Weltweit erkranken pro Jahr rund 20 Millionen Menschen an Krebs; etwa 10 Millionen sterben an den Folgen, berichtet die International Agency for Research on Cancer (IARC). Moderne Diagnostik liefert enorme Datenmengen: Genomsequenzen, Transkriptom- und Proteomprofile, epigenetische Marker sowie Bildgebung. Für behandelnde Ärzte ist es zunehmend schwierig, diese Informationen systematisch zu integrieren und Therapieentscheidungen zuverlässig zu treffen.
Künstliche Intelligenz (KI) gilt als Schlüssel, um komplexe Patientendaten zusammenzuführen. Viele bestehende Anwendungen beschränken sich jedoch auf eng umrissene Aufgaben, sind schwer bedienbar oder unflexibel. Forscher des Max-Delbrück-Centers (MDC) in Berlin und der Universitätsklinik Freiburg haben das Deep-Learning-basierte Toolkit Flexynesis entwickelt und in 'Nature Communications' vorgestellt. Eine begleitende Pressemitteilung ordnet die Arbeit ein.
Deep Learning als Basis für multimodale Analysen
Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem nicht nur einfache neuronale Netze mit einer oder zwei Rechenschichten verwendet werden, sondern tiefe Netze, die mit vielen hundert oder gar tausend solcher Schichten arbeiten.
„Krebs und andere komplexe Krankheiten entstehen durch das Zusammenspiel unterschiedlicher biologischer Faktoren, zum Beispiel auf der Ebene der DNA, der RNA und der Proteine“, erläutert Dr. Altuna Akalin, Leiter der Technologieplattform Bioinformatics and Omics Data Science am Berliner Institut für Medizinische Systembiologie des MDC. Charakteristische Veränderungen auf diesen Ebenen – etwa die Menge des hergestellten HER2-Proteins bei Mammakarzinomen oder Magenkrebs – werden vielfach schon erfasst, meist aber noch nicht im Zusammenspiel mit allen anderen therapierelevanten Faktoren analysiert.
Hier setzt Flexynesis an. „Vergleichbare Werkzeuge waren bisher oft wenig benutzerfreundlich oder nur für bestimmte Fragestellungen geeignet“, so Akalin. „Flexynesis hingegen kann verschiedene medizinische Fragen gleichzeitig beantworten: zum Beispiel um welche Art von Krebs es sich genau handelt, welche Medikamente in diesem Fall besonders wirksam sind und wie sie sich auf die Überlebenschancen der Patienten auswirken.“ Auch helfe das Tool dabei, geeignete Biomarker für die Diagnose und Prognose zu identifizieren oder – wenn Metastasen unklarer Herkunft entdeckt werden – den Ursprungstumor auszumachen. „Somit wird es einfacher, für alle Krebspatienten umfassende und personalisierte Behandlungsstrategien zu entwickeln“, sagt Akalin.
Breites Anwendungsspektrum in Studien getestet
Flexynesis kann flexibel für verschiedene Modellierungsaufgaben eingesetzt werden:
- Molekulare Subklassifikation wie die Bestimmung der Mikrosatelliteninstabilität,
- Therapieansprechen durch Vorhersage der Sensitivität gegenüber bestimmten Wirkstoffen,
- Prognose mittels Überlebensmodellierung.
Das Toolkit wurde auf großen Kohorten erprobt, darunter die METABRIC-Datenbank mit 1.865 Patientendaten bei primären Brusttumoren sowie auf weiteren Tumorarten wie Rektum- und Endometriumkarzinomen sowie Gliomen.
Flexynesis liefert präzise Klassifikationen, Prognosemodelle und Biomarkeranalysen
Die Leistungsfähigkeit von Flexynesis zeigte sich in mehreren onkologischen Szenarien mit klaren und reproduzierbaren Resultaten:
- Brustkrebs (METABRIC): Für das Mammakarzinom konnten Subtypen und Therapieansprechen zuverlässig modelliert werden.
- Mikrosatelliteninstabilität (MSI-Status): In sieben TCGA-Kohorten (gastrointestinale/gynäkologische Tumoren) erreichte die beste Konfiguration eine AUC von 0,981.
- Gliome (LGG/GBM): Bei Gliomen gelang eine signifikante Risikostratifikation anhand von Überlebensdaten (Log-Rank-p ≈ 9,94×10⁻¹⁰).
- Marker-Analyse: Mit integrierten Attributionsverfahren wurden bekannte Marker aus Referenzdatenbanken reproduziert und zusätzliche Kandidaten ausgewiesen.
Frei verfügbar, praxisnah und ohne Vorkenntnisse nutzbar
Flexynesis ist für verschiedene Modellierungsaufgaben wahlweise einsetzbar und auf PyPI, Guix, Docker, Bioconda und Galaxy verfügbar. „So können es andere problemlos in ihre eigenen Pipelines integrieren“, erläutert Erst- und ko-korrespondierender Autor Dr. Bora Uyar vom MDC.
Das Toolkit ist frei zugänglich, über das Internet abrufbar und für die nichtkommerzielle Nutzung kostenlos. Die Anwendung erfordert keine vertieften Kenntnisse im Deep Learning. Ziel ist es, die Hürden für Krankenhäuser und Forschungsgruppen zu senken und die multimodale Datenintegration einzusetzen, so die Forschenden.
