KI in der humangenetischen Diagnostik

Zusammenfassung

Im oft beschworenen Zeitalter der Genommedizin werden in steigender Zahl immer größere Anteile des menschlichen Genoms im klinischen Kontext analysiert. Jedes menschliche Genom zeigt in etwa 3 Millionen kleine und 25.000 große Sequenzvarianten, die nur computergestützt ausgewertet werden können. Künstliche Intelligenz wird bei der Datenaufbereitung zum Herausfiltern der für die Symptomatik infrage kommender Krankheitsgene (Eingrenzung des Suchraums) genutzt. Hierbei kann beispielsweise auch Gesichtserkennung zum Einsatz kommen. Die generelle Gewichtung der potentiellen krankheitsverursachenden Wirkung und die Klassifizierung individueller Sequenzvarianten basiert ebenfalls auf KI-generierten Daten. Auf der Grundlage dieser Filterung und Gewichtung können Auswertesoftwares unter Einbeziehung der Krankheitsrelevanz und des pathogenen Potentials Vorschläge machen, wodurch die Bearbeitungszeit verringert und die Aussagekraft erhöht werden kann. Jedoch gibt es noch Entwicklungspotential bei der Integration KI-generierter Daten in für den humangenetisch-medizinischen Alltag taugliche Software.

Abstract

In the much-vaunted age of genomic medicine, ever larger parts of the human genome are being analysed in a clinical context. Each human genome contains around 3 million small and 25,000 large sequence variants that can only be analysed with the help of computers. Artificial intelligence is used in data processing to filter out the disease genes that are relevant to the symptoms (narrowing down the search space). Facial recognition can also be used here, for example. The general weighting of potential disease-causing effects and the classification of individual sequence variants is also based on AI-generated data. On the basis of this filtering and weighting, evaluation software can make suggestions, taking into account disease relevance and pathogenic potential, which can reduce processing time and increase informative value. However, there is still potential for development in the integration of AI-generated data into software suitable for everyday use in human genetics and medicine.

Schlüsselwörter

Seltene Skeletterkrankungen - Hochdurchsatzssequenzierung - genetische Varianten - Diagnostik - künstliche intelligenz

Keywords

Rare skeletal disorders - next generation sequencing - genetic variants - diagnostics - artificial intelligence

Publication History

Received: 22 July 2025

Accepted: 10 October 2025

Article published online:
14 November 2025

• Literatur

• 1 Lejeune J, Turpin R, Gautier M. Chromosomic diagnosis of mongolism. Arch Fr Pediatr 1959; 16: 962-963
• 2 Unger S, Ferreira CR, Mortier GR. et al. Nosology of genetic skeletal disorders: 2023 revision. Am J Med Genet A 2023;
• 3 Robinson PN, Kohler S, Bauer S. et al. The Human Phenotype Ontology: a tool for annotating and analyzing human hereditary disease. Am J Hum Genet 2008; 83: 610-615
• 4 Gurovich Y, Hanani Y, Bar O. et al. Identifying facial phenotypes of genetic disorders using deep learning. Nat Med 2019; 25: 60-64
• 5 Hsieh T-C, Bar-Haim A, Moosa S. et al. GestaltMatcher facilitates rare disease matching using facial phenotype descriptors. Nature Genetics 2022; 54: 349-357
• 6 Lesmann H, Hustinx A, Moosa S. et al. GestaltMatcher Database – A global reference for facial phenotypic variability in rare human diseases. medRxiv 2024; 2023.06.06.23290887
• 7 Rentzsch P, Witten D, Cooper GM. et al. CADD: predicting the deleteriousness of variants throughout the human genome. Nucleic acids research 2019; 47: D886-D894
• 8 Richards S, Aziz N, Bale S. et al. Standards and guidelines for the interpretation of sequence variants: a joint consensus recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology. Genetics in medicine : official journal of the American College of Medical Genetics 2015; 17: 405-424
• 9 Cheng J, Novati G, Pan J. et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science 2023; 381: eadg7492
• 10 Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF. et al. Predicting Splicing from Primary Sequence with Deep Learning. Cell 2019; 176: 535-548.e24
• 11 Jaganathan K, Ersaro N, Novakovsky G. et al. Predicting expression-altering promoter mutations with deep learning. Science 2025; eads7373
• 12 Kornak UB Oliver; Ebert, Regina; Taipaleenmäki, Hanna; Hesse, Eric; Jakob, Franz Epigenetics and Noncoding RNA – Principles and Clinical Impact. Osteologie 2021; 30: 201-210
• 13 Keyl J, Keyl P, Montavon G. et al. Decoding pan-cancer treatment outcomes using multimodal real-world data and explainable artificial intelligence. Nat Cancer 2025; 6: 307-322