AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

Auf der Suche nach der Behandlung komplexer Krankheiten hat sich die Medizin lange Zeit auf eine Strategie des Durchschnitts verlassen. Ärzte und Forscher untersuchen große Gruppen von Menschen, um Muster zu finden, und wenden diese allgemeinen Regeln dann auf einzelne Patienten an. Dieser Ansatz funktioniert gut, wenn alle ähnlich reagieren, aber er gerät ins Straucheln, wenn die Biologie eines Menschen einzigartig ist oder eine Standardbehandlung fehlschlägt. Um diese Lücke zu schließen, haben Wissenschaftler begonnen, „digitale Zwillinge“ zu entwickeln – virtuelle Modelle eines spezifischen Menschen, die mit verschiedenen Behandlungen getestet werden können, bevor etwas am realen Körper ausprobiert wird. Traditionell werden diese Modelle jedoch aufgebaut, indem man die Daten einer breiten Bevölkerung nimmt und sie anpasst, um sie auf eine Person zuzuschneiden. Sie beginnen beim Vielen und versuchen, sich auf das Eine zu verengen.

Eine neue Forschungsrichtung stellt diese Richtung infrage. Anstatt mit einer Menge zu beginnen und sie zu verkleinern, fragt dieser Ansatz, ob die detaillierte eigene Geschichte eines einzelnen Menschen ausreicht, um ein funktionierendes Modell seiner selbst aufzubauen. Wenn ein Arzt über genügend Aufzeichnungen darüber verfügt, wie der Körper eines Patienten auf Nahrung, Medikamente und das tägliche Leben reagiert, können diese Aufzeichnungen allein eine zuverlässige Simulation erstellen? Diese Frage verlagert den Fokus von der Suche nach einem Patienten, der in ein Populationsmodell passt, hin zum Aufbau eines Modells, das der eigenen einzigartigen Geschichte des Patienten entspricht. Es legt nahe, dass man mit genügend Beobachtung einen Menschen nicht mit anderen vergleichen muss, um ihn zu verstehen; seine eigenen vergangenen Handlungen können zum Labor für seine zukünftige Versorgung werden.

Maurice Antony Ewing, ein Forscher bei Conquer Medical Health, testete diese Idee anhand eines Datensatzes von zwölf Menschen, die mit Typ-1-Diabetes leben. Diese Individuen wurden acht Wochen lang eng überwacht, wobei fast 200.000 Schnappschüsse ihres Blutzuckerspiegels, ihres Insulinverbrauchs und ihrer täglichen Aktivitäten generiert wurden. Das Ziel war es zu sehen, ob der Computer ein Modell für jede Person lernen kann, indem er nur deren eigenen Daten verwendet, ohne sich auf die durchschnittlichen Reaktionen der anderen elf Personen oder auf eine größere Gruppe zu stützen. Die Forscher schufen, was sie ein „artifizielles biologisches Primitiv“ nennen. Betrachten Sie dies nicht als ein statisches Profil, sondern als eine lebendige, atmende digitale Version des Patienten, die ihre eigenen Verhaltensregeln aus ihrer eigenen Geschichte gelernt hat.

Das Team testete zunächst, ob dieses selbst aufgebaute Modell lebensfähige Wege hin zu einem gesunden Zustand identifizieren konnte. Sie nahmen Momente, in denen der Blutzucker eines Patienten gefährlich hoch war, und fragten das Modell: „Wenn du eine bestimmte Maßnahme ergreifst, wie etwa eine Insulindosis oder ein wenig Bewegung, könnte dies deinen Blutzucker in Richtung eines Zielwerts bewegen?“ Das Modell identifizierte erfolgreich Interventionen, die die Lücke zwischen dem aktuellen hohen Zustand und einem gesunden Zielwert in den flexibelsten Tests um fast 97 % verringerten. Dies bewies, dass das Modell die spezifischen Beziehungen zwischen Handlungen und Ergebnissen für diesen Einzelnen abbilden konnte, indem es Kandidaten-Interventionen generierte, anstatt kausale Behandlungseffekte zu behaupten.

Der entscheidendere Test bestand jedoch darin, zu sehen, ob dieses individuelle Modell wirklich anders war als ein Modell, das auf dem Durchschnitt der Gruppe aufgebaut wurde. Die Forscher verglichen den Rat, der aus der eigenen Geschichte des Individuums abgeleitet wurde, mit dem Rat, den ein Modell gab, das auf allen zwölf Personen kombiniert trainiert wurde. Die Ergebnisse waren frappierend: Die beiden Modelle stimmten selten überein. Tatsächlich schlugen sie in nur etwa einem Viertel der Fälle exakt denselben Behandlungsplan vor. Die Form der Reaktion – die Art und Weise, wie der Körper auf eine Veränderung reagierte – war so einzigartig für jede Person, dass der Gruppendurchschnitt ein schlechter Wegweiser für das Individuum war. Dies widerlegt die Vorstellung, dass ein Patient einfach durch die Anpassung eines Populationsmodells genau repräsentiert werden kann; die eigene Geschichte eines Individuums enthält eine Geometrie der Reaktion, die die Gruppe schlichtweg nicht sieht.

Um sicherzustellen, dass diese digitalen Modelle nicht bloß rätten, beobachteten die Forscher, was in der realen Welt geschah, wenn diese Menschen tatsächlich Insulin nahmen oder sich bewegten. Sie maßen, wie stark sich die Blutzucker-Trajektorie einer Person nach einer realen Intervention im Vergleich zu Zeiten änderte, in denen nichts geschah. Die Daten zeigten, dass reale Behandlungen eine signifikante, messbare Verschiebung im Pfad des Körpers verursachten, eine „Deformation“, die fast doppelt so groß war wie das natürliche Wackeln während stabiler Perioden. Dies bestätigte, dass die Geschichte des Körpers ein klares Signal dafür enthält, wie er auf Veränderungen reagiert, und somit das Rohmaterial liefert, das für den Aufbau einer zuverlässigen Simulation benötigt wird.

Die Studie ging dann zu einer praktischen Anwendung über: die Nutzung des digitalen Zwillings, um neue Ideen zu testen, bevor man sie an der Person ausprobiert. Der Computer schlug Tausende potenzieller Änderungen an der Behandlung vor, wie etwa die Anpassung der Insulindosen oder des Timings. Das System prüfte diese Vorschläge dann gegen die eigene Vergangenheit der Person. Wenn die Person eine bestimmte Anpassung noch nie ausprobiert hatte oder wenn ihre Geschichte zeigte, dass ein ähnlicher Schritt zuvor zu schlechten Ergebnissen geführt hatte, markierte das System dies als riskant oder nicht fundiert. Bemerkenswerterweise hatten etwa 78 % der vorgeschlagenen Änderungen einen Präzedenzfall in der eigenen Geschichte der Person, und von diesen hatten fast zwei Drittel zuvor gut funktioniert. Dies schuf ein Sicherheitsnetz, bei dem der Computer sagen konnte: „Wir haben das schon einmal versucht, und es hat funktioniert“, oder „Wir haben das versucht, und es ist gescheitert“, ohne jemals wieder am Patienten experimentieren zu müssen.

Entscheidend war, dass das Modell nicht statisch war. Wenn sich der Zustand der Person von Stunde zu Stunde änderte, änderte sich auch der beste Behandlungsvorschlag. Wenn die Forscher das Modell zu verschiedenen Zeiten oder mit verschiedenen Zielen nach Rat fragten, lieferte es in mehr als zwei Dritteln der Fälle andere Antworten. Dies beweist, dass das Modell die Person nicht einfach einer festen Kategorie zuordnet, wie etwa „Typ-A-Diabetiker“, sondern als dynamischer experimenteller Partner agiert, der sich mit dem Patienten mitentwickelt.

Die Forscher testeten auch, ob diese Methode über Diabetes hinaus funktionierte. Sie wandten dieselbe Logik auf populationsbezogene Daten zu Regierungsmaßnahmen während der Pandemie sowie auf Daten dazu an, wie einzelne Nervenzellen auf visuelle Reize reagieren. In beiden Fällen konnte das System aus der spezifischen Geschichte jenes Systems lernen – sei es ein Land oder ein Neuron – und simulieren, wie es auf neue Inputs reagieren würde. Dies deutet darauf hin, dass der Ansatz nicht auf eine bestimmte Art von Biologie beschränkt ist, sondern eine allgemeine Methode darstellt, tiefe Beobachtung zu nutzen, um zu verstehen, wie ein beliebiges System funktioniert.

Die Studie kommt zu dem Schluss, dass das mächtigste Werkzeug für die personalisierte Versorgung und Arzneimittelentwicklung möglicherweise nicht eine größere Datenbank anderer Menschen ist, sondern ein tieferes Protokoll des Individuums selbst. Indem sie die eigene Geschichte eines Menschen als die primäre Quelle der Wahrheit behandeln, können Ärzte und Forscher ein virtuelles Labor aufbauen, das spezifisch für diesen Menschen ist. Dies ermöglicht es ihnen, Behandlungen zu prüfen, jene abzulehnen, die die Geschichte als erfolglos kennzeichnet, und jene zu priorisieren, die die Geschichte als wirksam ausweist – und das alles, bevor die erste Pille geschluckt oder die erste Injektion gegeben wird. Die Arbeit behauptet nicht, das Problem der Krankheit gelöst zu haben, aber sie bietet eine neue Art, darüber nachzudenken: dass die Antwort auf das einzigartige Problem eines Patienten vollständig in seiner eigenen Vergangenheit liegen kann, wartend darauf, von einer Maschine gelesen zu werden, die gelernt hat, zuzuhören.