Was ein Diagnosemodell insgeheim lernt, steht in den Genen

Wer wissen will, was ein Modell gelernt hat, fragt üblicherweise das Modell. Man hält ihm eine Eingabe hin, verändert sie und sieht zu, was sich am Ergebnis bewegt. Das Verfahren hat einen eingebauten Horizont: Es kann nur beschreiben, was in der Eingabe steht. Bei einem Modell, das auf Krankenakten trainiert wurde, beschreibt es also die Krankenakte noch einmal.

Die Gruppe in Berlin und London hat deshalb ein Messgerät von außen angelegt – eines, das das Modell nicht kennt und nicht beeinflussen kann.

Sein Gegenstand ist ein Vorhersagemodell für Krankheitsverläufe, gebaut auf gut einer halben Million Teilnehmern der UK Biobank. Es liest Diagnoseschlüssel in zeitlicher Reihenfolge – E78 Fettstoffwechselstörung, J45 Asthma – dazu Geschlecht, Body-Mass-Index, Rauchen und Alkohol. Was es nicht sieht: keinen einzigen Laborwert, kein Medikament, kein Gen.

Aus der letzten Schicht dieses Modells lassen sich pro Person 120 Zahlen abgreifen, der interne Zustand, in dem es einen Menschen zusammenfasst. Die Gruppe behandelte diese 120 Zahlen wie körperliche Merkmale und suchte im Erbgut von 441.189 Teilnehmern nach Varianten, die mit ihnen zusammenhängen. Eine genomweite Suche also, nicht nach einer Krankheit, sondern nach dem Innenleben eines Netzes.

Sie fand 434 Zusammenhänge an 151 Stellen des Genoms. Betroffen sind 98 der 120 Zahlen; erblich sind alle 120 – wenn auch schwach, im Median knapp zwei Prozent. Das ist zunächst nur eine seltsame Tatsache: Die Innenzustände eines Netzes, das nie ein Gen gesehen hat, haben eine Erbstruktur.

Interessant wird es beim Inhalt. Eine dieser Zahlen sammelt den Cholesterinstoffwechsel ein, und zwar so vollständig, dass sie die Angriffspunkte aller zugelassenen Lipidsenker abdeckt – vom Statin über den Cholesterinaufnahme-Hemmer bis zu den neueren Wirkstoffklassen, die das Transportprotein CETP, das Apolipoprotein B und das Enzym PCSK9 blockieren. Eine andere Gruppe versammelt die Alarmstoffe der Atemwegsschleimhaut, an denen die Asthma-Biologika ansetzen: drei Wirkstoffe, zugelassen oder in der letzten Erprobungsphase. Nichts davon steht in den Diagnoseschlüsseln.

Es bleibt aber nicht bei Biologie. Dieselbe Sonde findet Anreicherungen für Bildungsniveau – die Autoren sprechen von implizit gelernten Konzepten sozialer Lage – und mindestens einen Fundort, der plausibel nicht Biologie markiert, sondern die Bereitschaft, an einer Biobank-Studie teilzunehmen. Ein Modell, das Krankheitsverläufe vorhersagen soll, hat unterwegs gelernt, wer im Leben wo steht.

Wie viel in diesem Innenzustand steckt, zeigt sich am deutlichsten, wenn man die Frage umdreht. Prüft man, wie viel ein gewöhnlicher Laborwert der Vorhersage noch hinzufügt, sobald das Modell schon dabei ist, bleiben von seinem Beitrag im Median etwa zwei Prozent übrig. Für 44 von 301 häufigen Krankheiten lohnt sich der Laborwert weiterhin deutlich – beim Rest steckte er längst im Verlauf.

Was dagegen spricht¶

Untersucht wurde nicht das Originalmodell. Dessen trainierte Gewichte waren nicht zugänglich, die Gruppe hat es nachgebaut – und die Vorhersageleistung beider Fassungen stimmt nur mäßig überein. Die Autoren räumen selbst ein, dass die einzelnen Zahlen mit den Originalgewichten anders ausfallen könnten - ihre Kernaussagen, schreiben sie ausdrücklich, hingen daran jedoch nicht: Das Erbgut sei bei der Zeugung festgelegt und dem Modell nie gezeigt worden, der erbliche Anteil der Repräsentation also von der Nachbau-Frage unberührt.

Führt man dieselbe Suche stattdessen auf den 762 einzelnen Diagnosen durch, findet man mehr Medikamente, nicht weniger: 463 gegenüber 217. Die Autoren halten dagegen, dass zwölf Wirkstoffe nur über den Umweg der Repräsentation auftauchen – aber der Mengenvergleich fällt nüchterner aus, als die Überschrift verspricht. Alle Fundstellen waren zudem bereits im Katalog bekannter Genorte verzeichnet – entweder selbst oder über eine mitvererbte Nachbarvariante; 131 davon markieren sehr wahrscheinlich dieselbe ursächliche Stelle. Von 144 geprüften Orten ließen sich 123 ohnehin schon einer Diagnose aus den Trainingsdaten zuordnen. Die Autoren formulieren das selbst sehr genau: Der Gewinn liege im Erklärpotenzial, nicht in der Entdeckung neuer Orte.

Dazu kommt eine Kohorte, die nicht repräsentativ ist – Freiwillige, überwiegend europäischer Herkunft. Was das Modell an gewöhnlichen Laborwerten erklärt, ist wenig: der Median liegt bei sechs Prozent der Streuung, und nur jeder fünfte Wert kommt über zwanzig. Und von den Medikamenten-Treffern zeigen 78 Prozent in die erwartete Richtung – der Rest deutet auf Schaden oder widerspricht sich.

Warum das hier steht¶

Weil hier ein Werkzeug auftaucht, das man auf jedes Modell ansetzen könnte, dessen Nutzer eine Erbinformation mitbringen: eine Sonde, die nicht vom Training abhängt und die man nicht überreden kann. Erklärverfahren beschreiben die Eingabe. Das Genom war vorher da.

Und weil dieselbe Sonde nebenbei zeigt, dass ein Vorhersagemodell nicht nur Biologie einsammelt, sondern auch soziale Lage – ein Befund, den man von außen sehen muss, weil er in der Krankenakte nicht als Spalte steht.

Gegenprüfung

Von drei Modellfamilien gegen den Volltext der Quelle gelesen; Befunde und Korrekturen stehen im Protokoll.claude · gemini · grokPrüfprotokoll zu dieser Notiz →