What Can an In Vitro Model Establish? A Claim-Specific Validation Framework for Neural and Bioelectronic Interfaces

Stellen Sie sich eine Welt vor, in der winzige elektronische Geräte direkt in den menschlichen Körper implantiert werden, um verlorene Sinne wiederherzustellen, Tremor zu lindern oder geschädigte Nerven zu reparieren. Diese Geräte, bekannt als neuronale Schnittstellen, sind die Brücke zwischen unserer Biologie und den Maschinen, die wir bauen. Um sicherzustellen, dass sie sicher und wirksam sind, müssen Wissenschaftler sie testen, bevor sie jemals einen menschlichen Patienten berühren. Sie züchten Zellen in Schalen, erstellen miniaturisierte Gewebemodelle und führen Computersimulationen durch, um zu sehen, wie sich die Geräte verhalten. Das Ziel ist es, vorherzusagen, was in einem lebenden Menschen passieren wird. Jedoch ist ein erhebliches Problem auf diesem Gebiet entstanden: Forscher verwechseln oft einen erfolgreichen Test in einer Schale mit einer Garantie für den Erfolg bei einem Menschen. Nur weil ein Gerät mit einer bestimmten Art von Zelle im Labor funktioniert, bedeutet das nicht, dass es auch in der komplexen, unordentlichen Realität eines menschlichen Gehirns oder einer heilenden Wunde funktionieren wird. Der Sprung von einem kontrollierten Experiment zu einem medizinischen Ergebnis in der realen Welt ist oft zu groß, und die Beweise, die genutzt werden, um diesen Sprung zu vollziehen, fehlen häufig.

Ein neuer Review von Andy Kristiansen, veröffentlicht von der Akkredited Research Group, befasst sich genau mit diesem Problem. Die Arbeit schlägt kein neues Gerät oder eine neue biologische Entdeckung vor. Stattdessen bietet sie eine neue Denkweise darüber an, wie Wissenschaftler ihre Experimente mit ihren Schlussfolgerungen verknüpfen sollten. Der Autor argumenttiert, dass die derzeitige Methode zur Validierung dieser Geräte oft zu locker ist. Wissenschaftler nutzen häufig ein Ergebnis aus einem spezifischen Test – wie etwa die Änderung der elektrischen Eigenschaften eines Materials in einer Flüssigkeit – um eine viel größere Behauptung zu stützen, wie zum Beispiel, dass das Gerät für den langfristigen Gebrauch im menschlichen Körper sicher sei. Das Papier legt nahe, dass dies ein logischer Fehler ist. Es schlägt ein strenges Framework vor, eine Art Checkliste, die Forscher dazu zwingt, genau zu definieren, was ihr Experiment beweisen kann und, ebenso wichtig, was es nicht beweisen kann.

Der Kern dieses neuen Frameworks ist eine einfache, aber kraftvolle Idee: Ein Modell ist nur so gut wie die spezifische Frage, die es zu beantworten im Entwurf hat. Das Papier unterteilt den Validierungsprozess in eine Kette von Verbindungen. Zuerst gibt es die Behauptung (Claim), also die spezifische Aussage, die ein Forscher treffen möchte, wie zum Beispiel: „Dieses Material wird das Hirngewebe nicht schädigen.“ Als Nächstes folgt die erforderliche Relation (Required Relation), also die tatsächliche biologische oder physikalische Verbindung, die existieren muss, damit die Behauptung wahr ist. Dann kommt das Modell (Model), das Experiment selbst, welches diese spezifische Verbindung repräsentieren muss. Schließlich folgen der Endpunkt (Endpoint), die Messung, und der Komparator (Comparator), der Standard, der zum Vergleich herangezogen wird. Das Framework besteht darauf, dass jedes Glied in dieser Kette sichtbar und verifiziert sein muss. Wenn ein Glied fehlt, bricht die Kette, und die Behauptung kann nicht gestützt werden, ungeachtet dessen, wie hochentwickelt die verwendeten Geräte sind.

Um zu illustrieren, warum dies von Bedeutung ist, führt das Papier acht verschiedene Arten von Behauptungen durch, die in der Forschung an neuronalen Schnittstellen üblich sind. Ein Beispiel betrifft die Materialtransformation. Ein Wissenschaftler zeigt vielleicht, dass eine Elektrode korrodiert, wenn sie in eine salzhaltige Flüssigkeit gelegt wird. Das ist eine Tatsache. Aber das Papier weist darauf hin, dass diese Tatsache nicht automatisch beweist, dass die Elektrode in einem menschlichen Körper korrodieren wird, noch beweist sie, dass die Korrosion toxische Partikel in das Gehirn freisetzen wird. Die Flüssigkeit in der Schale ist nicht dasselbe wie das Gewebe im Körper. Ein weiteres Beispiel betrifft die zelluläre Reaktion. Ein Test zeigt vielleicht, dass ein Gerät einen bestimmten Zelltyp in einer Schale nicht abtötet. Dies ist ein positives Ergebnis. Das Papier argumentiert jedoch, dass dies nicht beweist, dass das Gerät für einen ganzen Organismus sicher ist, da die Schale das Immunsystem und andere Gewebe nicht enthält, die anders auf das Gerät reagieren könnten.

Der Review hebt auch hervor, dass die Erhöhung der Komplexität eines Modells das Problem nicht immer löst. Einige Forscher glauben, dass ihr Labormodell automatisch zu einem besseren Prädiktor für menschliche Ergebnisse wird, wenn sie es komplexer machen – indem sie mehr Zelltypen hinzufügen oder das Gewebe menschenähnlicher gestalten. Das Papier stellt diese Annahme infrage. Es legt nahe, dass ein komplexes Modell nur dann nützlich ist, wenn es das spezifische biologische Merkmal enthält, das benötigt wird, um die Frage zu beantworten. Wenn ein Forscher untersucht, wie ein Wirkstoff durch eine Barriere wandert, hilft das Hinzufügen von mehr Zelltypen zur Schale nicht, wenn die spezifischen Barrierenzellen, die für diesen Transport notwendig sind, immer noch fehlen. Das Papier betont, dass biologische Komplexität und die Fähigkeit, eine korrekte Schlussfolgerung zu ziehen, zwei verschiedene Dinge sind. Ein einfaches Modell kann für eine eng gefasste Frage völlig angemessen sein, während ein komplexes Modell für eine andere Frage nutzlos sein kann, wenn es die richtigen Bestandteile vermissen lässt.

Der Autor wendet diese Logik auf verschiedene Szenarien an, einschließlich der Frage, wie elektrische Signale aufgezeichnet werden und wie Geräte mit lebendem Gewebe interagieren. Sie weisen darauf hin, dass das Aufzeichnen elektrischer Impulse von einem Netzwerk von Neuronen in einer Schale zwar beweist, dass das Gerät Aktivität detektieren kann, aber nicht beweist, dass das Gerät eine verlorene Funktion wie Bewegung oder Sicht wiederherstellen kann. Der Sprung von der „Detektion eines Signals“ zur „Wiederherstellung einer Funktion“ erfordert eine Beweiskette, die oft nicht vorhanden ist. Ähnlich verhält es sich, wenn ein Gerät in einem Stück Gewebe aus einem Tier gut funktioniert; das garantiert nicht, dass es auch im Menschen funktionieren wird, da der menschliche Körper andere Eigenschaften und Reaktionen aufweist. Das Papier besteht darauf, dass Forscher diese Lücken explizit benennen müssen. Sie müssen klar angeben, dass ihr Ergebnis nur für die getesteten spezifischen Bedingungen gilt, und dass die Übertragung auf einen menschlichen Patienten einen separaten, validierten Schritt erfordert.

Einer der wichtigsten Beiträge dieser Arbeit ist die Identifizierung von drei spezifischen Arten von Lücken, die solche Fehler verursachen. Die erste ist eine Lücke im Modell selbst, bei der dem Experiment ein entscheidendes biologisches Element fehlt, wie etwa eine Immunzelle oder ein Blutgefäß, das für die Behauptung notwendig ist. Die zweite ist eine Lücke in der Messung, bei der der Wissenschaftler das Falsche betrachtet oder es nicht prä genug misst, um die Schlussfolgerung zu stützen. Die dritte ist eine Lücke im Transfer, bei der der Forscher versucht, ein Ergebnis aus einem Kontext, wie etwa einem kurzfristigen Test in einer Schale, auf einen anderen Kontext, wie etwa ein langfristiges Implantat in einem Menschen, anzuwenden, ohne zu beweisen, dass die Verbindung hält. Das Papier argumentiert, dass diese drei Lücken unterschiedliche Lösungen erfordern. Man kann ein fehlendes biologisches Teil nicht durch mehr Messungen beheben, und man kann einen Messfehler nicht durch das Hinzufügen von mehr biologischer Komplexität korrigieren. Jedes Problem benötigt ein spezifisches Heilmittel.

Der Review schließt mit dem Appell an die wissenschaftliche Gemeinschaft, diesen disziplinierteren Ansatz zu übernehmen. Er fordert nicht, dass Wissenschaftler elaboriertere Modelle bauen oder teurere Tests durchführen. Stattdessen bittet er sie darum, ehrlicher darüber zu sein, was ihre aktuellen Tests sagen können und was sie nicht sagen können. Indem sie die Grenzen ihrer Experimente klar definieren, können Forscher vermeiden, Behauptungen aufzustellen, die durch ihre Daten nicht gestützt werden. Dies bedeutet nicht, dass In-vitro-Modelle nutzlos sind; im Gegenteil, das Papier bestätigt deren Wert, wenn sie korrekt eingesetzt werden. Ein gut konzipiertes Experiment kann eine vollständige und wertvolle Antwort auf eine spezifische Frage liefern. Die Gefahr besteht darin, vorzugeben, dass eine kleine Antwort eine große sei. Das Papier schlägt vor, dass Wissenschaftler durch die Verwendung dieses Frameworks bessere Experimente entwerfen, ihre Ergebnisse genauer interpretieren und letztendlich sicherere sowie effektivere neuronale Schnittstellen für die Zukunft bauen können. Die Arbeit bleibt ein Vorschlag, ein methodischer Leitfaden, der noch nicht gegen bestehende Praktiken getestet wurde, aber er bietet einen klaren Weg zu einer zuverlässigeren Wissenschaft in einem Bereich, in dem der Einsatz hoch ist.