Biomarker und neue Mechanismen: Was Ergebnisse bedeuten – und was nicht

Ein Biomarker ist ein messbares biologisches Merkmal, das Informationen über einen Zustand liefern kann. Er kann zum Beispiel diagnostisch, prognostisch, mechanistisch oder zur Vorhersage eines Behandlungserfolgs eingesetzt werden.

Wichtiger als die Frage „Ist das ein Biomarker?“ ist deshalb: Wofür soll der Marker verwendet werden – und ist genau dieser Einsatz ausreichend geprüft?

Wenn ein Protein bei einer ME/CFS-Gruppe im Durchschnitt anders ist als bei gesunden Kontrollen, kann das biologisch interessant sein. Für einen Diagnosetest reicht ein Mittelwertunterschied aber nicht.

Die Werte einzelner Menschen können sich stark überlappen. Ein klinischer Test muss einzelne Personen ausreichend zuverlässig einordnen.

Sensitivität beschreibt vereinfacht, wie viele tatsächlich Erkrankte ein Test erkennt. Spezifität beschreibt, wie viele Menschen ohne die Erkrankung korrekt als nicht erkrankt erkannt werden.

Beide Werte hängen von der getesteten Population ab. Krankheitskontrollen – etwa Menschen mit Long COVID, Fibromyalgie, POTS oder anderen Ursachen chronischer Beschwerden – sind deshalb besonders wichtig.

Die AUC beschreibt vereinfacht, wie gut ein Modell zwei Gruppen über verschiedene Schwellenwerte hinweg unterscheiden kann. Eine AUC von 0,5 entspricht ungefähr Zufall, höhere Werte enthalten mehr Trenninformation.

Auch eine gute AUC sagt aber nicht automatisch, welcher Schwellenwert klinisch sinnvoll wäre oder wie das Modell in einer anderen Klinik funktioniert.

Ein Modell kann in denselben Daten entwickelt und getestet werden, auf einem abgetrennten Test-Datensatz oder in einer unabhängigen Kohorte. Besonders überzeugend wird es, wenn andere Labore und realistische Patientengruppen ähnliche Ergebnisse reproduzieren.

Bei einer Biomarker-Schlagzeile lohnt sich deshalb die Frage: Wer hat den Test in welcher Population unabhängig bestätigt?

Machine Learning kann in großen Omics-Daten Muster erkennen, die mit bloßem Auge nicht sichtbar wären.

Gleichzeitig kann ein Modell zufällige Besonderheiten der Entwicklungsdaten oder Unterschiede bei Alter, Medikamenten und Laborbedingungen lernen. Unabhängige Validierung ist deshalb entscheidend.

Eine cfRNA-Studie von 2025 berichtete für ein Modell im Test-Set eine AUC von 0,81 und 77 Prozent Accuracy. Das zeigt relevante biologische Information – aber noch keine perfekte individuelle Diagnose.

Andere epigenetische und proteomische Studien berichten ebenfalls vielversprechende Gruppenunterschiede oder Modellkennzahlen. Gerade kleine Stichproben, gesunde Kontrollen und studieninterne Validierung machen unabhängige Replikation aber besonders wichtig.