Fast voranschreitende Fortschritte in der Krebsforschung führen zu einer stetig wachsenden Zahl von Therapien – fast 50 neue Behandlungsansätze werden jährlich zugelassen. Doch diese Entwicklung stellt Ärzte und Patienten vor eine neue Herausforderung: die Auswahl der optimalen Therapie für einen individuellen Tumor, der durch komplexe molekularbiologische Profile geprägt ist. Um dieses Problem anzugehen, hat Dr. Altuna Akalin vom Berlin Institute for Medical Systems Biology am Max-Delbrück-Centrum (MDC-BIMSB) gemeinsam mit seinem Team das KI-Tool Flexynesis entwickelt. Im Gegensatz zu klassischen Ansätzen nutzt Flexynesis tiefes Lernen, um gleichzeitig mehrere Datentypen zu analysieren: von Genom-, Transkriptom- und Proteomdaten (Multi-Omics) über medizinische Berichte bis hin zu Bilddaten wie CT- oder MRT-Aufnahmen. Dadurch ermöglicht es eine ganzheitliche, personalisierte Diagnose, Prognose und Therapieplanung. Im Fachjournal Nature Communications veröffentlicht, stellt Flexynesis eine modulare, flexibel einsetzbare Lösung dar, die über verschiedene Plattformen wie PyPI, Docker, Bioconda und Galaxy zugänglich ist – ein entscheidender Vorteil für die breite Anwendung in klinischen und forschungsbasierten Umgebungen. Ein zentrales Anliegen des Teams war die Lösung der Probleme bestehender KI-Methoden: Viele sind spezialisiert auf einzelne Aufgaben, schwer zu installieren oder nicht wiederverwendbar. Flexynesis adressiert dies durch eine offene, wiederverwendbare Architektur. Dr. Bora Uyar, Erstautor und Mitverfasser der Studie, betont, dass das Tool in translationalen Projekten bereits erfolgreich eingesetzt wird, um Biomarker zu identifizieren, die mit Krankheitsverläufen korrelieren. Besonders wertvoll ist Flexynesis bei der Identifikation des Primärtumors bei metastasierenden Tumoren unbekannter Herkunft – ein klinisch häufiges Problem. Zudem kann es helfen, wirksame Medikamente vorherzusagen und die Überlebenswahrscheinlichkeit des Patienten zu schätzen. Im Gegensatz zu Onconaut, einem bereits existierenden Tool von Akalin, das auf etablierten Biomarkern und Leitlinien basiert, erweitert Flexynesis die Analyse auf multimodale, nicht-konventionelle Datenquellen. Ein entscheidender Schritt zur klinischen Umsetzung ist die Vereinfachung des Zugangs: Flexynesis erfordert keine tiefen Kenntnisse im Bereich Künstliche Intelligenz. Die Plattform ist online verfügbar und mit detaillierten Anleitungen versehen, um auch Teams ohne AI-Experten in Kliniken und Forschungseinrichtungen zu unterstützen. Aktuell ist der Einsatz von Multi-Omics-Daten in deutschen Krankenhäusern noch nicht routinemäßig, während er in den USA bereits in Tumorkonferenzen üblich ist. Akalin hofft, dass Flexynesis diese Kluft schließen und die Integration komplexer Daten in die klinische Praxis beschleunigen wird – insbesondere in der personalisierten Onkologie. In der Branche wird Flexynesis als bahnbrechendes Werkzeug begrüßt. Experten schätzen die Kombination aus tiefem Lernen, Datenintegration und Benutzerfreundlichkeit als Meilenstein für die präzise Krebsmedizin. Die Möglichkeit, diverse Datenquellen nahtlos zu verknüpfen, könnte künftig die Grundlage für effizientere, individualisierte Therapien werden – nicht nur für seltene, sondern auch für häufige Krebsformen.