Ein Forscherteam unter der Leitung von Dr. Orly Alter an der University of Utah hat ein neuartiges, quanteninspiriertes KI- und ML-Framework entwickelt, das personalisierte Krebstherapien auf Basis des gesamten molekularen Profils von Patienten ermöglicht. Die im Fachjournal APL Quantum vorgestellte Methode adressiert das zentrale Problem konventioneller Deep-Learning-Ansätze: Diese benötigen für hochdimensionale genetische Datensätze enorme Trainingsmengen, die in klinischen Studien mit typischerweise zwanzig bis hundert Probanden schlicht nicht verfügbar sind. Die Forscher umgehen dies durch multidimensionale spektrale Zerlegungsverfahren, die auf den Quantenprinzipien der Verschränkung und Superposition basieren. Die Algorithmik zerlegt komplexe biologische Datenschichten wie Tumor- und Blutexome sowie Tumor-RNA-Transkripte in mathematisch verknüpfte Muster. Auch bei geringen Fallzahlen lassen sich so Millionen molekularer Merkmale effizient auswerten. Anhand offener Datensätze zu Neuroblastomen analysierten die Wissenschaftler rund sechs Millionen genomische Merkmale von siebzig Patienten. Dabei identifizierten sie zwei neue, vollständig interpretierbare Biomarker, die das Therapieansprechen und die Überlebenswahrscheinlichkeit präziser vorhersagen als etablierte Standardmarker. Die Validierung erfolgte sowohl retrospektiv an verschiedenen Krankenhausdaten als auch experimentell mittels CRISPR-Cas9 bei Glioblastom-Patienten. Da das Modell datenagnostisch ausgelegt ist, liefert es keine intransparenten Black-Box-Ergebnisse. Stattdessen weisen die Prädiktoren direkt auf zugrunde liegende Krankheitsmechanismen und konkrete Gen-Ziele hin, die Tumore empfindlicher für Wirkstoffe machen. Die kommerzielle Umsetzung erfolgt über die Spin-off-Firma Prism AI Therapeutics, Inc. Das Unternehmen nutzt die Frameworks bereits, um Pharmaunternehmen bei der Patientenselektion für klinische Studien zu unterstützen und gezielte Wirkstoffentwicklung zu beschleunigen. Langfristiges Ziel ist die Anwendung auf Einzelfall-Daten, was den ultimativen Schritt zur Präzisionsmedizin markieren würde. Neben biomedizinischen Anwendungen prüft das Team derzeit den Transfer der Algorithmen in andere Hochleistungsdatenbereiche, etwa im Energiesektor.