Können Ihre Gene Ihr psychisches Erkrankungsrisiko vorhersagen?
NeuroPenetrance macht aus Genexpressions- und iPSC-basierten Multiomics-Daten ein interpretierbares Risikosignal für psychiatrische und neuroentwicklungsbedingte Erkrankungen — fundiert durch validierte Forschung am Max-Delbrück-Centrum für Molekulare Medizin, Berlin.
Die Diagnose kommt meist, wenn der Schaden längst entstanden ist
Genetik spielt bei psychiatrischen und neuroentwicklungsbedingten Erkrankungen eine zentrale Rolle — doch das Vorliegen einer Risikovariante sagt Klinikerinnen und Klinikern kaum etwas darüber, ob und wie schwer eine Person tatsächlich erkranken wird. Dieses Phänomen heißt unvollständige Penetranz: Zwei Menschen mit identischer Mutation können völlig unterschiedliche Verläufe haben.
Neuroentwicklungsstörungen betreffen weltweit etwa 1 von 100 Menschen und kosten die EU jährlich über 250 Milliarden Euro. Dennoch fehlt Klinikerinnen, genetischen Beraterinnen und Arzneimittelentwicklern ein molekulares Werkzeug, das vorhersagt, welche Trägerinnen und Träger einer Variante tatsächlich betroffen sein werden — und klinische Studien für ZNS-Medikamente scheitern zu über 90 %, größtenteils weil sich Studienkohorten nicht nach biologischem Risiko stratifizieren lassen.
Stellen Sie es sich wie eine Wettervorhersage vor — für psychisches Erkrankungsrisiko
Eine Wettervorhersage behauptet nicht, dass es garantiert regnen wird. Sie liest die Signale in der Atmosphäre und liefert eine Wahrscheinlichkeit, nach der man handeln kann. NeuroPenetrance überträgt diese Logik auf die Biologie: Statt einer Ja-oder-Nein-Diagnose quantifiziert die Plattform das Risiko anhand molekularer Daten und liefert Klinikerinnen und Forschenden ein Signal, mit dem sich tatsächlich arbeiten lässt.
Biologische Daten
Gen- und Proteinexpression aus patientenabgeleiteten iPSC-Neuronen — RNA-Seq, Proteomik, ATAC-Seq.
ML-Pipeline
Klassifikatoren, trainiert auf Tausenden molekularer Merkmale, finden die Muster, die Vulnerabilität von Resilienz unterscheiden.
Risikosignal
Ein geordnetes, interpretierbares Penetranz-Risikoprofil — keine Black Box — für klinische oder pharmazeutische Anwendung.
Zwei Engines, ein Schwungrad
Ein Labordienst zur Profilerstellung und eine KI-Biomarker-Plattform — auf derselben wissenschaftlichen Grundlage aufgebaut und darauf ausgelegt, sich gegenseitig zu verstärken.
iPSC-Penetranz-Profiling-Service
Patientenabgeleitete hiPSC-Linien, differenziert zu krankheitsrelevanten neuronalen Subtypen nach im Hammes-Labor am MDC validierten Protokollen, profiliert mit umfassender Multiomics- und funktioneller Analytik.
- Penetranz-RisikoprofilQuantitative molekulare Signatur genetischer Vulnerabilität versus Resilienz.
- Bericht zur therapeutischen SensitivitätPharmakologische Modulationsdaten, die das Ansprechfenster einer Patientin oder eines Patienten bestimmen.
- Biomarker-PanelEin geordneter Satz molekularer Zielstrukturen für klinische Nachverfolgung oder Studieneinschluss.
PenetranSci-KI-Biomarker-Plattform
Eine SaaS-Oberfläche für Pharma- und Diagnostikpartner, basierend auf Klassifikatoren, die auf Multiomics-Daten trainiert wurden — sie macht die stärksten biologischen Prädiktoren für das Erkrankungsrisiko sichtbar, filterbar nach Signalweg, Zelltyp und Entwicklungsstadium.
- Interpretierbare ErgebnisseGeordnete Kandidaten-Biomarker statt eines unerklärten Scores.
- Kumulativer DatenvorteilJeder Engine-1-Auftrag verbessert die Modelle von Engine 2.
- Skalierbare BereitstellungWächst ohne proportional steigende Laborkosten.
Jeder Engine-1-Serviceauftrag erzeugt proprietäre Trainingsdaten, die die Vorhersagen von Engine 2 schärfen — was wiederum den Wert jedes neuen Serviceauftrags erhöht. Ein kumulativer Vorteil, den ein gewöhnliches iPSC-Auftragslabor oder eine akademische Core Facility nicht ohne Weiteres nachbilden kann.
Keine Pitch-Deck-Zahl — ein geprüftes Ergebnis
Bevor auch nur eine einzige proprietäre iPSC-Probe analysiert wird, ist die zentrale analytische Pipeline bereits vollständig aufgebaut und anhand öffentlicher Daten validiert.
Ko-Expressions-Clustering zeigte diese zwei gegenläufig korrelierten biologischen Blöcke — die Grundlage des oben gezeigten 10-Gen-Composite-Scores.
Alle fünf Hypothesen dieser Analyse wurden präregistriert, bevor die Daten angefasst wurden; zwei wurden ehrlich als verworfen berichtet. Derselbe Standard an transparenter, reproduzierbarer Methodik gilt für jeden proprietären Datensatz, den Engine 1 künftig erzeugt. Code und Methodik auf GitHub ansehen →
Warum Genetik, genetische Modifikatoren und Proteomik valide Risikosignale sind
Das ist keine neue Behauptung — es ist die Richtung, in die die publizierte Literatur bereits weist. Klicken Sie sich durch die Evidenzbasis hinter jeder Ebene der Plattform.
Genomweite Assoziationsstudien haben Tausende Varianten mit psychiatrischen Erkrankungen in Verbindung gebracht. Einzeln hat jede Variante nur einen geringen Effekt — aggregiert zu einem polygenen Risikoscore bilden sie jedoch ein reproduzierbares Signal, das bereits für Risikostratifizierung auf Forschungsniveau genutzt wird. Aktuelle Einschätzungen sehen die kurzfristige klinische Übertragung vor allem als Validierungs- und Kommunikationsherausforderung, nicht als wissenschaftliches Problem.
Das Vorliegen einer pathogenen Variante bedeutet nicht zwangsläufig, dass die Erkrankung ausbricht. Eine wachsende Zahl von Studien zeigt, dass genetische Modifikatoren — sekundäre Varianten, die die Wirkung einer primären Mutation verstärken oder abschwächen — zusammen mit epigenetischen und Umweltfaktoren ein wesentlicher Grund für unvollständige Penetranz bei neurogenetischen und neuroentwicklungsbedingten Erkrankungen sind. Genau diese Lücke soll NeuroPenetrance quantifizieren.
Keine klinische Leitlinie enthält derzeit einen bluteigenen Test für Depression — die Diagnose stützt sich weiterhin vollständig auf Symptominterviews. Proteomisches Profiling von Blut ist der aussichtsreichste Kandidat, um diese Lücke zu schließen: Ein Jahrzehnt an Studien hat reproduzierbare Kandidaten-Proteinsignaturen identifiziert, und Forschende sehen zunehmend die groß angelegte Validierung, nicht die Entdeckung, als verbleibende Hürde für den klinischen Einsatz.
Entwickelt für zwei Zielgruppen zugleich: Klinik und Forschung
Frühere Erkennung bedeutet frühere Behandlung — aber nur, wenn das Signal vertrauenswürdig genug für die Klinik und offen genug ist, damit ein Forschungslabor darauf aufbauen kann.
Von der Krisenreaktion zur präventiven Versorgung
Biologische Risikosignale Jahre vor dem Auftreten von Symptomen erkennenVerschiebt die Versorgung vor die durchschnittlich 10+ Jahre lange diagnostische Verzögerung.
Patientinnen und Patienten für NDD-Studien stratifizierenAdressiert eine der Hauptursachen für die über 90%ige Abbruchquote bei ZNS-Studien.
Familien bei der Diagnose eine echte Antwort gebenErsetzt ein „Wir wissen es nicht" durch ein quantifiziertes, evidenzbasiertes Risikosignal.
Interpretierbare Biologie statt einer weiteren Black Box
Geordnete, erklärbare BiomarkerJedes Ergebnis lässt sich auf konkrete Gene und Signalwege zurückführen — konzipiert für Publikation, nicht nur für Vorhersage.
Humanrelevante Modelle, wo Tierstudien an ihre Grenzen stoßeniPSC-abgeleitete Neuronen erfassen humanspezifische NDD-Variabilität, die Mausmodellen entgeht.
Funktionelle Daten, die reine DNA-Tests nicht erfassen könnenZeigt, wie sich eine Variante tatsächlich in einem lebenden neuronalen System verhält — einschließlich Modifikatorgenen.
Sehen Sie sich das Signal selbst an
Die Proof-of-Concept-Klassifikationspipeline ist Open Source und live einsehbar — trainiert und validiert auf dem oben beschriebenen öffentlichen GSE98793-Datensatz. Sie bildet den analytischen Kern, den Engine 2 künftig auf proprietäre, iPSC-abgeleitete Daten erweitern wird.
Open-Source-Proof-of-Concept · klinische Produktionsplattform in Entwicklung
Entstanden an der Schnittstelle von Labor und Datenanalyse
Nella Christie Delva, PhD
Gründerin — Neurowissenschaftlerin & DatenanalystinNellas Promotionsforschung befasste sich mit D1-Dopaminrezeptor-Signalwegen und der Regulation von Stimmung. Anschließend absolvierte sie ein Fulbright-Forschungsstipendium am Max-Delbrück-Centrum für Molekulare Medizin in Berlin, wo sie im Hammes-Labor praktisch mit iPSC-Kultivierung, Differenzierung, Immunhistochemie und Fluoreszenzmikroskopie arbeitete — die direkte wissenschaftliche Grundlage für Engine 1 von NeuroPenetrance. Die Machine-Learning-Pipeline von Engine 2 hat sie eigenständig aufgebaut und validiert, indem sie diesen Laborhintergrund mit einer formalen Ausbildung in Data Science (Python, SQL, Machine Learning) verband.
Dr. Annette Hammes
Akademische Mentorin — MDC BerlinGruppenleiterin, Molekulare Signalwege der kortikalen Entwicklung, am Max-Delbrück-Centrum für Molekulare Medizin. Das Labor von Dr. Hammes stellt die validierten hiPSC-Linien, Differenzierungsprotokolle und die Forschungsinfrastruktur bereit, die Engine 1 zugrunde liegen — als Sachleistung für NeuroPenetrance zugesagt.
Sprechen wir über ein Pilotprojekt oder eine Zusammenarbeit
- STANDORT
- Berlin, Deutschland
- PROOF OF CONCEPT
- neuropenetrance.streamlit.app
Nachricht senden
Dies öffnet eine vorausgefüllte E-Mail in Ihrem Mail-Programm — über diese Website werden keine Daten gespeichert oder gesendet.