Forscher der VIB und der KU Leuven haben mithilfe von Machine-Learning-Verfahren gezeigt, dass die Parkinson-Krankheit in zwei Haupttypen und fünf Untergruppen unterteilt werden kann. Die Studie, die in der Fachzeitschrift Nature Communications veröffentlicht wurde, liefert Erklärungen dafür, warum bisherige Behandlungen nicht bei allen Patienten wirken, und ebnet den Weg für personalisierte Therapien. Professor Patrik Verstreken betont, dass die Krankheit zwar klinisch als einheitliches Krankheitsbild erscheint, auf molekularer Ebene jedoch eine große biologische Vielfalt aufweist, die eine Einheitsbehandlung ausschließt. Bisher wurde Parkinson vor allem anhand seiner Symptome wie Bewegungsstörungen und neurologischem Abbau klassifiziert. Da jedoch Mutationen in vielen verschiedenen Genen zu dieser Krankheit führen können, unterscheiden sich die zugrundeliegenden biologischen Mechanismen stark. Diese Komplexität hat die Entwicklung wirksamer Medikamente erschwert, da Therapien, die auf einen bestimmten Mechanismus abzielen, bei Patienten mit anderen genetischen Ursachen oft wirkungslos bleiben. Das neue Forschungsprojekt organisiert diese genetisch unterschiedlichen Formen nun in klare molekulare Subtypen, was ein Umdenken notwendig macht: Parkinson sollte nicht als einzelne Erkrankung, sondern als Sammlung verwandter Zustände betrachtet werden. Im Gegensatz zu herkömmlichen Studien, die von spezifischen Hypothesen ausgingen, analysierten die Wissenschaftler die Verläufe von Fruchtfliegen-Modellen, die Mutationen in 24 verschiedenen Parkinson-relevanten Genen aufwiesen. Sie verzichteten bewusst auf Vorannahmen und nutzten unvoreingenommene computergestützte Methoden, um Muster im Verhalten der Tiere über die Zeit zu erkennen. Diese datengesteuerte Analyse deckte natürliche Gruppierungen auf, die mit traditionellen Methoden nicht sichtbar gewesen wären. Erstautorin Dr. Natalie Kaempf erklärt, dass sie ohne vorherige Vorstellungen an die Daten herangegangen sind, um die genetischen Mutationen rein nach ihren Auswirkungen zu kategorisieren. Das Ergebnis ist eine bisher unbekannte Struktur der Krankheit, die zeigt, wie unterschiedliche genetische Varianten von Natur aus in spezifische Untergruppen zusammenlaufen. Diese Methode demonstriert das Potenzial von Machine Learning, biologische Merkmale zu enthüllen, die für herkömmliche Forschungsansätze unsichtbar bleiben. Insbesondere konnte festgestellt werden, dass verschiedene Untergruppen unterschiedlich auf Medikamente reagieren. In Tiermodellen konnte die Parkinson-Phänotyp einer Untergruppe durch spezifische Verbindungen geheilt werden, während dieselben Medikamente bei einer anderen Untergruppe wirkungslos blieben. Dies bestätigt, dass zielgruppenspezifische Medikamente entwickelt werden müssen, um positive und spezifische Effekte zu erzielen. Diese Erkenntnisse haben direkte klinische Implikationen. Anstatt alle Patienten gleichermaßen zu behandeln, können Ärzte nun biomarkerbasierte Analysen innerhalb der spezifischen Mutationen durchführen und passende Wirkstoffe für jede Untergruppe entwickeln. Der vorgestellte Ansatz ist zudem übertragbar: Das Prinzip der unvoreingenommenen Klassifizierung könnte auch bei anderen Krankheiten angewendet werden, die durch Mutationen in verschiedenen Genen oder Umweltfaktoren verursacht werden. Damit markiert die Studie einen wichtigen Schritt weg von der Einheitsbehandlung hin zu einer präzisen Medizin, die die biologische Vielfalt der Patienten berücksichtigt.