Wenn Herzkranzgef\u00e4\u00dfe verkalken, wird der Herzmuskel nicht mehr richtig mit Sauerstoff versorgt, seine Pumpleistung nimmt ab. Die Folgen dieser Koronaren Herzkrankheit reichen von Brustenge (Angina pectoris) und Herzrhythmusst\u00f6rungen bis hin zum Infarkt oder pl\u00f6tzlichen Herztod. Laut Weltgesundheitsorganisation ist die Koronare Herzkrankheit (KHK) die h\u00e4ufigste Todesursache weltweit. Zu den KHK-Risikofaktoren z\u00e4hlen ein ungesunder Lebenswandel \u2013 zu wenig Bewegung, zu viel fettes Essen, Alkohol, Zigaretten \u2013 und Erkrankungen wie Diabetes oder Bluthochdruck. Genauso k\u00f6nnen aber genetische Faktoren eine Rolle spielen. Deshalb versucht die medizinische Forschung, bestimmte Abschnitte im menschlichen Erbgut ausfindig zu machen, dem 3,26 Milliarden Bausteine umfassenden Genom. Gesucht werden Abschnitte mit genetischen Varianten, die KHK und andere kardiovaskul\u00e4re Erkrankungen ausl\u00f6sen. Bei den unscheinbarsten dieser Varianten ist in einem DNA-Abschnitt ein einziges Basenpaar ausgetauscht, Fachleute sprechen von Einzel\u00adnukleotid-Polymorphismen, kurz SNPs. Der eine Mensch hat an einer bestimmten Stelle etwa das Basenpaar Adenin-Thymin, ein anderer Guanin-Cytosin. AT oder GC \u2013 diese Variante der Basenabfolge kann entscheidend sein, ob jemand herzinfarktgef\u00e4hrdet ist oder kerngesund.<\/p>\n\n\n\n
Der Computerbiologe Marcel Schulz vom Institut f\u00fcr computergest\u00fctzte Genommedizin ist solchen Genvarianten, die ein gesundheit\u00adliches Risiko bedeuten, auf der Spur. Sein Fachgebiet, die Bioinformatik, versucht, biologische Fragen mithilfe von Rechenpower zu beantworten \u2013 mit statistischen Erhebungen oder Modellen f\u00fcr Maschinelles Lernen. Solche technischen Werkzeuge sind im Zeitalter der Genom-Sequenzierung unverzichtbar, da sich nur damit aus gro\u00dfen Datens\u00e4tzen wertvolle Erkenntnisse herausfiltern lassen. Oder, wie Schulz es ausdr\u00fcckt: \u00bbUm wirklich zu verstehen, warum ein Mensch krank wird, brauchen wir die Bioinformatik. Ohne sie k\u00e4men wir an vielen Punkten nicht weiter.\u00ab <\/p>\n\n\n\n
Die schuldigen SNPs<\/h3>\n\n\n\n
Ein solcher Punkt ist die Frage, warum Menschen an der Koronaren Herzkrankheit (KHK) leiden, warum es zu der Verengung der Herzkranzgef\u00e4\u00dfe durch Ablagerungen kommt. Um die molekularen Mechanismen dahinter zu \u00adentschl\u00fcsseln, benutzt Schulz ein statistisches Werkzeug, die genomweite Assoziationsstudie (GWAS). Hier wird das Genom vieler Menschen auf SNPs untersucht und das Genvarianten\u00adprofil von Kranken und Gesunden verglichen. Tauchen SNPs bei kranken Menschen geh\u00e4uft auf, l\u00e4sst sich daraus folgern, dass sie an der Erkrankung beteiligt sind. Schulz sucht aktuell diesen Zusammenhang zwischen Krankheit und Genvariante in einem Datensatz von KHK-Patienten. Speziell geht es dabei um Krankheits-beg\u00fcnstigende SNPs in sogenannten nicht-codierenden RNA-Molek\u00fclen. Von diesen ncRNAs (\u00bbnon coding RNAs\u00ab, siehe auch S. 5) gibt es rund 26\u2009000 im menschlichen Genom. Sie werden nicht in Proteine \u00fcbersetzt, sondern steuern die Genregulation und kontrollieren zudem kardiovaskul\u00e4re Schl\u00fcsselprozesse. Deswegen gelten sie als vielversprechende Ziele f\u00fcr k\u00fcnftige \u00adTherapien bei Herz-Kreislauf-Erkrankungen.<\/p>\n\n\n\n
Schulz entwickelt rechnerische Methoden, mit denen sich absch\u00e4tzen l\u00e4sst, welche SNPs mit der KHK-Entstehung zu tun haben, zum Beispiel, indem sie eine ordnungsgem\u00e4\u00dfe Genregulation vereiteln. Diese Risiko-SNPs in ncRNA-Genen zu finden, ist keine leichte Aufgabe. Es gibt \u00fcber 20\u2009000 SNPs, die bei KHK-Patienten h\u00e4ufiger auftreten als bei gesunden Menschen. Erschwerend kommt hinzu, dass sie nicht unbedingt in der ncRNA selbst liegen. Denn der regulatorische Bereich im Genom liegt oft au\u00dferhalb der eigentlichen Genregion. Zum Beispiel kann sich ein ncRNA-Gen an Position 1000 bis 5000 auf Chromosom 12 befinden. Die regulatorischen Bereiche, die die Aktivit\u00e4t des ncRNA-Gens beeinflussen, liegen jedoch an Position 18\u2009000 oder 250 auf dem Chromosom. Ein SNP in diesem regulatorischen Bereich kann trotz der Distanz zum ncRNA-Gen mit diesem durchaus in Verbindung stehen. Zum Beispiel, wenn es die Bindung von Proteinen beeinflusst, die durch Faltung der DNA im Zellkern in Kontakt mit dem ncRNA-Gen kommen. Trotz solcher H\u00fcrden ist Schulz schon f\u00fcndig geworden: 144 ncRNA-Gene lie\u00dfen sich bisher mit KHK-beg\u00fcnstigenden SNPs in Verbindung bringen. Die ersten 144 Kandidaten f\u00fcr eine k\u00fcnftige Behandlung, bei der diese Gene dann zum Beispiel gezielt ausgeschaltet w\u00fcrden.<\/p>\n\n\n\n
Die Wirkung einzelner SNPs zu verstehen \u2013 f\u00fcr Schulz liegt darin der Schl\u00fcssel zu einer k\u00fcnftigen personalisierten Medizin. \u00bbWenn wir wissen, welche Rolle bestimmte Genvarianten bei Herz-Kreislauf-Krankheiten spielen, k\u00f6nnen wir auch individuell therapieren.\u00ab Ein Beispiel ist Cholesterin: Zu viel von dem Blutfett l\u00e4sst Gef\u00e4\u00dfe verkalken und das Risiko f\u00fcr Durch\u00adblutungsst\u00f6rungen, Herzinfarkt und Schlaganfall steigt. \u00bbKennen wir aber die SNPs, die bei einem Menschen die Aktivit\u00e4t der cholesterinabbauenden Stoffwechselwege hemmen, k\u00f6nnen wir fr\u00fchzeitig eingreifen.\u00ab Der Patient k\u00f6nnte schon in jungen Jahren regelm\u00e4\u00dfig zu Kontrolluntersuchungen geladen werden und bek\u00e4me, wenn n\u00f6tig, cholesterinsenkende Medikamente verschrieben. Damit w\u00fcrde die Medizin nicht mehr nur auf eine Krankheit reagieren, sondern h\u00e4tte n\u00f6tiges Wissen, um voraussehend zu agieren.<\/p>\n\n\n\n
![\"\"](\"https:\/\/aktuelles.uni-frankfurt.de\/wp-content\/uploads\/2025\/03\/01_FF0124_Herz_Hirn_10_650x450px.jpg\")
Mutation der Blutstammzellen<\/h3>\n\n\n\n
Andere Werkzeuge, mit denen Schulz arbeitet, sind im Bereich Maschinelles Lernen angesiedelt, einem Zweig der K\u00fcnstlichen Intelligenz. Multimodale Autoencoder geh\u00f6ren dazu. Sie sind vor allem gut darin, die eingehenden Daten, zum Beispiel Daten von Genaktivit\u00e4ten, zu komprimieren. Also die gleiche Menge Daten mit weniger Bits zu kodieren und diese dann in einem \u00bblatenten Raum\u00ab abzulegen, einer Art \u00dcbergangsraum. Die Komprimierung erlaubt es, das \u00bbRauschen\u00ab \u00fcberfl\u00fcssiger Informationen beiseitezuschieben und nur die wichtigsten Daten\u00adbestandteile aufzunehmen. So lassen sich versteckte Muster in den Daten leichter finden. Die Originaldaten gehen dabei nicht verloren: Der Autoencoder kann diese problemlos rekonstruieren. Schulz nutzt ihn, um therapeutische Zielstrukturen zu finden, die in der Behandlung von chronischer Herzinsuffizienz helfen k\u00f6nnten. Einer der Risikofaktoren f\u00fcr chronische Herz\u00adinsuffizienz sind Mutationen in Blutstammzellen des roten Knochenmarks, durch die die Nachkommen dieser Blutstammzellen einen gewissen Vorteil erlangen, wodurch eine Ansammlung ver\u00e4nderter Blutzellen entsteht, ein Klon. Dieses Ph\u00e4nomen wird als klonale H\u00e4matopoese mit unbestimmtem Potenzial (CHIP) bezeichnet. CHIP ist zwar selbst keine Krankheit, kann aber Erkrankungen verursachen. Auch hier sind wieder die Genvariationen im Spiel: Bei Patienten, die an chronischer Herzinsuffizienz leiden, wurde festgestellt, dass CHIP und SNPs in bestimmten Genen zusammen auftreten. Ein Fall f\u00fcr den Autoencoder. Mit diesem ordnet Schulz die Aktivit\u00e4ten von ungef\u00e4hr 20\u2009000 Genen aus einem Datensatz von Patienten, die unter chronischer Herzinsuffizienz leiden. Auch hier geht es in Richtung personalisierte Medizin: \u00bbWir wollen auf Grundlage der Daten eines einzelnen Patienten vorhersagen k\u00f6nnen, ob ein bestimmtes Medikament die Genexpression, also die Bildung von RNA-Molek\u00fclen oder Proteinen, positiv beeinflussen w\u00fcrde. Daf\u00fcr vergleichen wir die Genexpression von kranken und gesunden Menschen.\u00ab<\/p>\n\n\n\n
Herzrhythmuskontrolle<\/h3>\n\n\n\n
Neuronale Netze (Deep Neuronal Networks, DNNs) ahmen die Funktionsweise des menschlichen Gehirns nach. Auch sie geh\u00f6ren zum Bereich Maschinelles Lernen. Schulz arbeitet mit einer h\u00e4ufig eingesetzten Spezialform, den Convolutional Neuronal Networks (CNNs), zu Deutsch: gefaltete neuronale Netze. Diese stellen ein vereinfachtes Abbild der neuronalen Verschaltung der Sehrinde dar und funktionieren so: Die oberste Verarbeitungsschicht zieht einfache Merkmale aus dem Daten-Input und gibt sie an die hinteren Schichten weiter. Dort werden die extrahierten Merkmale miteinander kombiniert, Vermaschung nennt sich dieser Vorgang. \u00bbNehmen wir mal an, die vordere Schicht hat 100 Merkmale extrahiert. Jedes Neuron in der hinteren Schicht hat Zugriff \u00addarauf. Besteht die Vermaschungsschicht zum Beispiel aus 50 Neuronen, sind es 100 mal 50 Kombinationen, die das Netzwerk lernt, also 5\u2009000. So erzeugt es den gew\u00fcnschten Output.\u00ab<\/p>\n\n\n\n
CNNs sind f\u00fcr die Verarbeitung vieler unterschiedlicher Daten gut. Schulz hat eines ent\u00adwickelt, das Elektrokardiogramm-Daten analysiert. Es k\u00f6nnte in Zukunft in kleinen Computerchips stecken, die Menschen mit Herzrhythmusst\u00f6rungen implantiert bekommen, sogenannte Herzmonitore. Diese Ger\u00e4te werden im Brustbereich unter die Haut implantiert, zeichnen die Herzstr\u00f6me auf und k\u00f6nnen so auch unauff\u00e4llige Arrhythmien sichtbar machen. Das CNN von Schulz ist speziell f\u00fcr Vorhofflimmern entwickelt worden. Was es zur \u00dcberwachung der Herzt\u00e4tigkeit genau macht? Nachdem die vorderste neuronale Schicht des k\u00fcnstlichen neuronalen Netzes die Spitzen und Steigungen der EKG-Signale aufgenommen hat, verarbeiten die hinteren Schichten die Kombination dieser Signale, um zu entscheiden, ob sich die L\u00e4nge der Wellen ver\u00e4ndert hat. Dabei schiebt das CNN seine eigenen erlernten EKG-Kurven \u00fcber das empfangene EKG-Signal. Sobald es Herzrhythmusst\u00f6rungen erkennt, schl\u00e4gt es Alarm. \u00bbUnser CNN lie\u00dfe sich auf unterschiedliche Arrhythmien ausweiten, ohne dass sich dadurch der Energie\u00adverbrauch des Herzmonitors erh\u00f6ht\u00ab, erkl\u00e4rt Schulz. Was f\u00fcr Patienten k\u00fcnftig von Vorteil sein k\u00f6nnte: Die Batterie h\u00e4lt l\u00e4nger und das Ger\u00e4t muss seltener ausgetauscht werden. Im besten Fall gar nicht. Auch f\u00fcr implantierte Defibrillatoren, die bei Arrhythmien einen Impuls abgeben und diese so unterbrechen, w\u00e4re das CNN geeignet.<\/p>\n\n\n\n
Erkl\u00e4rbare KI<\/h3>\n\n\n\n
Schulz hat noch viel vor mit den gefalteten \u00adneuronalen Netzen. Momentan werden sie so trainiert, dass sie atypische Genaktivit\u00e4ten in mehr als 50\u202fZelltypen vorhersagen k\u00f6nnen. \u00bbWir bauen dabei f\u00fcr jeden Zelltyp ein eigenes CNN, das lernt, welche Faktoren in der DNA-Sequenz bei seinem speziellen Zelltyp wichtig sind. Einige dieser Faktoren gibt es nur bei diesem einen Zelltyp, sie sind zelltypspezifisch. So etwas lernen die CNN-Algorithmen von ganz alleine. Wir m\u00fcssen es ihnen nicht beibringen.\u00ab<\/p>\n\n\n\n
Beim Thema Vorhersagen h\u00e4lt Schulz den Aspekt Explainable KI f\u00fcr wichtig. K\u00fcnstliche Intelligenz lernt zwar, die komplexen Zusammenh\u00e4nge von Merkmalen zu interpretieren, gibt aber keine Auskunft dar\u00fcber, was sie da eigentlich gelernt hat. \u00bbErschwerend kommt hinzu, das k\u00fcnstliche neuronale Netze viele nichtlineare Zusammenh\u00e4nge lernen. Die sind f\u00fcr uns Menschen schwer nachvollziehbar.\u00ab Daher braucht es in Zukunft eine KI, die nicht nur hilft, die Ursachen von Herz-Kreislauf-Erkrankungen zu finden, sondern auch offenlegt, wie ihre Ergebnisse zustande kommen.<\/p>\n\n\n\n
![\"\"](\"https:\/\/aktuelles.uni-frankfurt.de\/wp-content\/uploads\/2025\/03\/Zur_Person_Schulz-1.jpg\")
Zur Person \/ Marcel Schulz<\/strong>, Jahrgang 1981, ist Professor f\u00fcr K\u00fcnstliche Intelligenz in der Genomforschung und hat das neue Institut f\u00fcr Computational Genomic Medicine gegr\u00fcndet. In Berlin studierte er Bioinformatik und promovierte 2010 am Max-Planck-Institut f\u00fcr Molekulare Genetik. Es folgte ein Postdoc-Aufenthalt an der US-amerikanischen Carnegie Mellon University in Pittsburgh. Danach war Schulz Gruppenleiter am Max-Planck-Institut f\u00fcr Informatik und an der Saarland-Universit\u00e4t Saarbr\u00fccken, bevor er ab 2018 an der Goethe-Universit\u00e4t Frankfurt im Institut f\u00fcr Kardiovaskul\u00e4re Regeneration arbeitete. Schulz ist Mitglied des Exzellenz\u00adclusters Cardio-Pulmonary Institute (CPI) und des Deutschen Zentrums f\u00fcr Herz-Kreislauf-Forschung (DZHK). Der Autor \/ Andreas Lorenz-Meyer<\/strong>, Jahrgang 1974, wohnt in der Pfalz und arbeitet seit 16 Jahren als freischaffender Journalist mit Schwerpunkt Klimaforschung, erneuerbare Energien, Digitalisierung, Biologie. Er ver\u00f6ffentlicht in Tageszeitungen, Fach\u00adzeitungen, Universit\u00e4ts- und Jugendmagazinen.
marcel.schulz@em.uni-frankfurt.de<\/a><\/p>\n\n\n\n![\"\"](\"https:\/\/aktuelles.uni-frankfurt.de\/wp-content\/uploads\/2025\/03\/Autor_Lorenz-Meyer-2.jpg\")
andreas.lorenz.meyer@nachhaltige-zukunft.de<\/a><\/p>\n\n\n\n