter Krankheiten bei Hunderten Millionen Menschen weltweit effizient lokalisieren kann.
Agenten und die Zukunft der Genome
Was passiert als nächstes? Die Forscher planen, diese Pipelines in autonome KI-Agenten-Frameworks zu integrieren. Denken Sie an Plugins für Protein- oder Mutationsdaten. Es wird leistungsfähiger.
Peltz hat große Träume. Ein Modell, das elektronische Gesundheitsakten liest. Analyse des Genoms. Vollautomatisch. Er sieht einen dramatischen Wandel. Diese neuen Argumentationsmodelle erzeugen Hypothesen. Sie regen Entdeckungen an. Sie beschleunigen die Suche nach Behandlungen.
Bedeutet das, dass wir die Ärzte im Stich lassen?
Auf keinen Fall. Der Mensch muss die KI interpretieren. Genetiker und Kliniker bleiben im Mittelpunkt.
Es gibt noch eine weitere Lücke. Unsere Analyse ignoriert den größten Teil des Genoms. Nur zwei Prozent der DNA kodieren für mRNA oder Proteine. Wir analysieren diesen Teil. Die anderen 98 Prozent fehlen uns. Dort finden genetische Veränderungen statt. Wir verstehen sie einfach noch nicht gut.
Peltz verweist auf AlphaGenome als mögliche Lösung. Dieses Deep-Learning-Modell könnte Variationen über die ignorierten 98 % hinweg interpretieren. Es könnte versteckte Informationen freigeben.
Wenn KI die Genetik weiter vorantreibt, verändert sich die Behandlung von der Behandlung zur Prävention. Benutzerdefinierte Pläne basierend auf Ihrem Code. Es klingt radikal.
Peltz sieht einen Wandel kommen. Von der Behebung von Krankheiten bis hin zur vollständigen Vorbeugung.
