Multi-Omics-Integration in der Humanbiom-Studien
Multi-Omics verbindet Daten zu Erbgut, Genaktivität, Proteinen und Stoffwechselprodukten. Wie die Integration funktioniert und warum sie so anspruchsvoll ist.
Von Desiree Kaminski · · aktualisiert Oktober 2026 · Lesezeit: 4 Minuten
Jede einzelne Messmethode der Mikrobiomforschung zeigt nur einen Ausschnitt. Die Sequenzierung des Erbguts verrät, welche Mikroorganismen vorhanden sind und welche Fähigkeiten sie besitzen. Ob diese Fähigkeiten genutzt werden, welche Proteine gebildet und welche Stoffe am Ende produziert werden, bleibt offen. Multi-Omics-Studien versuchen, diese Lücken zu schließen, indem sie mehrere Datenebenen an denselben Proben oder Personen erheben und gemeinsam auswerten.
Der Ansatz gilt als vielversprechend, um von reinen Bestandsaufnahmen zu einem Verständnis von Funktionen zu gelangen. Er ist aber methodisch anspruchsvoll, und die Ergebnisse sind nicht automatisch belastbarer als die einzelner Methoden.
Welche Datenebenen kombiniert werden
Die Bezeichnungen folgen dem Muster der molekularen Informationskette:
- Metagenomik: das gesamte Erbgut der Mikroorganismen, also wer vorhanden ist und welches genetische Potenzial besteht.
- Metatranskriptomik: die abgelesene RNA, also welche Gene zum Zeitpunkt der Probennahme aktiv sind.
- Metaproteomik: die tatsächlich gebildeten Proteine von Mikroben und Wirt.
- Metabolomik: die kleinen Moleküle, die als Stoffwechselprodukte entstehen.
Hinzu kommen häufig Daten des Menschen selbst, etwa genetische Varianten, Immunparameter, klinische Messwerte und Ernährungsangaben. Das Integrative Human Microbiome Project der US-amerikanischen National Institutes of Health hat solche Datenebenen unter anderem bei chronisch-entzündlichen Darmerkrankungen und in der Schwangerschaft über längere Zeiträume erhoben.
Wie Daten zusammengeführt werden
Die Integration ist der eigentliche Kern der Methode. Grob lassen sich drei Strategien unterscheiden:
| Strategie | Vorgehen | Typische Schwierigkeit |
|---|---|---|
| Korrelationsbasiert | paarweise Zusammenhänge zwischen Merkmalen verschiedener Ebenen | sehr viele Vergleiche, viele Zufallstreffer |
| Gemeinsame Faktormodelle | Suche nach übergeordneten Mustern, die mehrere Ebenen erklären | Muster sind oft schwer biologisch zu deuten |
| Netzwerk- und Wissensbasierte Modelle | Verknüpfung über bekannte Stoffwechselwege | abhängig von unvollständigen Datenbanken |
Zunehmend kommen auch Verfahren des maschinellen Lernens zum Einsatz, die aus allen Ebenen gleichzeitig Vorhersagen ableiten. Sie erfordern große Stichproben und eine Überprüfung in unabhängigen Datensätzen, um nicht nur Zufallsmuster zu reproduzieren.
Methodische Herausforderungen
Die Datenebenen unterscheiden sich grundlegend in ihrer Struktur. Sequenzierdaten sind Zählwerte mit vielen Nullen und liefern relative Anteile. Metabolomdaten sind kontinuierliche Intensitäten mit eigenen Messfehlern. Proteomdaten weisen fehlende Werte auf, wenn ein Protein unter der Nachweisgrenze liegt. Bevor solche Daten gemeinsam ausgewertet werden können, müssen sie aufwendig normalisiert und aufeinander abgestimmt werden.
Hinzu kommt das Verhältnis von Merkmalen zu Proben. Eine Studie mit einigen hundert Teilnehmenden kann zehntausende Gene, Proteine und Metaboliten messen. In dieser Situation lassen sich fast immer irgendwelche Zusammenhänge finden. Ohne strenge statistische Korrektur und Bestätigung in einer zweiten Kohorte bleiben sie vorläufig. Auch die zeitliche Abfolge ist relevant: RNA und Metaboliten verändern sich deutlich schneller als die Zusammensetzung der Gemeinschaft, sodass ein einzelner Messzeitpunkt nur eine Momentaufnahme darstellt.
Was Multi-Omics leisten kann – und was nicht
Gut gemachte Multi-Omics-Studien können Hypothesen darüber liefern, welche Mikroben welche Stoffe produzieren und wie diese mit Wirtsreaktionen zusammenhängen. Sie helfen, Beobachtungen aus einzelnen Datenebenen einzuordnen und gezielte Experimente zu planen.
Ursache-Wirkungs-Beziehungen belegen sie in der Regel nicht. Die meisten Multi-Omics-Studien am Menschen sind Beobachtungsstudien. Ob ein gefundener Zusammenhang kausal ist, muss mit anderen Mitteln geprüft werden, etwa durch Experimente mit kultivierten Stämmen, Tiermodelle oder kontrollierte Interventionsstudien. Für die individuelle Diagnostik spielen Multi-Omics-Profile des Mikrobioms in der Versorgung bislang keine Rolle.
Studiendesign: Längsschnitt statt Momentaufnahme
Weil sich die Datenebenen unterschiedlich schnell verändern, gewinnen Längsschnittstudien an Bedeutung. Dabei werden dieselben Personen über Wochen, Monate oder Jahre wiederholt untersucht. So lässt sich beobachten, ob eine Veränderung in der Mikrobengemeinschaft einer Veränderung im Stoffwechsel oder im Krankheitsverlauf vorausgeht oder folgt. Eine zeitliche Abfolge beweist zwar keine Ursache, liefert aber stärkere Hinweise als ein einzelner Messzeitpunkt.
Längsschnittdesigns bringen eigene Probleme mit sich: Proben müssen über lange Zeit einheitlich gesammelt und gelagert werden, Teilnehmende scheiden aus, und Messgeräte oder Protokolle können sich im Laufe eines Projekts ändern. Solche sogenannten Batch-Effekte lassen sich statistisch teilweise ausgleichen, sofern sie dokumentiert sind.
Ein weiterer Faktor ist die Reproduzierbarkeit. Da Multi-Omics-Auswertungen aus vielen Rechenschritten bestehen, lassen sich Ergebnisse nur nachvollziehen, wenn Rohdaten, Software-Versionen und Analyseskripte offengelegt werden. Viele große Projekte setzen deshalb auf öffentlich dokumentierte Auswertungsverfahren.
Schließlich ist die Größe der Stichprobe entscheidend. Da jede zusätzliche Datenebene die Zahl möglicher Zusammenhänge vervielfacht, benötigen Multi-Omics-Studien eigentlich mehr Teilnehmende als einfachere Untersuchungen – in der Praxis ist wegen der hohen Kosten oft das Gegenteil der Fall.
Häufige Fragen
Ist eine Multi-Omics-Studie automatisch hochwertiger?
Nein. Mehr Datenebenen bedeuten mehr Information, aber auch mehr Fehlerquellen. Entscheidend sind Studiendesign, Stichprobengröße und eine saubere Auswertung.
Warum stimmen Gen- und Proteindaten oft nicht überein?
Nicht jedes vorhandene Gen wird abgelesen, und nicht jede RNA wird in gleichem Maß zu Protein. Abweichungen sind biologisch erwartbar.
Sind die Daten öffentlich zugänglich?
Viele große Projekte stellen ihre Daten in öffentlichen Archiven bereit, damit andere Forschende Ergebnisse überprüfen und erweitern können.
Quellen
- National Institutes of Health: Integrative Human Microbiome Project (iHMP)
- STORMS-Checkliste zur Berichterstattung von Studien zum menschlichen Mikrobiom
- Metabolomics Standards Initiative (MSI) und HUPO Proteomics Standards Initiative: Berichtsstandards
- Übersichtsarbeiten zu Multi-Omics-Integration in Fachzeitschriften der Bioinformatik
Dieser Beitrag dient der allgemeinen Information und ersetzt keine ärztliche Untersuchung, Diagnose oder Behandlung.
Weiterführend
Krebs und Darmmikrobiom: Was eine Kohorte mit 1.364 Patienten zeigt
Eine Cell-Studie mit 1.364 Krebspatienten rechnet Begleiterkrankungen und andere Störfaktoren heraus. Was von den Mikrobiom-Signaturen bleibt und was der Befund zu 5-FU-Durchfall bedeutet.
· Lesezeit: 7 Minuten
Käse und Darmflora: Was Humanstudien wirklich zeigen
Käse und Darmflora kritisch gelesen: Was Humanstudien zu Milchprodukten, Fermentation, Mikrobiom-Markern und klinischer Relevanz wirklich zeigen können.
· Lesezeit: 6 Minuten
Rotes Fleisch und Darmgesundheit kritisch einordnen
Rotes Fleisch und Darmgesundheit: Was Humanstudien zu Mikrobiom, TMAO und Evidenz zeigen, wenn man Endpunkte und Studiendesign wirklich kritisch prüft.
· Lesezeit: 6 Minuten