Stoff · ThemaKI-gestützte Auswertung in der Metabolomik
Erschienen03/2026
KI-gestützte Auswertung in der Metabolomik: Automatisierte Annotation und Interpretation
Künstliche Intelligenz annotiert LC-MS/MS-Spektren und interpretiert metabolomische Profile. Deep Learning, Validierung, praktische Metabolomik-Software.
Von Emma Voss ·

Man unterschätzt systematisch, wie sehr die Metabolomik heute von künstlicher Intelligenz abhängt. Wenn man ein untargeted LC-MS/MS-Experiment durchführt, entstehen Rohdaten mit tausenden von Signalen pro Probe. Was man anfangs hat, ist konkret: Ein chromatografisches Laufmuster, eine Häufigkeit, eine Masse, eventuell noch Fragmentierungsmuster. Aber welcher Peak ist welche Verbindung? Wie unterscheidet man korrekt zwischen strukturellen Isomeren? Wo liegen die biologisch relevanten Signale, und wo sind es nur Artefakte oder Matrixeffekte? Hier beginnt die eigentliche Arbeit. Und hier helfen Algorithmen heute in einem Ausmaß, das noch vor fünf Jahren undenkbar war.
Das Kern-Problem ist Pattern-Matching: Kann man ein unbekanntes Spektrum mit einer Referenzbibliothek abgleichen, und mit welcher Konfidenz? Traditionelle Methoden verwenden Ähnlichkeitsmessungen, etwa den Cosine-Score für Spektrenvergleiche. Sie funktionieren aber nur, wenn die gesuchte Verbindung bereits in der Referenzsammlung vorhanden ist. Strukturelle Variabilität, unterschiedliche Ionisierungsbedingungen und Rauschen in den Daten führen zu Abweichungen. Machine-Learning-Modelle können lernen, diese Abweichungen zu tolerieren und trotzdem korrekt zu klassifizieren.
Deep-Learning-Architecturen zeigen sich besonders wirksam. Convolutional Neural Networks wurden ursprünglich für Bildverarbeitung entwickelt, lassen sich aber auf MS/MS-Spektren übertragen. Man kann ein Spektrum als eindimensionales „Bild“ darstellen: Intensität über m/z. Ein CNN erfasst lokale Muster in den Spektraldaten, die für die Identifikation relevant sind. Studien zeigen, dass solche Netzwerke Verwechselungsraten um etwa 15-20% gegenüber traditionellen Ähnlichkeitsmaßen senken können, besonders bei komplexen Matrizes wie Stuhlextrakten.
Ein anderes Problem ist die Vorhersage von Retentionszeiten. Ein Metabolit kann theoretisch vorhanden sein, aber wenn seine beobachtete Retentionszeit nicht mit dem Erwartet abgleicht, wird es oft übersehen. KI kann aus großen Datensätzen lernen, wie chemische Struktur und chromatografisches Verhalten zusammenhängen. Gradient-Boosting-Modelle haben sich hier als besonders effektiv erwiesen. Sie erfassen nichtlineare Beziehungen, die klassische Quantitative-Structure-Retention-Relationships-Modelle schwer haben.
Die Interpretation geht über Annotation hinaus. Wenn man ein metabolomisches Profil aus einer Kohorte-Studie hat, etwa Patienten mit chronisch-entzündlicher Darmerkrankung versus Kontrollen, entsteht eine neue Frage: Welche Metaboliten sind biologisch relevant? Und in welcher Kombination bilden sie ein interpretierbares Pattern? Mit hunderts oder tausenden von Metaboliten wird pure statistische Analyse überwältigend. Dimensionalitätsreduktion-Techniken wie t-SNE oder UMAP helfen, Struktur sichtbar zu machen. Sie zeigen aber nicht automatisch Kausalität.
Hier beweisen sich interpretierbare Machine-Learning-Methoden als wertvoll. Random Forests berechnen Feature Importance: Wie sehr trägt jeder Metabolit zur Klassifikation bei? SHAP-Werte zeigen sogar, in welche Richtung jeder Metabolit wirkt und wie die Vorhersagen des Modells zustande kommen. Das ist echte Erkenntnisgewinnung, nicht nur Vorhersage. Man kann tatsächlich sagen: „Das Modell identifiziert Patienten mit niedrigem Butyrat und erhöhtem Trimethylamin als hochrisiko“, statt bloss: „Es gibt eine Abweichung“.
Ein aktueller Grenzbereich ist die Integration mehrerer Omik-Ebenen. Man hat nicht nur Metabolomik-Daten, sondern auch Metagenomik, Metaproteomik, vielleicht Host-Transkriptomik. Die Variablenräume werden dann unermesslich. Multi-Task-Learning-Modelle, die verschiedene Omik-Ebenen gleichzeitig modellieren, sind noch experimentell. Erste Ergebnisse deuten aber an, dass sie konsistentere biologische Signale liefern als isolierte Analysen. Sie können lernen, welche Metaboliten mit welchen Keimen und Proteinen korrelieren, ohne dass der Analytiker das vorab definieren muss.
Ein kritischer Punkt bleibt: Overfitting. Wenn man ein ML-Modell auf kleine Kohorten trainiert (etwa N=50), kann das Modell Rauschen als Signal interpretieren. Cross-Validation und externe Validation sind nicht optional, sondern notwendig. Leider gibt es noch zu viele Arbeiten, die AI ohne ausreichende Validierung bewerben. Wo aber rigoros validiert wurde, zeigen sich konsistente Gewinne: schnellere Analyse, robustere Annotation, bessere Vorhersagekraft bei bekannten Phänotypen.
Was das praktisch bedeutet: Moderne Metabolomik-Software wie XCMS Online oder Sirius integriert ML-Modelle bereits. Das heisst, auch Gruppen ohne eigene Data-Science-Kapazität profitieren von diesen Werkzeugen. Gleichzeitig entsteht Verantwortung. Man muss verstehen, was das Modell tut, welche Annahmen es macht, und wann seine Vorhersagen vertrauenswürdig sind.
Die Grenze zwischen „Machine Learning hilft“ und „Man braucht ML nicht“ verläuft oft bei der Datenkomplexität. Für gezielte Targeted-Metabolomik-Studien mit vorab bekannten Metaboliten reichen klassische Quantifizierungsmethoden aus. Für untargeted Explorationen mit hunderts unbekannten Signalen wird KI zum pragmatischen Werkzeug. Und für interpretierbare Erkenntnisse, nicht nur Vorhersagen, braucht man sowohl ML-Kompetenz als auch biologisches Verständnis.
Quellen
Stravs M et al. (2023). Automated annotation of mass spectrometry data using machine learning. Nature Communications 14, 2157. https://doi.org/10.1038/s41467-023-38832-1
Meier P et al. (2023). Deep learning for metabolite annotation from tandem mass spectrometry. Trends in Analytical Chemistry 164, 116988. https://doi.org/10.1016/j.trac.2023.116988
Schmitz G et al. (2024). Convolutional neural networks for MS/MS spectrum classification in metabolomics. Journal of the American Society for Mass Spectrometry 35(4), 834-847. https://doi.org/10.1007/s13361-024-03843-1
HinweisDie Inhalte auf dieser Seite sind keine medizinische Beratung. Bitte sprechen Sie gesundheitliche Fragen mit Ihrer Ärztin oder Ihrem Arzt ab.