Algorithmus sagt vorher, wie Zellen auf Eingriffe reagieren
Was passiert in einer Zelle, wenn man ein Gen ausschaltet oder eine Verbindung hinzufügt? Bisher musste man das Experiment durchführen, um es herauszufinden. Ein neuer Algorithmus von Altos Labs kann die Antwort liefern, bevor überhaupt Laborarbeit beginnt.
Die vollständige Komplexität einer lebenden Zelle am Computer zu simulieren, liegt noch weit jenseits der heutigen Möglichkeiten. Dennoch haben Forschende bei Altos Labs einen maschinellen Lernalgorithmus entwickelt, der die Genexpression – also das Aktivitätsniveau einzelner Gene in einer Zelle – nach gezielten Eingriffen vorhersagt. Die Arbeit wurde als Preprint auf arXiv veröffentlicht.
Das System funktioniert als durchgängiges Vorhersagemodell: Man gibt einen Eingriff vor, und der Algorithmus liefert ein prognostiziertes Genaktivitätsprofil der Zelle. Das ist von praktischem Nutzen, um Hypothesen über Alterung, Krankheiten und mögliche Behandlungsansätze zu prüfen, ohne jeden Versuch im Labor durchführen zu müssen. Die Forschenden bezeichnen dies als einen wesentlichen Fortschritt gegenüber bestehenden Ansätzen zur biologischen Simulation.
Warum das schwieriger ist als Proteinfaltung
Modelle wie AlphaFold lösen ein klar umrissenes Einzelproblem: die Vorhersage der Proteinstruktur aus der Aminosäuresequenz. Die Vorhersage zellulärer Reaktionen auf Eingriffe ist weitaus komplexer. Eine Zelle enthält Tausende von Genen, die über dichte regulatorische Netzwerke miteinander interagieren. Der Altos-Labs-Algorithmus konzentriert sich gezielt auf kausale Vorhersagen in diesem Raum und wurde auf großen Datensätzen bekannter zellulärer Reaktionen auf Störungen trainiert.
Die entscheidende Frage ist, ob das Modell auf neue, bislang ungetestete Eingriffe verallgemeinert werden kann. Das Preprint berichtet von vielversprechender Genauigkeit, doch sind unabhängige Replikationen notwendig, bevor diese Ergebnisse als gesichert gelten können.
Was das für die Longevity-Forschung bedeutet
Viele Longevity-Interventionen wirken, indem sie Genexpressionsmuster verändern. Ein zuverlässiges Vorhersagemodell könnte helfen, die vielversprechendsten Kandidaten schneller zu identifizieren – noch bevor sie in lebenden Organismen getestet werden. Das verkürzt den Weg von der Hypothese zur experimentellen Validierung. Für ein Forschungsfeld, das durch die Kosten und den Zeitaufwand von Tierstudien eingeschränkt ist, könnte ein solches Rechenwerkzeug echten Nutzen bieten – vorausgesetzt, seine Vorhersagen halten einer kritischen Prüfung stand.