Ein Forschungsteam unter der Leitung von Dr. Altuna Akalin vom Max Delbrück Center in Berlin hat ein innovatives Werkzeug namens Flexynesis entwickelt, das Krebspatienten und ihren Ärzten hilft, die optimale Therapie zu finden. Das Tool nutzt tiefe neuronale Netze, um multimodale Daten wie Multi-Omics-Daten, verarbeitete Texte und medizinische Bilddaten, etwa aus CT- oder MRT-Aufnahmen, gleichzeitig auszuwerten. So ermöglicht es präzisere Diagnosen, Prognosen und maßgeschneiderte Behandlungsstrategien.

Die Zahl neuer Krebstherapien wächst stetig – jährlich kommen fast fünfzig neue Behandlungsmethoden hinzu. Diese Vielfalt erschwert jedoch die Auswahl der besten Therapie für Patienten mit individuellen Tumoreigenschaften. Flexynesis adressiert dieses Problem, indem es verschiedene Datentypen integriert und gleichzeitig analysiert. Das Tool kann beispielsweise den genauen Krebsursprung bestimmen, wirksame Medikamente identifizieren und deren Einfluss auf die Überlebenschancen bewerten. Zudem unterstützt es bei der Suche nach Biomarkern für Diagnose und Prognose, etwa bei Metastasen unklarer Herkunft.

Entwickelt wurde Flexynesis von Akalins Team, wobei Dr. Bora Uyar als Erst- und ko-korrespondierender Autor der Publikation maßgeblich beteiligt war. Anders als viele bestehende Deep-Learning-Tools, die oft unflexibel oder schwer zu implementieren sind, ist Flexynesis vielseitig einsetzbar und über Plattformen wie PyPI, Guix, Docker, Bioconda und Galaxy zugänglich. Dies erleichtert die Integration in bestehende Arbeitsprozesse von Kliniken und Forschungseinrichtungen.

Im Vergleich zu anderen Tools hebt sich Flexynesis durch seine Benutzerfreundlichkeit und Flexibilität ab. Es ermöglicht die Beantwortung verschiedener medizinischer Fragestellungen, etwa zur Krebsart, zur Medikamentenwirksamkeit oder zur Herkunft von Tumoren. Ergänzend zu Flexynesis hatte Akalins Team zuvor ein weiteres KI-Tool namens Onconaut entwickelt, das auf bekannten Biomarkern, klinischen Studien und Leitlinien basiert. Beide Tools können sich sinnvoll ergänzen.

Eine Herausforderung bleibt die Verfügbarkeit von Multi-Omics-Daten in Kliniken, die in Deutschland bisher nur in speziellen Programmen wie dem MASTER-Programm für seltene Krebserkrankungen genutzt werden. In den USA hingegen sind solche Daten in Tumorkonferenzen bereits etabliert, um Therapieentscheidungen zu unterstützen. Flexynesis erfordert keine umfassenden KI-Kenntnisse, was seine Nutzung durch Ärzte und klinische Forscher erleichtert. Eine Online-Anleitung unterstützt die Anwendung zusätzlich.

Das kontinuierlich aktualisierte Tool verspricht, die Hürden für die Integration multimodaler Daten in die klinische Praxis zu senken und die Entwicklung personalisierter Behandlungsstrategien für Krebspatienten zu fördern.

Code:

GitHub – BIMSBbioinfo/flexynesis: A deep-learning based multi-modal data integration suite that aims to achieve synesis in a flexible manner

Original Paper:

Bora Uyar, et al. (2025): „Flexynesis: A deep learning toolkit for bulk multi-omics data integration for precision oncology and beyond“. Nature Communications, DOI: 10.1038/s41467-025-63688-5

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.