Fraunhofer-Institut für Integrierte Schaltungen IISWie individuell ist Krankheit wirklich – und was bedeutet das für ihre Behandlung? Die personalisierte Medizin geht genau dieser Frage nach: Sie versteht biologische Vielfalt als Schlüssel und verknüpft molekulare, bildgebende und klinische Daten zu individuellen Krankheitsprofilen. Zwei zentrale Technologien sind dabei Spatial Biology, die die räumliche Verteilung biologischer Moleküle im Gewebe sichtbar macht, und Multi Omics, die verschiedene molekulare Ebenen, wie Gene, Proteine und Stoffwechselprozesse, gemeinsam analysiert. Die Forschenden am Fraunhofer IIS haben dafür die Softwarelösung MIKAIA® entwickelt.
Personalisierte Medizin: Vom Durchschnitt zum Individuum
Personalisierte Medizin: Vom Durchschnitt zum Individuum
12. Juni 2026 | Biologische Vielfalt als Schlüssel
Gewebeprobe (TMA‑Kern) eines Patienten mit Kopf‑Hals‑Tumor (HNSCC) nach PD‑L1‑Immuntherapie, analysiert mit der MIKAIA®-App „FL Cell Analysis“. Rechts sind Zellannotation und -klassifikation dargestellt, links Auswertungen als Zell‑Scatterplot und Markerstatistik. Quelle: Max Delbrück Center.
Zwei Menschen erhalten dieselbe Diagnose, doch die Therapie wirkt nur bei einem von beiden. Solche Unterschiede spiegeln individuelle biologische Voraussetzungen wider – entsprechend individuell verlaufen auch Krankheiten. Die personalisierte Medizin zielt darauf ab, diese Unterschiede systematisch zu erfassen und für präzisere Therapieentscheidungen zu nutzen.
Am Fraunhofer IIS ist ein Forschungsschwerpunkt in der Abteilung Digital Health and Analytics, unterschiedliche Datenquellen und -typen systematisch miteinander zu verknüpfen. Bilddaten werden analysiert, in den Kontext bestehender Erkenntnisse eingeordnet und mit aktueller Literatur abgeglichen. Die eigens entwickelte, KI-gestützte Bildanalyse-Software MIKAIA® unterstützt Forschende dabei, komplexe Daten systematisch auszuwerten und zugänglich zu machen.
Besonders bei heterogenen Erkrankungen wie Krebs wird deutlich, wie wichtig dieser Ansatz ist: Tumoren bestehen aus unterschiedlichen Zelltypen mit komplexen Wechselwirkungen. Für die Wahl wirksamer Therapien reicht es oft nicht, die beteiligten Zellen und Moleküle im Körper zu kennen, sondern entscheidend ist auch ihr räumlicher Kontext.
Wenn räumliche Informationen den Unterschied machen
Um das Prinzip räumlich aufgelöster Analysen von Gewebe besser zu verstehen, hilft ein einfaches Bild: ein Supermarkt. Eine klassische Analyse, eine sogenannte Bulk-Sequenzierung, zeigt, welche Bestandteile insgesamt vorhanden sind – zum Beispiel Zucker, Fette oder Vitamine. Einzelzellanalysen gehen einen Schritt weiter und machen sichtbar, welche »Produkte« es gibt und woraus sie bestehen: viel Zucker und wenige Vitamine – Süßigkeiten – oder Wasser und viele Vitamine, wie bei Obst. Erst der räumliche Kontext liefert jedoch die entscheidende Differenzierung: ob etwas in der Süßwarenabteilung oder an der Obsttheke liegt.
Genauso ist es in der Biologie. Nicht nur das Vorhandensein von Zellen und Molekülen ist wichtig, sondern auch ihre räumliche Anordnung im Gewebe. Spatial Biology zeigt genau diese Strukturen, d.h. konkret wie Zellen im Gewebe organisiert sind, welche Nachbarschaften sie bilden und wie sie miteinander interagieren. Diese räumlichen Zusammenhänge sind oft entscheidend für Krankheitsverläufe und den Erfolg von Therapien.
Aus komplexen Daten wird verwertbares Wissen
Spatial Biology entfaltet ihr volles Potenzial im Zusammenspiel mit Multi-Omics: der integrierten Analyse verschiedener molekularer Ebenen – etwa Genaktivität (genomics), Proteinverteilung (proteomics) oder Stoffwechselprozesse (metabolomics). Erst in Kombination wird klar, wie diese Prozesse zusammenwirken und Krankheiten prägen.
Mit den Möglichkeiten von Spatial Biology und Multi Omics wächst auch die Datenkomplexität. Die digitale Pathologie erzeugt hochdimensionale, gigapixelgroße Bilder, die zahlreiche Marker, Millionen von Zellen und deren räumliche Beziehungen erfassen. Die Herausforderung besteht darin, daraus verlässliche und reproduzierbare Erkenntnisse abzuleiten, also relevante Muster in belastbare Aussagen zu überführen.
Hier setzt die Softwarelösung MIKAIA® des Fraunhofer IIS an: Sie unterstützt Life-Science-Forschende dabei, räumlich aufgelöste Omics-Daten systematisch auszuwerten, und hilft, komplexe Datensätze vergleichbar und zugänglich zu machen.
Räumliche Muster als Schlüssel zu besseren Therapien
Ein konkreter MIKAIA®-Anwendungsfall ist die Analyse von Immuntherapien in der Onkologie: Durch den Vergleich von Gewebeproben lässt sich erkennen, wie sich die räumliche Organisation von Immun- und Tumorzellen zwischen Patientinnen und Patienten unterscheidet, bei denen eine Therapie wirkt, und solchen, bei denen sie nicht anschlägt.
MIKAIA® ermöglicht es, solche Muster systematisch zu erfassen und über viele Proben hinweg zu vergleichen. So werden biologische Zusammenhänge hinter Therapieerfolg oder -resistenz sichtbar – eine zentrale Grundlage für präzisere, personalisiertere Behandlungsansätze.
Die Kombination aus Spatial Biology, Multi Omics und intelligenter Datenanalyse zeigt, worauf es in der Medizin der Zukunft ankommt: Daten im richtigen Kontext zu verstehen und in verwertbares Wissen zu überführen, das Patientinnen und Patienten konkret zugutekommt.