Genomik & Variantenbewertung

Das Genom eines Patienten zu sequenzieren ist heute günstig; zu entscheiden, welche der Millionen Abweichungen von der Referenz eine Erkrankung tatsächlich erklären, ist es nicht. KI verbessert zwei Schritte: die genaue Variantenbestimmung (Variant Calling) aus Rohdaten sowie die Priorisierung und Klassifikation von Varianten (Effektvorhersage für kodierende und nicht-kodierende Bereiche, Phänotyp-Abgleich, Literaturauswertung). LLM-Agenten entwerfen die Evidenzzusammenfassung, aber Klassifikation und klinischer Befund bleiben bei einer qualifizierten Humangenetikerin bzw. einem qualifizierten Humangenetiker.

Problem & Nutzen

• Heute: Ein typisches Exom oder Genom liefert zehntausende bis Millionen Varianten. Analysten filtern nach Populationshäufigkeit, Vererbungsmodell und Genpanels und prüfen dann für jeden Kandidaten manuell ClinVar, Literatur und Vorhersagewerkzeuge. Viele Fälle bleiben ungelöst, und Varianten unklarer Signifikanz (VUS) häufen sich an und müssen bei veränderter Evidenz regelmäßig neu analysiert werden.
• KI-Nutzen: bessere Ergebnisse in schwierigen Genomregionen, Rangfolge von Missense- und nicht-kodierenden Varianten nach vorhergesagtem Effekt, phänotypgesteuerte Priorisierung, schnellere Literatur-Vorauswahl und einheitliche, strukturierte Evidenz für jedes ACMG/AMP-Kriterium. Das verkürzt die Analystenzeit je Fall und macht die Neuanalyse alter VUS bezahlbar.
• Evidenzbasis: Die ACMG/AMP-Leitlinie definiert die übliche fünfstufige Klassifikation (pathogen bis benigne), auf die Werkzeuge ihre Ausgaben abbilden [1]; ClinGen hat kalibriert, wie stark rechnerische Vorhersagen darin als Evidenz gewichtet werden dürfen [2]. Veröffentlichte Benchmarks zeigen, dass moderne Vorhersagemodelle bekannte pathogene von benignen Missense-Varianten gut trennen, sie bleiben aber unterstützende Evidenz und keine Diagnose [3][4].

Varianten

• Klinische Genetik / Diagnostiklabor: Befundung seltener Erkrankungen und von Keimbahn-/somatischen Tumorvarianten nach ISO 15189 und IVDR.
• Präzisionsonkologie im Krankenhaus: Variantenbestimmung in Tumor-Normal-Paaren, Vorbereitung molekularer Tumorboards.
• Pharma/Biotech-F&E: Screens von Variante zu Funktion, Zielstruktur-Validierung, Kohortenanalysen (siehe SCI-017).
• Agrar und Lebensmittel: siehe SCI-020.

So funktioniert es

1. sample
2. sequencing (short/long reads)
3. alignment + variant calling (SNV, indel, structural variants, repeats)
4. annotation (consequence, population frequency, ClinVar, gene constraint)
5. AI effect scoring (missense, splice, non-coding/regulatory)
6. phenotype matching (HPO terms, inheritance, pedigree)
7. LLM/RAG evidence assembly (literature, case reports, ClinGen curations)
8. ACMG/AMP classification proposal
9. HUMAN: variant scientist review + clinical geneticist sign-off
10. report + periodic re-analysis

• Variantenbestimmung: Deep-Learning-Verfahren (CNNs im Stil von DeepVariant, die ML-gestützte Pipeline von DRAGEN, Clair3 für Long Reads) sind rein statistischen Verfahren in der Genauigkeit überlegen, besonders bei Indels und Long-Read-Daten [5][6].
• Effektvorhersage: Protein-Sprachmodelle und strukturbewusste Modelle (AlphaMissense, ESM-basiert, PrimateAI-3D) bewerten Missense-Varianten; Sequenz-zu-Funktion-Modelle (AlphaGenome, Enformer-Klasse) sagen regulatorische und Spleiß-Effekte nicht-kodierender Varianten voraus; Modelle im Stil von SpliceAI bewerten das Spleißen [3][4][7].
• Phänotyp-Abgleich: HPO-basierte Rangfolge (Exomiser, LIRICAL), zunehmend mit LLMs, die HPO-Begriffe aus klinischen Notizen extrahieren.
• LLM-Schicht: Suche über PubMed, ClinVar und Gen-Krankheits-Kuratierungen; das Modell fasst die Evidenz je Kriterium mit Quellenangaben zusammen. Jede zitierte Aussage muss auf eine abrufbare Quelle verweisen.
• Mensch-in-der-Schleife (Human-in-the-Loop): zwingend bei Klassifikation und Befundung. Vorhersagewerkzeuge dürfen nur mit der von ClinGen kalibrierten Evidenzstärke angewendet werden [2].

Datenaufbereitung

Typische Eingaben sind Rohdaten (FASTQ/BAM/CRAM), VCF-Dateien, Phänotypbeschreibungen und Stammbäume. Sie liegen meist auf Laufwerken der Sequenziergeräte, im LIMS oder in klinischen Informationssystemen sowie in Freitextbefunden oder gescannten Einsendescheinen. Typische Lücken: uneinheitliche Proben- und Patientenkennungen, Phänotypen nur als Freitext statt als HPO-Begriffe, gemischte Referenzgenom-Versionen, fehlende Einwilligungsmerkmale für die Zweitnutzung und Wissen, das über frühere Befunde und PDF-Literatur verstreut ist.

Schritte der Aufbereitung: ein Dateninventar anlegen und jede Datenquelle dem Anwendungsfall zuordnen (PREP-001, PREP-002); Kennungen und Genomversion vereinheitlichen; Phänotypen als HPO-Begriffe kodieren; Exporte pseudonymisieren, bevor sie die klinische Zone verlassen (PREP-022); aus früheren freigegebenen Klassifikationen Labels als Referenzbeispiele gewinnen (PREP-020, PREP-018); Einsendescheine auf Papier digitalisieren (PREP-006); sowie Zweck und Rechtsgrundlage für die Weiterverwendung genetischer Daten prüfen (PREP-025). Werkzeuge: gängige Workflow-Manager der Bioinformatik (Nextflow, Snakemake), OCR für Formulare, ein Metadatenkatalog.

Rechnen Sie damit, dass etwa die Hälfte des Projektaufwands auf Datenaufbereitung, Validierung und die Bereinigung der Einwilligungen entfällt und nicht auf die KI-Komponenten. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (klinische Labore, Biotech): Weg A. Zertifizierte, IVDR-konforme Auswertungsplattformen mit Audit-Trail sind verfügbar und ersparen den Validierungsaufwand, den ein Labor sonst selbst tragen müsste.
• Entwickler: Weg C. Open-Source-Verfahren zur Variantenbestimmung und Annotationspipelines (z. B. DeepVariant, VEP) laufen auf eigenen GPU-Knoten und behalten die volle Kontrolle über Pipeline-Versionen.
• Öffentlicher Sektor (Universitätskliniken, Forschungsinstitute): Weg C. Patientengenome sollten auf eigener oder nationaler Infrastruktur bleiben, was Vergabe- und Datenschutzregeln begünstigen.

Weg A — Kaufen (für die meisten Labore empfohlen)

• Plattformen zur klinischen Auswertung: QIAGEN Clinical Insight / QCI Interpret (QIAGEN hat seinen Sitz in der EU, in den Niederlanden/Deutschland), Illumina Connected Software / DRAGEN und Emedgene, Franklin by Genoox, VarSome Clinical (Saphetor, Schweiz), Nexus/Alissa Interpret (Agilent), SOPHiA GENETICS (Schweiz/EU, DDM-Plattform), Fabric Genomics, Velsera (früher Seven Bridges/Pierian).
• In den Sequenzierer integrierte Sekundäranalyse: Illumina DRAGEN (auf dem Gerät, in der Cloud oder als On-Premises-FPGA), NVIDIA Parabricks (GPU), Oxford Nanopore mit Dorado/EPI2ME.
• Wählen Sie A, wenn: Sie einen validierten, unterstützten Ablauf für die Diagnostik brauchen, mit Audit-Trail und enthaltener Datenbankpflege, und kein eigenes Bioinformatik-Team haben.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Schnittstellen für Vorhersagen: AlphaGenome-API (Google DeepMind, zum Start nur für nicht-kommerzielle Forschung; aktuelle Bedingungen prüfen), vorberechnete AlphaMissense-Werte (CC BY), Ensembl-VEP-REST-Dienst für die Annotation [7][8].
• LLM-Schnittstellen: Reasoning-Modelle (Claude, Gemini, GPT, Mistral als EU-Anbieter) für Literatursynthese und Befundentwürfe, mit strukturierten Ausgaben und Suche über lizenzierte oder offene Korpora (PubMed, ClinVar, PMC OA).
• Genomik in der Cloud: AWS HealthOmics, die Nachfolger von Google Cloud Batch/Life Sciences, Azure-Batch-Workflows, in EU- Regionen; Nextflow/nf-core-Pipelines darauf. Prüfen Sie AVV, EU-Datenhaltung und Unterauftragsverarbeiter, da Genomdaten besondere Kategorien personenbezogener Daten sind.
• Wählen Sie B, wenn: ein Forschungsumfeld vorliegt, die Daten de-identifiziert sind oder eine Einwilligung vorliegt, und Sie flexible eigene Logik wollen.

Weg C — Selbst betreiben (Open Source)

• Variantenbestimmung: DeepVariant, Clair3, GATK, Sentieon (kommerziell, selbst betrieben), die Pipelines nf-core/sarek und nf-core/raredisease [5][9].
• Annotation/Priorisierung: Ensembl VEP (Offline-Cache), ANNOVAR, Exomiser, SpliceAI, offene ESM-Modelle, offene AlphaGenome-Gewichte, wo die Lizenz es erlaubt, OpenCRAVAT.
• LLM-Schicht: Open-Weight-Modelle (Llama, Qwen, Mistral, Fachmodelle wie BioMistral) über vLLM mit einem lokalen PubMed/ClinVar-Index (Vektordatenbank plus BM25).
• Hardware: HW3 (eine GPU mit 48–141 GB) für GPU-beschleunigte Variantenbestimmung und lokales LLM; die Pipeline ist überwiegend durch CPU und Speicher begrenzt. Die Rohdaten erreichen hunderte GB je Genom, daher bestimmen Speicher- und Backup-Planung den Aufwand.
• Wählen Sie C, wenn: die Daten das Krankenhaus oder Institut nicht verlassen dürfen und ein Bioinformatik-Team vorhanden ist.

Weg D — Eigenes Training

Verfahren zur Variantenbestimmung auf laborspezifische Chemie oder Abstammungsgruppen feinabstimmen (Feintuning), Modelle zur Variantenwirkung mit Assay-Daten (MAVEs, Sättigungsmutagenese) für ein bestimmtes Genpanel trainieren oder Vorhersagewerkzeuge an hauseigenen kuratierten Varianten kalibrieren. Dafür braucht es gut kuratierte, hinsichtlich der Abstammung vielfältige Varianten mit Labels; die Verzerrung der Vorhersagemodelle zugunsten von Daten europäischer Abstammung ist ein dokumentiertes Problem.

Stand der Technik (2026)

• Variantenbestimmung: Deep-Learning-Verfahren erreichen bei SNVs und Indels gegenüber GIAB-Referenzdatensätzen eine sehr hohe Genauigkeit; die Grenze liegt bei Strukturvarianten, Tandem-Repeats und Long-Read-Auswertung auf Basis von Pangenomen [5][6].
• Missense-Effekt: AlphaMissense veröffentlichte Vorhersagen für alle möglichen menschlichen Missense-Varianten und stufte die Mehrheit als wahrscheinlich benigne oder wahrscheinlich pathogen ein, der Rest blieb unklar [3]. Protein-Sprachmodelle und strukturbewusste Modelle sind die Standardbausteine von Ensembles.
• Nicht-kodierend: AlphaGenome (DeepMind, 2025) sagt viele regulatorische Modalitäten aus bis zu einer Megabase DNA-Kontext voraus, ein Schritt hin zur Bewertung nicht-kodierender Varianten; die klinische Validierung ist noch begrenzt [4].
• Agenten: LLM-Agenten steuern zunehmend Annotationswerkzeuge und Literatursuche für die Variantenkuratierung. Sie helfen bei der Vorauswahl, aber erfundene Quellenangaben und übermäßig sichere Klassifikationen sind bekannte Fehlerbilder, daher müssen die Ausgaben auf korrekte Quellenangaben geprüft werden.
• Grenzen: Vorhersagemodelle werden mit ClinVar-ähnlichen Labels trainiert (Zirkularität, Verzerrung nach Abstammung); sie können funktionelle Assays, Segregations- oder De-novo-Evidenz nicht ersetzen; VUS-Raten sind bei unterrepräsentierten Abstammungsgruppen höher; die Gültigkeit der Gen-Krankheits-Beziehung muss gesondert geprüft werden (ClinGen).

Gemeinsame Bausteine & Kombinationen

• Wissenschaftliche Basismodelle (scientific-fm) auf GPU: Die Proteinstrukturmodelle aus SCI-001 und die Sequenzdesign-Modelle aus SCI-021 nutzen denselben Betriebsstack für Protein-/DNA-Modelle (HW3).
• Multi-Omics und Zielstrukturen: SCI-017 verwendet annotierte Varianten- und Expressionsdaten für die Suche nach Zielstrukturen und Biomarkern weiter.
• Klinischer Kontext: HLTH-004 klinische Entscheidungsunterstützung, HLTH-028 Terminologie-Mapping (HPO, SNOMED, FHIR Genomics), KNOW-010 Leitlinien-Assistent für RAG über Literatur.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis Monate für Validierung und Akkreditierung; Lizenz je Probe oder je Arbeitsplatz.
• Weg B: 3–6 Monate für eine Forschungspipeline; die Kosten werden von Rechenleistung und Speicher bestimmt, nicht von LLM-Aufrufen.
• Weg C: 6–12 Monate mit einem Bioinformatik-Team; der klinische Einsatz erfordert zusätzlich eine Validierung nach ISO 15189.
• Kennzahlen: Analystenminuten je Fall, diagnostische Ausbeute, VUS-Rate und Umklassifizierungsrate, Übereinstimmung mit GIAB-/hauseigenen Referenzdatensätzen, Durchlaufzeit von der Probe bis zum Befund, Anteil der als korrekt geprüften LLM-Quellenangaben, Abdeckung der Neuanalysen.

Menschen & Veränderung

Beziehen Sie zuerst Geschäftsleitung und Laborleitung ein (Budget, Akkreditierung), dann die Abteilungsleitung, die Humangenetikerinnen und Humangenetiker als Anwender, IT und IT-Sicherheit sowie von Anfang an die bzw. den Datenschutzbeauftragte(n): Genetische Daten sind nach Art. 9 DSGVO eine besondere Kategorie, daher sind eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO), Auftragsverarbeitungsverträge (AVV, Art. 28) und eine klare Rechtsgrundlage erforderlich (GUIDE-005). Legal/Compliance prüft die Pflichten aus IVDR und Akkreditierung.

Betriebsrat: abhängig vom Einzelfall. Wo ein Betriebsrat besteht, wird das System vor allem auf Proben und nicht auf Beschäftigte angewendet, aber Klassifikationsprotokolle und Freigabestatistiken können zur Leistungskontrolle geeignet sein; nach der Auslegung des Bundesarbeitsgerichts zu § 87 Abs. 1 Nr. 6 BetrVG genügt die objektive Eignung, und § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung. In öffentlichen Krankenhäusern gilt der Personalrat. Siehe GUIDE-004.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; schulen Sie die Humangenetiker zu den Grenzen und Fehlerbildern der Vorhersagewerkzeuge (GUIDE-006). Starten Sie einen Piloten mit einem Genpanel und zwei erfahrenen Humangenetikern, vergleichen Sie ihn mit dem bisherigen Ablauf und weiten Sie ihn dann aus. Typische Sorge: Kompetenzverlust oder Haftung. Begegnen Sie ihr, indem jede Klassifikation ein Vorschlag bleibt, den eine qualifizierte Humangenetikerin bzw. ein qualifizierter Humangenetiker freigibt, mit der Evidenz je Kriterium (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): abhängig vom Einzelfall. Software mit medizinischer Zweckbestimmung, die die Diagnose unterstützt, ist in der Regel ein Medizinprodukt (MDR/IVDR); KI-basierte Produkte, die eine Konformitätsbewertung durch eine benannte Stelle brauchen, sind nach Art. 6 Abs. 1 und Anhang I Hochrisiko-Systeme. Reine Forschungsnutzung liegt weitgehend außerhalb des Anwendungsbereichs (Art. 2 Abs. 6); die Kennzeichnung als nur für die Forschung muss tatsächlich zutreffen. Nach dem Digital-Omnibus zur KI (VO (EU) 2026/1744) gelten die Hochrisiko-Pflichten für Produkte nach Art. 6 Abs. 1/Anhang I ab dem 2. August 2028 (Systeme nach Anhang III: 2. Dezember 2027) [10].
• IVDR: Hausinterne Tests (In-House-Tests) in Gesundheitseinrichtungen fallen unter die Bedingungen von Art. 5 Abs. 5; kommerzielle Auswertungssoftware braucht in der Regel eine CE-Kennzeichnung.
• DSGVO: Genetische Daten sind besondere Kategorien personenbezogener Daten (Art. 9); ein Genom identifiziert von sich aus und gibt zugleich Informationen über Verwandte preis. Erforderlich sind eine Rechtsgrundlage, eine DSFA (Art. 35), Datenminimierung, Datenhaltung in der EU und strenge Zugriffskontrolle; die Re-Identifizierung „anonymisierter“ Genome ist realistisch. Das deutsche Gendiagnostikgesetz (GenDG) verlangt Einwilligung und genetische Beratung bei diagnostischen Untersuchungen [11].
• Gegenmaßnahmen: Freigabe durch Menschen, versionierte Datenbanken, festgelegte Pipeline-Versionen, Audit-Protokolle, Benchmarks auf GIAB, nach Abstammung geschichtete Auswertung, Prüfung der Quellenangaben bei LLM-Ausgaben, keine kommerzielle LLM-Schnittstelle ohne AVV und Verarbeitung in der EU.

Erste Schritte

1. Legen Sie den Einsatzzweck fest (Forschung oder Diagnostik), denn er bestimmt die Pflichten aus IVDR, GenDG und KI-Verordnung.
2. Testen Sie eine Pipeline zur Variantenbestimmung (DRAGEN, DeepVariant über nf-core/sarek) an GIAB-Referenzproben.
3. Ergänzen Sie die Ensembl-VEP-Annotation mit ClinVar, gnomAD und einem Missense-Vorhersagemodell; vergleichen Sie mit 50 gelösten hauseigenen Fällen.
4. Pilotieren Sie eine LLM-Evidenzzusammenfassung über PubMed/ClinVar mit erzwungenen Quellenangaben; messen Sie die Fehlerrate gemeinsam mit den Humangenetikern.
5. Schließen Sie DSFA, Einwilligung und Prüfung der Datenhaltung ab, bevor Patientendaten einen Cloud-Dienst berühren.

Quellen

1. Richards et al. 2015, ACMG/AMP standards for sequence variant interpretation — https://pubmed.ncbi.nlm.nih.gov/25741868/
2. Pejaver et al. 2022, ClinGen calibration of computational predictors — https://pubmed.ncbi.nlm.nih.gov/36413997/
3. Cheng et al. 2023, AlphaMissense, Science — https://www.science.org/doi/10.1126/science.adg7492
4. Google DeepMind, AlphaGenome — https://deepmind.google/discover/blog/alphagenome-ai-for-better-understanding-the-genome/
5. DeepVariant — https://github.com/google/deepvariant
6. Illumina DRAGEN — https://www.illumina.com/products/by-type/informatics-products/dragen-secondary-analysis.html
7. Ensembl Variant Effect Predictor — https://www.ensembl.org/info/docs/tools/vep/index.html
8. ClinVar (NCBI) — https://www.ncbi.nlm.nih.gov/clinvar/
9. nf-core/sarek — https://nf-co.re/sarek
10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj ; amended by Regulation (EU) 2026/1744 (Digital Omnibus on AI, OJ 24 Jul 2026) — https://eur-lex.europa.eu/eli/reg/2026/1744/oj
11. Regulation (EU) 2016/679 (GDPR), Art. 4(13), 9 — https://eur-lex.europa.eu/eli/reg/2016/679/oj