Ein neuartiges KI-Modell, entwickelt von Forschern der Universität St. Andrews, der Universität Kopenhagen und der Drexel University, kann degenerative Muster in neuronalen Netzwerken bei der Amyotrophischen Lateralsklerose (ALS) vorhersagen. Die Studie, veröffentlicht in Neurobiology of Disease, stellt einen bedeutenden Fortschritt dar, da sie computergestützte Modelle als ergänzende Methode zu herkömmlichen Tierversuchen und Zellkulturen etabliert. ALS, auch bekannt als Lou Gehrig-Krankheit oder Maladie de Charcot, ist eine fortschreitende Erkrankung des zentralen Nervensystems, die motorische Neuronen im Gehirn und Rückenmark schädigt. Weltweit betrifft sie etwa zwei Personen pro 100.000 pro Jahr; in Schottland sind jährlich rund 200 neue Fälle zu verzeichnen. Die Erkrankung beginnt meist im Rückenmark, was zu frühen Symptomen wie Muskelschwäche, Steifheit und Krämpfen führt. Traditionell wird ALS an genetisch veränderten Mäusen untersucht, deren Krankheitsverlauf beobachtet wird. Doch diese Methoden sind zeit- und kostenintensiv und beschränken sich auf wenige Zeitpunkte. KI-Modelle hingegen können den Verlauf zwischen diesen Punkten simulieren und erlauben es, gezielte Experimente mit einzeln veränderten Parametern durchzuführen – eine Präzision, die in Tierversuchen nicht möglich ist. Zudem können sie Vorhersagen über die Wirkung von Therapien auf neuronale Schaltkreise treffen und somit präklinische Studien gezielter gestalten. Die Forscher nutzten sogenannte „biologisch plausibel“ neuronale Netze, die sich von klassischen KI-Netzen unterscheiden. Diese kommunizieren nicht über kontinuierliche Signale, sondern durch sogenannte „Spikes“ – elektrische Impulse, die der Funktionsweise menschlicher Nervenzellen ähneln. Die Netzwerke basieren auf realen anatomischen und funktionellen Daten aus dem Rückenmark: Neuronen werden in Populationen gruppiert und nach biologisch belegten Verbindungen miteinander verknüpft. Die Dynamik wird durch mathematische Gleichungen beschrieben, die die Erregbarkeit jedes Neurons berechnen. Wenn ein Neuron einen Spike erhält, kann es selbst einen weitergeben – so entsteht ein informeller Informationsfluss. Im Modell simulieren die Forscher die Krankheitsprogression, indem sie Neuronen aus betroffenen Populationen entfernen und die Verbindungen zwischen ihnen reduzieren. Gleichzeitig testen sie therapeutische Strategien, etwa durch „Rettung“ von Neuronen oder Stärkung der Kommunikation. Ein Co-Autor, Beck Strohmer von der Universität Kopenhagen, betont, dass solche Modelle helfen, Hypothesen zu generieren, die anschließend in Tierversuchen validiert werden können. Tatsächlich bestätigte sich in Mäusen eine vorhergesagte Rettung einer bestimmten Neuronenpopulation – ein klares Zeichen dafür, dass die Modelle nützliche Anhaltspunkte liefern. Dr. Ilary Alodi von der Universität St. Andrews betont, dass solche KI-Modelle die Notwendigkeit von Tierversuchen nicht ersetzen, aber deren Effizienz steigern: Forscher können nun gezielter suchen, wo und wann Veränderungen auftreten. Die Methode eröffnet zudem neue Wege in der Forschung zu anderen neurodegenerativen Erkrankungen wie Demenz, wo das Team bereits erste Anwendungen testet. Diese Forschung zeigt, dass KI in der Neurologie mehr als nur ein Hilfsmittel ist – sie wird zu einem zentralen Werkzeug zur Hypothesenbildung, zur Optimierung von Experimenten und zur Beschleunigung der Entdeckung wirksamer Therapien.