Neues KI-Tool DeepSomatic von Google verbessert die Krebsdiagnostik durch präzise genetische Analyse

KI als Wegbereiter: Googles DeepSomatic revolutioniert die Krebsdiagnostik durch präzise Genomanalyse

In der medizinischen Forschung und Diagnostik kommt es immer wieder zu Fortschritten, die das Potenzial haben, die Behandlung von Krankheiten grundlegend zu verändern. Ein solcher Meilenstein wurde kürzlich von Google in Zusammenarbeit mit führenden Forschungseinrichtungen erreicht: die Einführung von DeepSomatic, einem innovativen KI-Tool, das die Identifizierung krebsbedingter Mutationen in Tumoren erheblich präzisiert. Diese Entwicklung verspricht eine neue Ära der Präzisionsmedizin, indem sie Ärzten und Forschern detailliertere Einblicke in die genetischen Treiber von Krebs ermöglicht.

Die Komplexität genetischer Mutationen und die Rolle von somatischen Varianten

Krebs ist eine genetische Erkrankung, die durch Fehlfunktionen bei der Zellteilung ausgelöst wird. Die genaue Bestimmung der spezifischen genetischen Mutationen, die das Wachstum eines Tumors vorantreiben, ist entscheidend für die Entwicklung wirksamer Behandlungsstrategien. Aktuell wird zur Planung von Behandlungen, die auf die Art und Weise abzielen, wie ein spezifischer Krebs wächst und sich ausbreitet, routinemässig das Genom von Tumorzellen aus Biopsien sequenziert.

Die Genetik des Krebses ist jedoch komplex. Während die Genomsequenzierung genetische Krebsvariationen aufdeckt, ist es eine Herausforderung, echte Varianten von Sequenzierungsfehlern zu unterscheiden. Hier setzt DeepSomatic an. Die meisten Krebserkrankungen werden durch sogenannte "somatische" Varianten verursacht, die nach der Geburt erworben werden und nicht durch geerbte "Keimbahn"-Varianten von den Eltern. Somatische Mutationen entstehen durch Umwelteinflüsse wie UV-Licht, das die DNA schädigt, oder durch zufällige Fehler während der DNA-Replikation. Wenn diese Varianten das normale Zellverhalten verändern, können sie eine unkontrollierte Replikation auslösen, die die Krebsentwicklung und -progression vorantreibt.

Die Identifizierung somatischer Varianten ist schwieriger als die von ererbten Varianten, da sie in Tumorzellen in geringer Häufigkeit vorkommen können, manchmal sogar unterhalb der Fehlerrate der Sequenzierung selbst. Dies erfordert hochpräzise Analysemethoden, die traditionelle Ansätze oft an ihre Grenzen bringen.

DeepSomatic: Eine technische Meisterleistung durch Convolutional Neural Networks

DeepSomatic nutzt Convolutional Neural Networks (CNNs), eine Form des maschinellen Lernens, um genetische Varianten in Tumorzellen mit höherer Genauigkeit als bisherige Methoden zu identifizieren. Das Tool wandelt rohe genetische Sequenzierungsdaten von Tumor- und Normalproben in Bilder um, die verschiedene Datenpunkte darstellen, einschliesslich der Sequenzierungsdaten und ihrer Ausrichtung entlang des Chromosoms. Das CNN analysiert diese Bilder, um zwischen dem Standardreferenzgenom, den normalen ererbten Varianten eines Individuums und den krebsverursachenden somatischen Varianten im Tumor zu unterscheiden, während Sequenzierungsfehler herausgefiltert werden. Das Ergebnis ist eine Liste krebsbezogener Mutationen.

Ein wesentlicher Vorteil von DeepSomatic ist seine Flexibilität. Es kann sowohl im "Tumor-Normal"-Modus arbeiten, bei dem Wissenschaftler sowohl Tumorzellen aus einer Biopsie als auch normale Zellen des Patienten sequenzieren, als auch im "Tumor-Only"-Modus. Letzterer ist besonders wichtig für Blutkrebsarten wie Leukämie, bei denen normale Zellproben oft nicht verfügbar sind. Dies erweitert die Anwendbarkeit des Tools auf eine Vielzahl von Forschungs- und klinischen Szenarien.

Die Entwicklung von DeepSomatic und seine überlegene Leistung

Die Entwicklung eines so präzisen KI-Modells erfordert hochwertige Daten. Google und seine Partner, darunter das UC Santa Cruz Genomics Institute und das National Cancer Institute, haben einen Benchmark-Datensatz namens CASTLE erstellt. Dieser Datensatz umfasste sequenzierte Tumor- und Normalzellen aus vier Brustkrebs- und zwei Lungenkrebs-Proben. Diese Proben wurden mit drei führenden Sequenzierungsplattformen analysiert, um einen einzigen, genauen Referenzdatensatz zu erstellen, indem die Ergebnisse kombiniert und plattformspezifische Fehler eliminiert wurden. Die Daten zeigten, dass selbst derselbe Krebstyp sehr unterschiedliche Mutationssignaturen aufweisen kann – eine Information, die zur Vorhersage des Ansprechens des Patienten auf spezifische Behandlungen hilfreich sein kann.

In Tests übertrafen die DeepSomatic-Modelle andere etablierte Methoden auf allen drei grossen Sequenzierungsplattformen. Das Tool zeigte eine besondere Stärke bei der Identifizierung komplexer Mutationen, sogenannter Insertionen und Deletionen (Indels). Für diese Varianten erreichte DeepSomatic eine F1-Punktzahl von 90 % bei Illumina-Sequenzierungsdaten, verglichen mit 80 % für die nächstbeste Methode. Bei Pacific Biosciences-Daten war die Verbesserung noch deutlicher: DeepSomatic erreichte über 80 %, während das nächstbeste Tool weniger als 50 % erzielte.

Auch die Analyse von anspruchsvollen Proben, wie mit Formalin-fixierten, Paraffin-eingebetteten (FFPE) Brustkrebsproben, die DNA-Schäden verursachen können, oder Daten aus der Whole-Exome-Sequenzierung (WES), einer kostengünstigeren Methode, zeigte die Überlegenheit von DeepSomatic. Dies deutet auf seine Nützlichkeit bei der Analyse minderwertiger oder historischer Proben hin.

Breite Anwendbarkeit und Zukunft der Präzisionsmedizin

DeepSomatic hat gezeigt, dass es sein Wissen auf neue, nicht trainierte Krebsarten übertragen kann. Bei der Analyse einer Glioblastom-Probe, einem aggressiven Hirntumor, wurden die wenigen bekannten krankheitsverursachenden Varianten erfolgreich identifiziert. In einer Zusammenarbeit mit Children’s Mercy in Kansas City wurden acht Proben von pädiatrischer Leukämie analysiert, wobei neben den bereits bekannten Varianten zehn neue identifiziert wurden, selbst bei ausschliesslicher Verwendung von Tumorproben.

Google hofft, dass Forschungslabore und Kliniker dieses Tool nutzen werden, um individuelle Tumoren besser zu verstehen. Durch die Erkennung bekannter Krebsvarianten könnte es die Auswahl bestehender Behandlungen leiten. Die Identifizierung neuer Varianten könnte zu neuen Therapien führen. Das übergeordnete Ziel ist die Weiterentwicklung der Präzisionsmedizin und die Bereitstellung effektiverer Behandlungen für Patienten. Die offene Bereitstellung von DeepSomatic und seines Datensatzes für die Forschungsgemeinschaft unterstreicht das Engagement, den Fortschritt in der Krebsforschung global zu beschleunigen.

Diese Entwicklung ist ein klares Beispiel dafür, wie Künstliche Intelligenz nicht nur bestehende Prozesse optimiert, sondern auch völlig neue Wege in der medizinischen Diagnostik und Therapieerforschung eröffnet. Die präzise Identifizierung genetischer Treiber von Krebs ist ein entscheidender Schritt, um massgeschneiderte Behandlungen zu ermöglichen und die Überlebenschancen von Patienten zu verbessern.

Bibliographie

1. Daws, Ryan. "Google AI tool pinpoints genetic drivers of cancer." AI News, 17. Oktober 2025.
2. Google Research. "Using AI to identify genetic variants in tumors with DeepSomatic." Google AI Blog, 16. Oktober 2025.
3. Google Blog. "DeepSomatic accurately identifies genetic variants in cancer." Google Official Blog, 16. Oktober 2025.
4. Matias, Yossi. "Identifying cancer-related mutations accurately is a critical step in precision medicine." LinkedIn Post, 16. Oktober 2025.
5. Miyatsu, Rose. "New AI tool detects hidden cancer mutations." UC Santa Cruz News, 16. Oktober 2025.