Altos Labs-Algorithmus sagt Zellreaktionen auf Interventionen vorher
Was wäre, wenn man testen könnte, wie eine Zelle auf einen genetischen Eingriff reagiert – noch bevor ein einziges Experiment durchgeführt wird? Forschende bei Altos Labs haben einen Algorithmus entwickelt, der diese Idee der Realität ein Stück näherbringt.
In einem auf arXiv veröffentlichten Preprint beschreibt das Team einen Machine-Learning-Algorithmus, der in der Lage ist, von Anfang bis Ende vorherzusagen, wie sich die Genexpression als Reaktion auf bestimmte Interventionen verändert. Genexpression bezeichnet den Prozess, durch den die in der DNA gespeicherten Informationen in Proteine umgewandelt werden. Sie bestimmt, welche Gene aktiv sind und in welchem Ausmaß. Eine verlässliche Vorhersage dieses Vorgangs ist seit Langem eine der großen wissenschaftlichen Herausforderungen, da in Zellen Tausende von Komponenten gleichzeitig miteinander interagieren.
Warum das schwieriger ist als Proteinfaltung
Werkzeuge wie AlphaFold haben die Strukturbiologie revolutioniert, indem sie die dreidimensionale Form von Proteinen aus deren Aminosäuresequenzen vorhersagen. Doch die vollständige Biochemie einer lebenden Zelle ist nach Einschätzung der Forschenden um Größenordnungen komplexer. Proteine, RNA, Metabolite, Signalwege und Umwelteinflüsse wirken alle gleichzeitig aufeinander ein.
Der neue Algorithmus verfolgt einen anderen Ansatz als frühere Modelle. Er arbeitet durchgängig: Ausgehend von der Beschreibung einer Intervention – etwa dem Ausschalten eines Gens oder der Einführung einer Verbindung – sagt er das vollständige nachgelagerte Muster veränderter Genaktivität vorher. Bisherige Ansätze erforderten die Kombination mehrerer separater Modelle, was das Fehlerrisiko bei jedem einzelnen Schritt erhöhte.
Die Bedeutung für die Altersforschung
Für die Longevity-Forschung ist das aus einem praktischen Grund relevant. Die Zahl der möglichen Interventionen ist schlicht zu groß, um sie im Labor einzeln zu testen. Welches Gen soll ausgeschaltet werden? Welches Molekül soll hinzugefügt werden? Welche Kombination von Veränderungen hat die besten Chancen, die zelluläre Alterung zu verlangsamen? Ein zuverlässiges Vorhersagemodell kann diesen Suchraum erheblich einengen und Prioritäten für Folgeexperimente setzen.
Die Studie ist bislang nur als Preprint verfügbar und wurde noch keiner formalen Begutachtung unterzogen. Der Ansatz jedoch – der Einsatz von maschinellem Lernen zur durchgängigen Vorhersage von Zellverhalten – gilt weithin als vielversprechende Richtung, um biologische Entdeckungen zu beschleunigen.