Kann KI und Datenwissenschaft helfen, ein Heilmittel für Alzheimer zu finden?

Alzheimer gehört weiterhin zu den komplexesten Erkrankungen, wenn es darum geht, sie zu verstehen, zu diagnostizieren und zu behandeln. Die biologischen Prozesse entwickeln sich über viele Jahre hinweg, oft lange bevor Symptome auftreten. Forschende stehen zudem vor der praktischen Herausforderung, dass das Gehirn nur schwer direkt zugänglich ist, während die nützlichsten Daten oft fragmentiert, sensibel oder schlicht knapp sind.

In dieser Episode von Tech Tomorrow untersuchen David Elliman und Professor Alejo Nevado-Holgado, ob KI und Datenwissenschaft helfen können, ein Heilmittel für Alzheimer zu finden. 

Alejo Nevado-Holgado ist außerordentlicher Professor im Fachbereich Psychiatrie und am Big-Data-Institute der Universität Oxford, wo er ein interdisziplinäres Labor mitleitet, das KI, Bioinformatik und experimentelle („Wet-Lab“) Methoden zur Erforschung neurodegenerativer Erkrankungen einsetzt.

Seine Arbeit liegt an der Schnittstelle von computergestützter Modellierung, molekularer Neurowissenschaft und translationaler Medizin – was ihn zu einem idealen Gesprächspartner für die Frage macht, wo KI in der Alzheimer-Forschung echten Mehrwert liefern kann. 

Alzheimer ist genau die Art von Problem, die sowohl das Potenzial als auch die Grenzen von KI sichtbar macht 

Einer der klarsten Punkte der Episode ist, dass Alzheimer kein einfaches „mehr Daten = bessere Antworten“-Problem ist. Die Krankheit beginnt sich viele Jahre vor dem Auftreten sichtbarer Symptome zu entwickeln, was bedeutet, dass Forschende oft versuchen, die frühesten Ursachen anhand viel späterer Hinweise zu rekonstruieren. Berücksichtigt man zusätzlich die Blut-Hirn-Schranke, den begrenzten Zugang zu Gehirngewebe und die komplexe Realität der menschlichen Biologie, wird deutlich, warum Fortschritte langsam sind.

Genau deshalb muss KI sorgfältig eingeordnet werden. Aus Sicht von Professor Nevado-Holgado ist KI kein Ersatz für Biologie, klinisches Urteilsvermögen oder Experimente. Sie ist ein Werkzeug in einem deutlich größeren Forschungsinstrumentarium. Ihr Wert liegt darin, Kombinationen, Korrelationen und Muster in einem Umfang zu verarbeiten, den traditionelle Ansätze nicht effizient bewältigen können.

Früherkennung könnte einer der bedeutendsten Beiträge von KI sein 

Wenn es einen Bereich gibt, in dem das Potenzial besonders greifbar erscheint, dann ist es die Früherkennung. Professor Nevado-Holgado beschreibt die wachsende Rolle von blutbasierten Biomarkern, um Krankheitsanzeichen lange vor einer klassischen Diagnose zu erkennen. Das ist entscheidend, denn selbst die vielversprechendsten Therapien wirken wahrscheinlich besser, wenn früh eingegriffen wird – bevor bereits erhebliche Hirnschäden entstanden sind.

Und die Alzheimer-Forschung bewegt sich bereits in diese Richtung. Die UK Biobank stellt Forschenden inzwischen Daten von einer halben Million Freiwilligen zur Verfügung und schafft damit die Möglichkeit, Zusammenhänge zwischen Genetik, Bildgebung, Blutmarkern und klinischer Vorgeschichte in einem bisher unerreichten Umfang zu untersuchen. Für Führungskräfte im Gesundheits- und Life-Science-Bereich geht es dabei um mehr als nur Alzheimer. Wenn KI helfen kann, Krankheitsmuster früher und aus weniger invasiven Daten zu erkennen, könnte sich der Einfluss auf Diagnostik, Patientensegmentierung und Studiendesign insgesamt ausweiten.

Bessere Modelle sind nur dann sinnvoll, wenn sie auf den richtigen Daten basieren 

Ein zentrales Thema der Episode ist, dass die Herausforderung nicht nur darin besteht, KI auf die Alzheimer-Forschung anzuwenden, sondern sie auf die richtigen Daten und auf die richtige Weise anzuwenden. Professor Nevado-Holgado nennt die Genomik als besonders vielversprechenden Bereich: Statt einzelne, häufige Mutationen isoliert zu betrachten, können fortgeschrittene Modelle beginnen, deutlich mehr Kombinationen im gesamten Genom zu analysieren. Dadurch entsteht die Möglichkeit, Zusammenhänge und biologische Pfade zu entdecken, die zuvor unsichtbar waren.

Das hängt jedoch stark von Datenqualität, Zugänglichkeit und durchdachten Modellierungsentscheidungen ab. Mit anderen Worten: Der Erfolg beginnt lange bevor ein Modell trainiert wird. Dasselbe Prinzip zeigt sich auch in der Biotech- und Pharma-Innovation: KI schafft vor allem dann Wert, wenn Daten als strategische Infrastruktur und nicht als nachträglicher Gedanke behandelt werden.

Erklärbarkeit bleibt ein echtes Problem, besonders im Gesundheitswesen 

Ein weiterer wertvoller Aspekt des Gesprächs ist seine Offenheit gegenüber Unsicherheiten. KI kann Muster erkennen, die für Menschen schwer zugänglich sind – doch das bedeutet nicht automatisch, dass wir verstehen, warum ein Modell zu einem bestimmten Ergebnis kommt. In Hochrisikobereichen wie dem Gesundheitswesen ist das entscheidend. Forschende und Entscheidungsträger brauchen Vertrauen, nicht nur Ergebnisse.

Deshalb ist die vielleicht reifste Botschaft der Episode zugleich die einfachste: Vertrauen in KI muss durch nachweisbare Ergebnisse, Tests und menschliche Kontrolle erreicht werden.

KI kann die Medikamentenentwicklung beschleunigen, ersetzt aber nicht die Wissenschaft

Die Episode beleuchtet auch eine der spannendsten Möglichkeiten: den Einsatz von KI zur Beschleunigung molekularer Simulationen und der Medikamentenentwicklung. Professor Nevado-Holgado erklärt, dass klassische All-Atom-Simulationen oft viel zu langsam sind, um biologisch relevante Wechselwirkungen in den Zeiträumen zu modellieren, die für Forschende tatsächlich interessant sind. Neuronale Netze könnten helfen, diese Lücke zu schließen und Simulationen effizienter zu machen – etwa um zu verstehen, wie sich Moleküle verhalten und ob eine potenzielle Therapie schädliche Prozesse wie die Amyloid-Aggregation unterbrechen kann.

Das bedeutet nicht, dass ein Heilmittel unmittelbar bevorsteht. Es bedeutet jedoch, dass KI den Suchprozess effizienter gestalten kann – indem sie Forschenden hilft, Experimente zu priorisieren, Optionen schneller einzugrenzen und potenziell vielversprechende Kandidaten zu identifizieren, die sonst übersehen worden wären. Gleichzeitig verändert sich auch die therapeutische Landschaft insgesamt. Die Zulassung von Lecanemab durch die FDA wurde als wichtiger Meilenstein betrachtet, auch wenn weiterhin über den tatsächlichen Nutzen diskutiert wird.

Dieses differenzierte, hybride Bild kommt der Realität deutlich näher. KI kann helfen, schneller voranzukommen und weiter zu sehen – doch Laborexperimente, klinische Validierung und menschliche Expertise bleiben unverzichtbar.

Ja – aber wahrscheinlich nicht so, wie es die lautesten Schlagzeilen vermuten lassen. Die Episode kommt zu einer differenzierteren und nützlicheren Schlussfolgerung: KI wird Alzheimer höchstwahrscheinlich nicht „lösen“, indem sie Forschende ersetzt oder den gesamten Entdeckungsprozess automatisiert. Ihre tatsächliche Rolle ist praktischer – und vielleicht auch wirkungsvoller: Sie hilft Wissenschaftlern, Krankheiten früher zu erkennen, komplexe biologische Signale besser zu interpretieren, Hypothesen schneller zu testen und begrenzte sowie sensible Datensätze effizienter zu nutzen.

Das mag bescheiden klingen, ist es aber nicht. In einem Forschungsfeld, in dem jedes frühere Signal, jeder klarere biologische Zusammenhang und jedes gezieltere Experiment die Erfolgschancen verändert, sind diese Fortschritte enorm wertvoll. Die eigentliche Chance liegt darin, dass künstliche Intelligenz menschliche Entdeckungen effektiver macht.