ROVERETO / LONDON (IT BOLTWISE) – Forschende haben mit fMRT-Analysen und computerbasierten Netzwerkmethoden zwei biologische Subtypen von Autismus identifiziert, die sich durch stark unterschiedliche Verbindungsstärken zwischen Hirnregionen auszeichnen. In Mausmodellen spiegelten sich die gegensätzlichen Muster, in einer großen Human-Stichprobe ließen sie sich replizieren. Besonders relevant: Die Untergruppen unterscheiden sich offenbar auch in zugrunde liegenden Mechanismen – synaptische Prozesse auf der einen, immunbezogene und genregulatorische Wege auf der anderen Seite. Wichtig ist zugleich die Einschränkung, dass dies noch kein klinisches Diagnosetool ist.
Autismus gilt seit Jahren als Spektrum, doch wie viel dieser Vielfalt biologisch tatsächlich widerspiegelt, war bislang schwer belastbar nachweisbar. Eine jetzt in Nature Neuroscience veröffentlichte Studie liefert dafür einen greifbaren Ansatz: Die Forschenden fanden zwei funktionell definierte Subtypen, die sich in der „Kommunikation“ zwischen Hirnregionen unterscheiden – entweder auffällig hoch oder auffällig niedrig. Entscheidend ist dabei weniger die Aufteilung als solche, sondern dass die Muster in Mausmodellen und menschlichen Datensätzen konsistent wieder auftauchen und zudem auf unterschiedliche biologische Mechanismen hinweisen.
Technische Grundlage ist der Blick auf funktionelle Konnektivität mittels funktioneller Magnetresonanztomografie (fMRT). Bei fMRT wird Aktivität indirekt über Veränderungen im Blutfluss gemessen; in Ruhephasen lässt sich dann ermitteln, welche Regionen gemeinsam „mitziehen“. Vereinfacht gesagt interpretieren die Autorinnen und Autoren synchron auftretende Muster im Blutfluss als Hinweis auf funktionelle Kopplung. Während die Forschungsgemeinschaft fMRI in der Vergangenheit häufig als widersprüchlich erlebt hat, drehen die Forschenden die Perspektive: Die beobachtete Streuung könnte keine Störgröße sein, sondern ein Signal unterschiedlicher biologischer Teilgruppen.
Um diesen Verdacht zu operationalisieren, beginnen die Autorinnen und Autoren mit Mausmodellen, die genetische oder immunbezogene Veränderungen tragen. Insgesamt wurden fMRT-Daten aus 20 verschiedenen Modellen ausgewertet, darunter 17 mit spezifischen genetischen Alterationen, zwei mit immunologischen Veränderungen und ein gezüchteter Spezialstamm. Jede Variante wurde gegen Kontrolltiere verglichen, um die Auswirkungen der jeweiligen biologischen Änderung auf das Konnektivitätsprofil zu erfassen. Aus der Gesamtheit der Gehirnnetzwerke zeichnen sich dann zwei klar dominierende Muster ab: Unterkonnektivität in elf Modellen und Überkonnektivität in neun Modellen.
Der nächste Schritt ist die Brücke von Netzwerkmustern zu Mechanismen. Dafür nutzen die Forschenden eine computerbasierte Technik, die Gene und deren Wechselwirkungen in einem sogenannten „Interaktom“ abbildet. Im Ergebnis lassen sich zwei Subtypen grob entlang unterschiedlicher biologischer Achsen beschreiben: Ein Muster ist mit synaptischen Mechanismen verknüpft, also mit Prozessen, die für die Signalübertragung zwischen Nervenzellen zentral sind. Das Gegenstück ist stärker mit immunbezogenen Prozessen sowie mit Wegen verbunden, über die Zellen genetische Information in Proteine übersetzen, und damit mit genregulatorischen Veränderungen. Der methodische Clou liegt darin, dass die biologische Zuordnung nicht nur aus Korrelationswerten abgeleitet, sondern über Netzwerk- und Geninteraktionsannahmen gestützt wird.
Mit diesem „Signatur“-Gedanken gehen die Forschenden anschließend auf menschliche Daten über. Dafür wird eine große Sammlung von Ruhezustands-fMRTs ausgewertet: 940 Personen mit Autismusdiagnose und 1.036 neurotypische Teilnehmende. Die Altersspanne liegt bei 5 bis 30 Jahren, und die Scans stammen aus 38 unterschiedlichen Forschungseinrichtungen – ein wichtiger Punkt, weil Multi-Center-Daten anfällig für sogenannte Site-Effekte sind. Die Forschenden minimieren das Risiko, indem sie die Daten in ein Discovery-Set (78,5%) und ein Replication-Set (21,5%) aufteilen. Beide Subtypen zeigen sich in beiden Datensätzen stabil, und zusammen decken sie rund 25,1% der analysierten Autismusfälle ab.
Dieser Anteil ist wissenschaftlich wie praktisch relevant: Er zeigt, dass das Ergebnis nicht „das“ Spektrum auf zwei Kategorien reduziert, sondern vermutlich einen Teil der biologischen Heterogenität abbildet. Genau hier ist auch der Abgleich zu früheren fMRT-Befunden wichtig, die oft gemischte Ergebnisse lieferten, etwa je nach Studie reduzierte oder erhöhte Konnektivität fanden. Als Kontext kann man das mit etablierten Großdatenprojekten wie dem Autism Brain Imaging Data Exchange (ABIDE) oder ähnlichen Integrationsbemühungen vergleichen, bei denen unterschiedliche Preprocessing- und Modellierungsansätze zu variierenden Ergebnissen führen. Die neue Studie reagiert darauf, indem sie nicht jede Abweichung als Noise behandelt, sondern nach wiederholbaren biologischen Signalen sucht.
Auf Ebene der Hirnnetzwerke unterscheiden sich die Subtypen deutlich: Die Überkonnektivitätsgruppe zeigt massiv erhöhte Verbindungen zwischen tiefen, subkortikalen Bereichen und der äußeren Großhirnrinde (Kortex). Die Unterkonnektivitätsgruppe hingegen weist reduzierte Kopplungen in Netzwerken auf, die stark an der Verarbeitung von Sinnes- und Motorinformationen beteiligt sind. Ergänzend betrachten die Forschenden Verhaltensprofile über standardisierte Symptom-Scores; dabei tendiert die Überkonnektivitätsgruppe zu leicht höheren Werten in Bereichen der sozialen Kommunikation und Interaktion. Der Ansatz bleibt dabei vorsichtig: Die Autoren verweisen explizit darauf, dass klinische Ähnlichkeiten nicht automatisch identische biologische Mechanismen bedeuten.
Besonders überzeugend ist schließlich die „Cross-Species“-Verankerung über Genexpression. Die Forschenden mappen Expressionsdaten aus dem Menschen auf die im fMRT erkennbaren Konnektivitätsmuster und prüfen, ob die genetischen Signale zu den Maus-Ergebnissen passen. Für die unterkonnektiven Hirnareale finden sie eine starke Anreicherung für Gene, die mit synaptischer Funktion zusammenhängen; für die überkonnektiven Areale dominieren immunbezogene Genprogramme. In den Worten von Alessandro Gozzi wird die Kernbotschaft klar: „At least in part, it also reflects biologically distinct patterns in the way brain circuits communicate.“ Damit wird die Diagnose-Heterogenität zumindest teilweise in Mechanismen „übersetzt“, was für Folgeforschung entscheidend sein dürfte.
Aus Marktsicht lässt sich daraus vor allem eine Richtung ableiten, die auch in der KI-gestützten Medizinbranche zunehmend an Bedeutung gewinnt: statt Diagnosen nur über Symptome zuzuordnen, werden Subtypen über messbare Biomarker strukturiert. Für Unternehmen im Bereich Enterprise-Software, die medizinische Datenpipelines, Modell-Deployment oder klinische Studienunterstützung anbieten, erhöht das den Bedarf an reproduzierbaren Workflows für fMRT-Preprocessing, Modellvalidierung und Drift-Überwachung. Zugleich bleibt ein wichtiger regulatorischer Rahmen: fMRT-Daten sind hochsensibel, und jede Weiterverarbeitung muss Datenschutzanforderungen einhalten; außerdem sollte die Forschung weiterhin strikt zwischen Forschungsresultaten und klinischer Entscheidungsunterstützung trennen.
Der Ausblick der Studie ist entsprechend nüchtern und zugleich ambitioniert. Erstens betonen die Autorinnen und Autoren eine zentrale Limitation: Das Verfahren ist kein klinisches Diagnosetool, weil die Scans einer einzelnen Person derzeit nicht zuverlässig zur Steuerung klinischer Entscheidungen eingesetzt werden können. Zweitens adressieren sie, dass die beiden Subtypen nur etwa ein Viertel abdecken; es dürften weitere, feinere biologische Untergruppen existieren. Für die Zukunft planen sie, mit reichhaltigeren Maus- und Human-Datensätzen die „biologische Landkarte“ zu verfeinern und hypo- bzw. hyperkonnektive Muster physiologisch besser zu interpretieren. Drittens wird der nächste Engpass klar benannt: Human-Daten müssen stärker klinisch und verhaltensnah sein – einschließlich Kognition, sensorischer Profile, adaptiver Funktionen, Genetik und Krankheitsverlauf.
Im Kern verschiebt die Studie die Debatte von „Autismus ist heterogen“ hin zu „Autismus-Heterogenität könnte messbar biologisch strukturiert sein“. Das ist keine fertige Klassifikation, aber ein wertvoller Rahmen für personalisierte Forschung und potenziell spätere Therapiewege, wenn sich die Subtypen in größeren, noch besser kuratierten Kohorten bestätigen lassen. Für Forschende heißt das: bessere Datenintegration, robustere Modelle und eine sorgfältige Validierung über Einrichtungen hinweg. Für die Industrie heißt es: KI-gestützte Analyse ist nur dann wirklich nützlich, wenn sie reproduzierbar, auditierbar und datenschutzkonform bleibt – gerade bei bildbasierten Biomarkern, die zugleich wissenschaftlich und rechtlich besonders sensibel sind.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-gestützte Hirnnetzwerk-Subtypen bei Autismus: Zwei biologische Muster" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-gestützte Hirnnetzwerk-Subtypen bei Autismus: Zwei biologische Muster" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-gestützte Hirnnetzwerk-Subtypen bei Autismus: Zwei biologische Muster« bei Google Deutschland suchen, bei Bing oder Google News!