„Biologists are joining the big-data club“

… heißt es 2013 programmatisch in der Zeitschrift Nature (Marx 2013: 255) angesichts der wachsenden Datenmengen in der Molekularbiologie. Eine Graphik des Artikels zeigt eindrucksvoll den Anstieg der Datenflut von wenigen Terabytes im Jahr 2008 auf 20 Petabytes bis 2012, darunter zwei Petabytes an Genomdaten (Marx 2013; Lander et al. 2001; Gandomi & Haider 2015). Allein in GenBank, der weltweit größten Datenbank für Gensequenzdaten, wurden bis August 2016 über 218 Milliarden Basen und 196 Millionen Gensequenzen gespeichert.Footnote 1 Bezieht sich der Begriff Big Data in erster Linie auf die schiere Quantität der Daten, so gehen die wachsenden Datenmengen doch zunehmend mit einem Wandel der Forschungspraxis einher. Sie ermöglichen es, Wissenschaft rein in silico zu betreiben. Für die Molekularbiologie bedeutet dies, Genomdaten automatisiert zu generieren und rein rechnerisch zu analysieren. Dies bringt einen neuen Typ von Biologen hervor, „who get neither their feet nor their hands wet“ (Marx 2013: 260) und der dennoch immer mehr Daten und Informationen aus den bestehenden Genomdaten mit Hilfe avancierter Analysealgorithmen akkumuliert.

Diese Entwicklung hat das Interesse der Wissenschaftsforschung geweckt und umfangreiche Studien zu datengenerierenden Messmethoden wie den Genomsequenzierverfahren angeregt (Rabinow 1996; Kay 1988; García-Sancho 2012; Heather & Chain 2016), zur Datenpraxis im Umgang mit Datenbanken (Smith 1990; Leonelli 2012, 2014, 2016; Strasser 2012) sowie zur Nutzung von Analysealgorithmen und Simulationsmodellen zur Generierung von in silico Daten (O’Malley & Soyer 2012; Gramelsberger 2013). Der Wandel der Molekularbiologie vom Labor zum Computer ist jedoch nicht nur ein forschungspraktischer. Wie es in dem viel zitierten Artikel „The End of Theory“ von Chris Anderson heißt:

Petabytes [of data] allow us to say: “Correlation is enough”. We can stop looking for models. We can analyze the data without hypotheses about what it might show. We can throw the numbers into the biggest computing clusters the world has ever seen and let statistical algorithms find patterns where science cannot. (Anderson 2008)

Damit verspricht die Big Data-Revolution eine neue Form induktiver Wissenschaft, deren Paradebeispiel der Webservice Google Flu Trends (GFT) ist. GFT ermöglicht anhand der Häufigkeit bestimmter Suchbegriffe Rückschlüsse auf Grippeepidemien. Dazu wurden in mehreren hundert Billionen Suchanfragen zwischen 2003 und 2008 nach Mustern der Häufigkeit bestimmter Suchbegriffe verteilt nach Regionen gesucht, sodass Wahrscheinlichkeitsaussagen über eine mögliche Grippeinfizierung in einer Region zu einem bestimmten Zeitpunkt getroffen werden konnten. Nach eigenen Angaben der Google-Forscher wurden diese Aussagen anhand staatlich erhobener Grippedaten durch die US-Seuchenschutzbehörde Centers for Disease Control and Prevention (CDC) evaluiert und es zeigte sich: „Whereas traditional systems require l–2 weeks to gather and process surveillance data, our estimates are current each day“ (Ginsberg et al. 2009: 1014).

Doch was die Google-Forscher in Nature 2009 als Revolution der Big Data Analytics verkündet hatten (Ginsberg et al. 2009), erklärten David Lazer, Ryan Kennedy, Gary King und Alessandro Vespignani in ihrem 2014 erschienen Science Artikel „The Parable of Google Flu: Traps in Big Data Analysis“ zur Datenhybris. Eine Reihe von Fehlprognosen von GFT stellte den Big Data-Ansatz grundlegend in Frage. Die Datenhybris bestehe darin, so die Autoren, dass soziale Daten beliebige bis bizarre Korrelationen enthalten, beispielsweise hoch korrelierte Suchpaare wie „Grippe“ und „High School Basketball“. Das eigentliche Problem war jedoch das Overfitting des Ad-hoc-Vergleichs von 50 Millionen Suchbegriffen mit den Realdaten des CDC, um geeignete Vorhersagestrategien zu formulieren. „GFT developers, in fact, report weeding out seasonal search terms unrelated to the flu but strongly correlated to the CDC data, such as those regarding high school basketball. This should have been a warning that the big data were overfitting the small number of cases—a standard concern in data analysis“ (Lazer et al. 2014: 1203). So erstaunt es nicht, dass „even 3‑week-old CDC data do a better job of projecting current flu prevalence than GFT“ (Lazer et al. 2014: 1204).

Die Datenhybris von GFT macht zweierlei deutlich: Zum einen, dass Vorhersagestrategien auf Basis korrelierter Daten durchaus Theorien enthalten, die als Datenmodelle in die Algorithmen integriert sind. Zum anderen stellt sich die Frage, ob hier überhaupt von „Daten“ gesprochen werden kann. Denn im Unterschied zu den CDC-Daten, die aus der Statistik konkreter Arztbesuche und -diagnosen resultieren, sind die Daten der sozialen Medien kaum objektivierbar. Wie Declan Butler bereits 2013 mutmaßte: „The press reports [about GFT] may have triggered many flu-related searches by people who were not ill […] a glitch attributed to changes in people’s search behaviour“ (Butler 2013: 156). Andere Dienste zur Vorhersage von Grippewellen, die soziale Daten von Betreibern wie Twitter nutzen, haben das Problem, dass „most active Twitter users are young adults and so are not representative of the general public“ (Butler 2013: 156). Usergenerierte, informationsgeladene Daten sind tendenziös infiziert und wenig neutral. Forschung, die ihre Entdeckungen und Vorhersagen auf glitches, also Pannen, aufbaut, wäre jedoch der Horror jeder Naturwissenschaft.

Insbesondere letzterer Aspekt zeigt, dass der Begriff „Daten“ ontologisch indifferent verwendet wird. Vor diesem Hintergrund stellt sich die Frage nach möglichen Fallstricken der Molekularbiologie im Zeitalter von Big Data, die eine Datenhybris zur Folge haben könnten. Dies betrifft zum einen die Generierung von Genomdaten als Datengrundlage der Molekularbiologie, insofern DNA-Sequenzierer mit zunehmend komplexeren Assemblern ausgestattet sind, also Algorithmen, die die Sequenzierung vollständig automatisieren. Diese ermöglichen eine immer schnellere Sequenzierung und sind damit für den Anstieg der Datenflut seit 2008 maßgeblich verantwortlich. Dies betrifft zum anderen die Analysealgorithmen, die aus eben diesen Genomdaten durch avancierte Analysestrategien immer mehr funktionelle Gendaten aus derselben Datengrundlage generieren. Genomdatenbanken erweisen sich aufgrund ihrer endlosen Re-Interpretierbarkeit als unerschöpfliche, in silico Datenreservoire (Leonelli & Ankeny 2010; Garcia-Sancho 2012; Leonelli 2016). Doch bioinformatische Forschung, die maßgeblich auf die Re-Interpretierbarkeit dieser Datenreservoire ausgerichtet ist, propagiert neben ihren eigenen Interpretationsproblemen die der Datengrundlage mit. Da der Zweck von Assembler-Algorithmen wie den Analysealgorithmen in der automatisierten Generierung und Interpretation umfangreicher Datenmengen besteht, ist das grundlegende epistemische Problem der bioinformatisch geleiteten Forschung – wie Roger Staden, einer der führenden Programmierer der ersten Sequenzierprojekte – bereits 1979 anmerkte: „One of the problems of using computers is that once the data has been filed away in the machine its quality is often forgotten: any data in the machine is taken to be correct although originally doubts may have existed“ (Staden 1979: 2602).

Dieser Datenpositivismus ist Thema des vorliegenden Artikels. Um die epistemische Problematik nachvollziehen zu können, werden zunächst die Ursprünge der Automatisierung der DNA-Analyse in den 1980ern näher dargelegt. Die Geschichte der Gen-Sequenzierung, ihre wissenschaftlichen Medien sowie der durch den Computer induzierte epistemische Umbruch in der molekularbiologischen Forschung sind gut untersucht (Fox Keller 1995, 2000; Kay 1988, 2000; Rheinberger 2001b; Chadarevian 2002; Garćia-Sancho 2012).Footnote 2 Was jedoch fehlt, ist eine Analyse der informatischen Strategien, die den menschlichen Beobachter zunehmend automatisieren und gleichzeitig die Qualität der automatisierten Datengenerierung evaluieren. Denn aufgrund der vollständigen Automatisierung der DNA-Analyse stellt sich die berechtigte Frage, wie garantiert werden kann, dass die endlosen Reihen von As, Cs, Gs und Ts in den Datenbanken den tatsächlichen DNA-Sequenzen entsprechen. In der informatischen Antwort auf diese Frage liegt der Datenpositivismus und mit diesem eine mögliche Datenhybris begründet.

Automatisierung der DNA-Sequenzierung

Sanger-Methode der DNA-Sequenzierung

Zentral für die Geschichte der DNA-Sequenzierung sind die Forschungen des zweifachen Nobelpreisträgers Frederick Sanger (1918–2013), der in den 1970er Jahren mit der Kettenabbruchmethode das vorherrschende Verfahren der Sequenzierung entwickelte (Sanger et al. 1977; historisch rekonstruiert in Sanger 1988; Garcia-Sancho 2010). Die Idee, langkettige organische Moleküle (Polymere) nicht als Einheiten (Kolloide), sondern als Sequenzen einzelner und wiederkehrender Aminosäuren zu denken, verfolgte Sanger bereits in den 1940er Jahren, als er am Department of Biochemistry in Cambridge mit der analytisch-chemischen Erforschung von Insulin begann (Fruton 1972). Dabei verwendete er chemische Methoden, um einzelne Aminosäuren abzuspalten sowie chromatographische Methoden, um die Aminosäuren farblich sichtbar zu machen, und so die Sequenz von Insulin aufzuklären (Garcia-Sancho 2010: 11; Sanger 1949). Diese manuelle Aufklärung der Insulinstruktur gestaltete sich mühsam und dauerte bis Mitte der 1950er Jahre (Sanger 1959). Doch die aufwendigen Fragmentierungs- und Sortierungsstrategien – Auftrennen und chromatographisches Ordnen von Teilmolekülen nach Größen, biochemisches Markieren der Molekülenden sowie deren Sichtbarmachen durch Einfärbung – erlaubten es Sanger, dreißig Jahre später am Laboratory of Molecular Biology in Cambridge in modifizierter Weise DNA-Sequenzen zu bestimmen. Seine ersten Versuche waren dabei anfangs noch klassisch chemisch, doch dies änderte sich bald (Garcia-Sancho 2010; de Chadarevian 2002). Die Motivation lag in der materialen Problemstellung der Desoxyribonukleinsäure selbst begründet:

Small sequences could be obtained, but at that time there was no way of locating them in the chains. The main problem with DNA was the very large size: the smallest pure DNAs that were available were the genomes of the single-stranded bacteriophages (such as øX174, which will be referred to as øX) of about 5,000 nucleotides, and these were rather large for testing out methods. Another difficulty was the absence of suitable degradative enzymes. […] However, the methods were both slow and laborious, and it seemed that if we were really going to be able to attack the vast sequences of genetic materials, then an entirely new approach was needed (Sanger 1988: 20).

Diese neue Methode bestand in der differenzierten Forcierung des Sequenzabbruchs durch die Replizierung mit Hilfe von Enzymen (Polymerase nach Berg et al. 1963; Wu & Kaiser 1968) eines Einzelstranges der DNA anhand geeigneter, nukleotidspezifischer Abbruchkriterien. „It was possible to prepare a C-specific digest, and similar digests to split at other residues. […] The ribo-substitution method worked reasonably well and we were able to determine a sequence of about 80 nucleotides“ (Sanger 1988: 21). Die Ergebnisse wurden – und auch das war neu – durch Gel-Elektrophorese nach Größen separiert und durch radioaktive Markierung sichtbar gemacht. Durch die Gel-Elektrophorese wurde es möglich, Sequenzen von dreihundert Basenpaaren zu analysieren. Die Aufteilung in horizontale Linien sowie in vertikale Spalten für je ein Nukleotid (G, C, A, T) auf der Gelplatte machte den genetischen Code direkt ablesbar (vgl. Originalabbildung in Sanger et al. 1977) – ein Gelbild repräsentierte dabei ein klassisches Tabellenformat, das sich als Paradigma der Tabellierung in der relationalen Architektur der Datenbanken jener Jahre wiederfand (Codd 1970; Krajewski 2007).

Automatisierung der DNA-Sequenzierung

Das Ablesen der sich überlappenden Balken auf den Gelplatten mit dem bloßen Auge ermöglichte den Transfer der materiellen Informationen der Abfolge der vier Nukleotide in den semiotischen Raum des genetischen Codes von Buchstabenfolgen. An eben dieser Stelle setzte die Automatisierung der Datengenerierung ein. Doch es war nicht Sanger, sondern eine Gruppe von Caltech-Forschern um Leroy Hood, die Ende der 1970er Jahre die tabellarische Darstellung auf der zweidimensionalen Fläche der Gelplatten durch Aneinanderreihung der Balken linearisierten, jedes Nukleotid mit Fluoreszenzmethoden eigens farbkodierten und damit die datendifferenziellen Voraussetzungen schafften, die Sequenzen mit einem Laser einzulesen (Garcia-Sancho 2010). Was jedoch eingelesen wurde, waren nicht die überlappenden Balken als optisches Muster, wie es die Forscher mit bloßem Auge taten, sondern die durch den Laser angeregte Rückstrahlung der Farbkodierungen (signal peaks).Footnote 3 Messtechnisch bedeutete die Automatisierung der Sequenzierung folgendes: Zuerst wurden die DNA-Fragmente in einer Gelspur mit vier fluoreszierenden Färbemitteln gekennzeichnet; dann wurden mehrere DNA-Vorlagen des selben Genoms zu Vergleichszwecken in separaten Gelspuren angeordnet; schließlich wurden die fluoreszierendes Färbemittel durch einen Laser angeregt und dann die Emissionsintensität der Lasersignale auf vier Wellenlängen gemessen: „The laser and detectors scan the bottom of the gel continuously during electrophoresis in order to build a gel image in which each lane has a ladder-like pattern of bands of four different colors, each band corresponding to the fragments of a particular length“ (Ewing et al. 1998: 175). Das Resultat war ein Messbild der DNA-Sequenzen in Form eines Gelbildes (vgl. Originalabbildung in Smith et al. 1986).

Doch dies war nicht das Ende, denn nun erst erfolgte die Computeranalyse des Messbildes, das heißt das messtechnische Gelbild wurde in mehreren Schritten in eine Chromatogramm-Datei umgewandelt: Zuerst wurden die Gelspuren voneinander separiert; dann wurde jedes Signals über sein Spurbreite summiert und daraus die „Spurdaten“ (trace data) generiert, die durch gängige Signalverarbeitungsmethoden gefiltert und geglättet wurden; und schließlich wurde das so genannte base-calling mit Hilfe eines Algorithmus durchgeführt, der die Spurdaten in Basensequenzen übersetzte. Das Resultat war eine symbolische Darstellung der DNA-Sequenzen in Form eines Gel-Reads des DNA-Fragments.

Auch wenn die Auflösungsrate der Digitalisierung zu dieser Zeit erstaunlich gering war – „Typically, 8,000 points were taken for each of the four filter positions (total of 32,000 points) in a 13-h run; this rate of data acquisition gives 40 or more data points per DNA peak“ (Smith et al. 1986: 676) –, so war der Automatisierungsschritt von der unmittelbaren, visuellen zur mittelbaren, signalverarbeitenden Datengenerierung nicht nur ein medientechnischer, sondern hatte epistemische Folgen. Dies zeigte sich auch an anderen Experimentaltechnologien. So beschreibt etwa Hans-Jörg Rheinberger (2001b) diesen Übergang für die Flüssigkeitsszintillation in den 1940er Jahren. Dabei handelte es sich um ein Messverfahren der Biologen, bei dem die durch die radioaktive α‑Strahlung des Poloniums verursachten Lichtblitze gezählt wurden. Das Delegieren der Beobachtung an einen photoelektrischen Schaltkreis (Photomultiplier) sorgte dabei nicht nur für eine erste Flut an Daten, sondern hatte auch Folgen für die Experimentalkultur der Biologie, denn es ermöglichte, Experimentreihen automatisiert durchzuführen und so durch die Vergleichbarkeit der Daten deren Aussagegehalt zu verbessern. Die ersten DNA-Sequenzierer waren Ende der 1980er Jahre zwar noch weit entfernt von den „serial counts involving hundreds of samples“ der Flüssigkeitsszintillation (Rheinberger 2001a: 158), doch dies änderte sich Anfang der 1990er Jahre mit der Miniaturisierung der Detektion durch die Kapillarelektrophorese. Damit wurde es möglich, bis zu 96 Proben parallel zu sequenzieren. Diese erste Generation der automatisierten Sequenzierer konnte DNA-Fragmente (Reads) bis zu 1000 Basen (1 Kilobase) handhaben und erzeugte pro Gerät täglich etwa 384 Kilobasen an Sequenzdaten. Gensequenzierung mit dieser ersten Generation DNA-Sequenzierer war aufwendig und teuer und wurde ausschließlich in den wenigen, sich konstituierenden Sequenzier-Zentren durchgeführt.

Informatische Strategien im Kontext der DNA-Sequenzierung

Shotgun-Methode

Eine Auflösung von tausend Basenpaaren war angesichts der immensen Länge der DNA-Sequenz eines Genoms nicht viel und dokumentierte das bereits von Sanger artikulierte Diskretisierungsproblem als „eternal one of fragmentation“ (Sanger 1988: 20) – sowohl materiell als auch informationell: „Although DNA fragments larger than about 1.000 bp cannot always be stably inserted into the single-stranded phage vectors such as M13mp2, insertions greater than 350 bp in length are desirable in order to take full advantage of the resolving power of DNA sequencing gels“ (Anderson 1981: 3015–3016). Wie sollten unter diesen Umständen die 4,6 Millionen Basenpaare des Escherichia coli Genoms, die 13 Millionen Basenpaare des Hefe-Genoms oder die 3 Milliarden Basenpaare des menschlichen Genoms entschlüsselt werden? Die Antwort lieferte der Computer. Bereits die Dekodierung des Bacteriophagen øX174 hatte die Nutzung von Micro-Computern zur Datenauswertung erfordert (Staden 1979; Anderson 1981).Footnote 4

The whole of the DNA to be sequenced is shotgunnedFootnote 5 into a suitable vector and cloned. Ideally the cloned fragments would be of at least 200 bases in length. The clones are then sequenced [by hand] and the computer used to collate the data. Collation involves searching for overlaps in the data. If the 5’ end of the sequence from one gel reading is the same as the 3’ end of the sequence from another the data is said to overlap. If the overlap is of sufficient length to distinguish it from being a repeat in the sequence the two sequences must be contiguous. The data from the two gel readings can then be joined to form one longer continuous sequence. To facilitate the search for overlaps all sequences derived from previous gel readings are stored in one master file. All new gel readings and their complements are compared with the sequences in the master file. Any sequences involved in overlaps are joined and new data is added into the Master file (Staden 1979: 2601–2602).

Bis zu 18.000 Nuklotide waren auf diese Weise Ende der 1970er Jahre mit Micro-Computern analysierbar. Die Shotgun-Methode schredderte im wahrsten Sinne des Wortes die zahlreichen Kopien der DNA-Vorlage in beliebige, kleine, sich überlappende Fragmente (Randomisieren). Aus den Überlappungen der Fragmente musste die ursprüngliche DNA-Abfolge der Sequenz rückgeschlossen werden (Rekombinieren). Dies erforderte umfangreiche Sequenzierungen für eine ausreichende Abdeckungsrate (Replizieren) des zu untersuchenden Genoms sowie die Analyse großer Datenmengen. Erschwerend kam jedoch hinzu, dass hohe Sequenzwiederholungsraten – im menschlichen Genom gut 50 Prozent, in Bakteriengenomen nur 1,5 Prozent – die Puzzlearbeit komplex gestalteten. Mit der Shotgun-Methode wurde zwar die Sequenzierung des menschlichen Genoms möglich, doch es liegt auf der Hand, dass dies nur durch den Wechsel vom menschlichen Experimentator zum Computer möglich wurde. Denn die neue Methode ersetzte die an der menschlichen Beobachtung ausgerichteten Strategien des Fragmentierens, Linearisierens und Sortierens durch bioinformatische Strategien des Replizierens, Randomisierens und Rekombinierens.

Automatisierung des Beobachters

Führend in der frühen Entwicklung von Computerprogrammen der Molekularbiologie war Roger Staden, der als Programmierer seit den späten 1970er Jahren eng mit Frederick Sanger am Laboratory of Molecular Biology in Cambridge zusammenarbeitete. Die frühen Computerprogramme von Staden – OVERLAP, XMATCH, FILINS – ähnelten dabei noch sehr der klassischen Papierarbeit mit Labortagebüchern, obwohl sich die Biologen zunehmend in „Operatoren“ transformierten. Gel-Reads mussten manuell als Buchstabenfolge eingegeben, Übereinstimmungen aktiv vom Operator erfragt, Unsicherheiten in der Dekodierung per Hand definiert und die Zusammenfügung der Sequenzen initialisiert werden. „Note: it is often necessary to refer back to the experimental data to make these editing decisions“ (Staden 1979: 2609). Da die Automatisierung der Gelbilder in Gel-Reads fehlerbehaftet war, musste die Datenqualität per Auge überprüft werden. Dazu entwickelte Staden Ende der 1970er Jahre einen uncertainty code, der Aussagen über mögliche Fehlinterpretationen als Einträge in eine Computerdatei erlaubte (Tab. 1).

Tab. 1 Uncertainty Code (nach Staden 1982: 4735)
Full size table

Auf Basis dieses manuell einzupflegenden uncertainty code generierte das Programm einen confidence value (Konfidenzwert). Dieser Wert gab Auskunft über die Datenqualität, in welcher die Anzahl der Sequenzierungen pro Sequenz (Abdeckung) sowie der jeweilige uncertainty code einging. Aus diesen Konfidenzwerten ließen sich dann Bewertungen berechnen. „Well determined“ entsprach dabei allen Werten gleich oder größer 75 Prozent Genauigkeit und daraus ergab sich eine Klassifikation der Datengenauigkeit:

  1. 1.

    Well determined on both strands and they agree. code = 0;

  2. 2.

    Well determined on the plus strand only. code = 1

  3. 3.

    Well determined on the minus strand only. code = 2

  4. 4.

    Not well determined on either strand. code = 3

  5. 5.

    Well determined on both strands but they disagree. code = 4 (Staden 1982: 4740).

Kurze Zeit später führte Staden für die Analyse der DNA-Daten die grundlegenden informatischen Konzepte der „Contigs“ (kurze Gel-Reads) und der „Konsensussequenz“ ein (1982).Footnote 6 Eine Konsensussequenz ist die durch Überlappung der Contigs automatisch generierte Sequenz, in deren Berechnung die Bewertungen der Konfidenzwerte eingeht. Mit dieser statistischen Darstellung der DNA-Sequenzen wurde es möglich, neu entschlüsselte Sequenzen quantitativ mit bereits bekannten Konsensussequenz zu vergleichen (Alignment). Ein Verfahren, das bis heute die Genomforschung charakterisiert.

Eliminierung des Beobachters

Noch wurden Datenlücken in der Sequenzierung materiell geschlossen (Anderson 1981: 3020), doch dies änderte sich in den darauffolgenden Jahren durch die Automatisierung jeglicher editing decision durch Algorithmen. Denn der Engpass in der Automatisierung der Datenanalyse war die visuelle Überprüfung der Gel-Reads. Der in der Einleitung skizzierte Datenpositivismus hat hier seinen Ursprung. Die Frage, welche Aussagekraft nach diesem Wechsel von den Gelplatten und Gelfilmen zu den „trace representations of the band intensities“ (Dear & Staden 1972: 107) deren automatisierte Interpretation der Basensequenzen hatte, beschäftigte die Programmierer in den 1980ern und 1990er Jahren. In einem ersten Schritt definierte Staden mit seinem Kollegen Simon Dear ein „machine independent format for storing data derived from automatic sequencing instruments“ (Dear & Staden 1992: 107) für die prozessierten Tracedaten (Standard Chromatogram Format, SCF). Das SCF-Format wurde im Kontext von John Sulstons et al. C. elegangs Sequenzierungsprojekt entwickelt (Chadarevian 2002), das mit den ersten kommerziellen Sequenzieren arbeitete (ABI 373A und Pharmacia A.L.F.). SCF definierte Angaben, wie die Daten in einer Chromatogram-Datei aussehen sollten und welchen Konfidenzwert diese besitzen. In einem weiteren Schritt entwickelten beide für die C. elegangs-Sequenzierung ein Computerprogramm, das es den Forschern in den uneditierten Maschinendaten erlaubte, „to visually select left and right cutoff positions to denote the start and end of good data“ (Dear & Staden 1991: 3908).

Dieses Programm markierte den Übergang von der manuellen Evaluation der Gel-Reads anhand des uncertainty code zu einem computergestützten Verfahren. Noch weiter ging der kurz darauf entwickelte Consensus-Algorithmus von Staden und James Bonfield, insofern es sich um eine Software handelte, „to decide if conflicts between readings require human expertise to help adjudicate. […] so the time taken to check and edit a contig will be greatly reduced“ (Staden & Bonfield 1995: 1406). Damit verschob sich die angesprochene menschliche Expertise endgültig von der visuellen Kontrolle der Gelplatten anhand des uncertainty code auf die Kontrolle der codierten Sequenzen in den Dateien – allein durch den Befehl „next problem“ geleitet. Die epistemische Akteurialität bezüglich der Genauigkeit der Daten wurde damit komplett an die Software delegiert: Nicht der Forscher, sondern die Software „marks the changed character as having been edited by hand“ (Staden & Bonfield 1995: 1407). Schließlich erlaubten die Estimating Sequence Quality Methode von Bary Churchill und Michael Waterman (1992) sowie der Phred Quality Score von Brent Ewings und Phillip Green, „that human involvement in sequence data processing be […] eliminated“ (Ewing et al. 1998). Die visuelle Überprüfung wurde durch den statistischen Begriff der Genauigkeitsrelevanz ersetzt.

We take the term accuracy to mean the probability that a given DNA base or sequence of bases in a finished sequence is identical to the corresponding base in the actual DNA molecule. We assume implicitly that there is a single true sequence and not a population of sequences being studied. The problems of errors that occur at the DNA preparation or cloning stages and of errors in data transcription are not addressed here. Systematic errors that occur in sequence determination are also beyond the current scope of these methods. Thus, the statistics described represent a bound on sequence accuracy (Churchill & Waterman 1992: 90).

Datenpositivismus – Big Data-Revolution oder Datenhybris?

Der Begriff des Datenpositivismus ist, in Anlehnung an Stadens eingangs zitierte Bemerkung von 1979, als informatisch registrierte, symbolische Markierung definiert (Datum), deren Existenz den Umstand ihrer Wahrscheinlichkeit verschleiert. Oder in anderen Worten: Was in Stadens uncertainty code noch eindeutig als „probably“ und „possibly“ definiert war, „to code for, and hence keep track of all types of uncertainty in the data“ (Staden 1979: 2602; Tab. 1), wird zu einer Gesamtaussage wie „well determined“, auf deren statistischer Relevanz (>75 %) als Datengrundlage datenanalytisch operiert wird, als ob diese eindeutig gegeben wäre. Diese statistische Datenbewertung ist für numerische Messwerte in Form von Fehlerunsicherheiten gang und gäbe, sie erhält aber im Kontext der Basensequenzen, die eine und nur eine automatisierte Übersetzung der messtechnischen Spurdaten in einen der vier Buchstaben der Nukleobasen nach Wahrscheinlichkeitsabschätzungen vornehmen, ein andere Bedeutung: am Ende steht ein konkreter Buchstabe.Footnote 7 Diese vermeintliche Exaktheit ist aus verschiedenen Gründen problematisch: Zum einen, weil bioinformatische Entdeckungen maßgeblich vom Vergleich mit bestehenden Konsensussequenzen und Referenzdatensätzen (Alignment) abhängen und deren Validierung alles andere als einfach und eindeutig ist. Zum zweiten, weil aktuelle Assembler-Algorithmen aus informatischen Gründen hohe Anforderungen an die Durchsatzraten der Sequenzierer stellen. Zum dritten, weil neue und schnellere Sequenzierergenerationen noch fehlerbehafteter sind als die Sanger-Methode. Dies zusammengenommen legt die Frage nahe, ob der Datenpositivismus der Molekularbiologie zu einer Big Data-Revolution führt oder ob sich hier nicht eine Datenhybris ankündigt.

Validierung von Genomdaten

„The future of human population genetics is […] rosy,“ konstatierten 2015 Ewan Birney und Nicole Soranzo und bezogen sich dabei auf den Abschluss des 1.000-Genom-Projekts (Birney & Soranzo 2015: 53). Dieses internationale Projekt (2008 bis 2015) – Nachfolger des Humangenomprojekts (HPG, 1990 bis 2004) und des Sequenzierprojekts ENCODE (2003 bis 2012) – sammelte und sequenzierte Genome von verschiedenen Populationen weltweit, um eine Karte der menschlichen Genomvariationen zu erstellen, mit dem ambitioniertem Ziel: „Measurement of human DNA variation is an essential prerequisite for carrying out human genetics research. The 1000 Genomes Project represents a step towards a complete description of polymorphic human DNA sequence variation“ (1000 Genomes Project Consortium 2010: 1070; International HapMap Consortium 2013). In der Pilotphase wurden dafür insgesamt 4,9 Terabasen als Datengrundlage generiert. Entdeckungen wurden im 1.000-Genom-Projekt rein rechnerisch durch den Vergleich mit dem Datensatz des Referenzgenoms NCBI36 erzielt. Der Realitätsgehalt dieser Entdeckungen steht und fällt daher mit der Güte des NCBI36-Referenzgenomdatensatzes.

NCBI36 ist die Endversion des menschlichen Genoms (International Human Genome Sequencing Consortium 2004), die 2004 in Nature veröffentlicht wurde und nach Aussage der maßgeblichen Sequenzierer eine aufwendige Prozedur des Qualitätschecks durchlaufen hat, um zukünftig als Referenzdatensatz zu fungieren (Schmutz et al. 2004). Aus dieser Evaluation resultierte das Label einer 99,99-prozentigen Genauigkeit (Phred quality score 40) gemäß dem 1997 vom International Human Genome Consortium etablierten „Bermuda-Standard“. Doch dieser Standard verlangt lediglich die Veröffentlichung der Sequenzen, eine 99,99-prozentige Genauigkeit sowie die Vollständigkeit der Sequenzen. Wie dies in der Praxis erzielt werden soll, legen die Richtlinien des International Human Genome Consortium fest (2001). In ihrer Evaluationsstudie beschreiben Jeremy Schmutz, Jeremy Wheeler und Jane Grimwood wie sich die Genauigkeit für den Referenzgenomdatensatz NCBI36 definierte: „Compliance with the base-pair (bp) accuracy standard was measured by error probability assessments generated by DNA base-calling software and by examining discrepancies between overlapping clone sequences“ (Schmutz et al. 2004: 365). Ohne Referenzdatensatz – „more than 2.8 billion base pairs of unique finished sequence has been generated“ (Schmutz et al. 2004: 365) – gestaltete sich die Validierung schwierig. Daher wurde zum einen eine rein computer-basierte Qualitätsanalyse durchgeführt, indem die ursprünglichen Spurdaten (Gelbilder) neu analysiert wurden. Zum anderen wurde ein Goldstandard definiert, wofür 34 Megabasen des NCBI36-Datensatzes ausgewählt und aufwendig neu sequenziert wurden. Das Fazit lautete: „Our analysis indicates that all of the sequencing centres surveyed met the standards for 99.99 % accuracy over the time period studied.“ (Schmutz et al. 2004: 366) Doch der Vergleich der 34 Megabasen des NCBI36-Datensatzes mit den biologischen Vorlagen konnte nur über die automatisiert generierten und prozessierten Daten erfolgen. Dennoch wird dadurch eine 99,99-prozentige Übereinstimmung der Spurdaten mit den empirischen Daten suggeriert.

Fragt man, worauf sich dieses Vertrauen begründet, dann ist dies der Phred Standard für die base-calling Algorithmen der Sequenziermaschinen. Zur Erinnerung: base-calling ist die vierte und letzte Phase der Computeranalyse der Sequenzierung, in der die Spurdaten in eine Abfolge von (wahrscheinlichen) Basensymbolen übersetzt werden. Der Phred Quality Score wurde 1998 von Ewing und Green definiert, indem sie ihren base-calling Algorithmus mit dem des kommerziellen Anbieters Applied Biosystems für deren ABI PRISM Sequenzer verglichen (ABI 1996). Applied Biosystems war der erste kommerzielle Anbieter eines Sequenzierers und entstand als Ausgründung der erwähnten Caltech-Forschergruppe um Leroy Hood Mitte der 1970er Jahre (Chow-White & Garcia-Sancho 2012: 134–136). Der ABI base-calling Algorithmus ging dabei maßgeblich auf die Software der ersten Sequenzier-Maschine zurück (Connell et al. 1987). In den Worten von Ewing, LaDeana Hillier, Michael C. Wendl und Phil Green: „That software achieves impressive accuracy and remains the standard against which other methods must be judged“ (1998: 176). Die Methode des Phred base-calling Algorithmus bestand aus folgenden Schritten: Zuerst wurde mathematisch, mit der Fourier-Methode ein idealisiertes Lasersignal für alle vier Basensignale generiert (synthetic trace respektive predicted peak), das jedoch dieselbe Lokalisierung wie die tatsächlichen Messsignale hatte; dann wurde das tatsächliche Signal gemessen (observed peak) und mit dem idealisierten Signal verglichen. „Peak matching consists of assigning an observed peak to each predicted peak. This is the most complex part of the base-calling procedure“ (Ewing et al. 1998: 178). Abschließend wurde versucht, fehlende Signale aufzufinden. Die Genauigkeit des Algorithmus konnte dann,

easily measured by aligning read sequences produced by that program to the correct sequence and tabulating discrepancies. […] We assessed the accuracy of the phred and ABI base-callers in several large sets of reads from cosmid clones sequenced in three laboratories (Ewing et al. 1998: 179). For each cosmid we created two FASTA formatted files, one containing the ABI base-called reads, and the other containing the phred base-called reads (as generated from the ABI-processed trace files) (Ewing et al. 1998: 180).

Das Resultat des Datenvergleichs erstaunt wenig: „[P]hred could attain an error rate of <1 in 10,000 by designating every base with quality value <40“ (Ewing et al. 1998: 183). Was mit der „korrekten Sequenz“ in obigem Zitat gemeint war, wird nicht ganz klar, da bereits die Inputdaten prozessierte Daten waren (Ewing et al. 1998: 177). Doch was bedeutet das für den Realitätsgehalt? Was gezeigt wurde, war, dass im Vergleich zu anderen Algorithmen phred in punkto Genauigkeit der Interpretation der Chromatogramm-Dateien dominierte und dass man sich bezüglich letzterer auf das SCF-Format verließ. Dieses Format von Dear und Staden beschrieb, wie die Daten in einer Chromatogram-Datei auszusehen haben. Dazu gehörte die entscheidende Angabe über den Konfidenzwert für jede einzelne Übersetzung der Spurdaten in einen der vier DNA-Buchstaben (Dear & Staden 1992: 108). Doch die Lektüre der Originalbeschreibung des SCF weist eine erstaunliche Lücke auf, denn so Dear und Staden, „no instrument yet provides them [confidence values]“ (Dear & Staden 1992: 109). Immerhin lief zu diesem Zeitpunkt das Humangenomprojekt bereits seit zwei Jahren, so dass dieser Befund nicht nur irritierend ist, sondern auch in direktem Widerspruch zur Aussage steht, dass die ABI-Software eine beeindruckende Akkuratesse aufweise (Ewing et al. 1998: 176).

Irgendwann zwischen 1982 und 1992, so ist zu vermuten, brach die direkte Validierungskette zwischen den empirischen Daten (Gelplatten, Gelfilmen) und den Maschinendaten (Gelbilder und Gel-Reads) ohne manuelle Codierung der Unsicherheiten und ohne Konfidenzwerte der Maschinendaten ab. Es bleibt nur das Vertrauen in die Algorithmen der Gerätehersteller, in adäquate experimentelle Designs der Sequenzierungsprojekte (hohe Abdeckungsrate) sowie in frei zugängliche Algorithmen und Daten. Denn die menschlichen Kapazitäten reichen angesichts der steigenden Datenmengen schon lange nicht mehr aus – „A single person can sequence 7 or 14 clones per day, each of which will give a sequence of about 250 bases and so produce a daily total of between 1,750 and 3,500 characters“ (Staden 1982: 4731) –, um den Realitätsgehalt der Mega- und Terabytes an computergenerierten Daten ohne die Hilfe von Algorithmen zu überprüfen.

Rein Algorithmen-basierter Ansatz

Nicht nur reichen die menschlichen Kapazitäten schon lange nicht mehr aus, um die Datengenerierung manuell respektive visuell zu überprüfen; die informatischen Strategien der Shotgun-Methode sind nur dann aussagekräftig, wenn die Abdeckungsrate des zu untersuchenden Genoms entsprechend hoch ist – insbesondere wenn sie als Whole Genom Shotgun (WGS) auf die Entschlüsselung des menschlichen Genoms mit dessen 50-prozentiger Wiederholungsrate angewandt wird. Das heißt, „there is a greater risk of long-range misassembly“ (Waterston et al. 2002: 3712). Wie groß das Risiko ist, kann einzig durch Algorithmen überprüft werden. Hinzukommt, dass die Delegation der DNA-Datengenerierung an die Algorithmen als Folge der experimentellen Strategie der Shotgun-Methode immer komplexere mathematische Verfahren integriert. Das ist der Preis dafür, dass dadurch die Sequenzierung der drei Milliarden Basenpaare des menschlichen Genoms möglich wurde.

Deutlich wird diese Problematik am Wettrennen des staatlich finanzierten, internationalen Konsortiums des Humangenomprojekts mit dem kommerziellen Unternehmen Celera Genomics in den 1990er und frühen 2000er Jahren. Celera entwickelte mit dem Celera Assembler eine rein algorithmenbasierte WGS-Methode. Diese basierte auf einem graphentheoretischen Ansatz, der zwischen den Fragmenten Überlappungen als Graphen darstellte (Overlap Graph) und durch Koordinatenzuweisungen (unitigger) der Kanten der Graphen Ordnungen rekonstruierte (Myers et al. 2000). „Unitigs“, also Subgraphen des Graphen aller Überlappungen, wurden dann zu Einheiten verbunden (scaffolds), indem aus den Verknüpfungsinformationen der Gel-Reads näherungsweise auf den Abstand der überlappenden DNA-Segmente (contigs) geschlossen wurde, die zusammen eine Konsensussequenz der DNA repräsentierten. Eine Konsensussequenz ist, wie bereits von Staden 1982 definiert, die berechnete Sequenz von DNA-Basen, die in der Summe am wenigsten von einer gegebenen Menge von entsprechenden Mustersequenzen abweicht. Dieser avancierte, algorithmische Ansatz (von DNA-Fragmenten über den Screener und Overlapper zum Unitigger sowie Scaffolder und schließlich zur Konsensussequenz) verband statistische Methoden mit heuristischen, stochastischen und approximativen Methoden.

Voraussetzung für diesen Ansatz wäre jedoch gewesen, die Anzahl der sequenzierten Fragmente von der üblichen 7‑ bis 9‑fachen Abdeckung des Genoms auf eine 14- bis 18‑fache Abdekung zu verdoppeln, um die Fehlerquoten zu reduzieren. Ohne diese hohe Abdeckung ist die Güte der Ergebnisse nicht zu gewährleisten und eben dies kennzeichnete die Datenhybris der Celera Sequenzierung (Venter et al. 2001). Denn im Unterschied zu den staatlichen Institutionen, die weitere Methoden (hierarchical shotgun) zur Absicherung der Resultate verwendeten, setzte Celera Genomics allein auf die WGS-Methode bei einer Abdeckung von 5,1 plus zusätzlicher 2,9-facher Abdeckung aus den öffentlichen Datenbanken des Humangenomprojekts (Schön 2002: 8–10). Zudem wurden gezielt Rohsequenzen anstelle zufälliger Verteilungen aus den Daten des Humangenomprojekts ausgewählt. Eine Analyse der Celera Daten ergab ein entsprechend fragwürdiges Bild: „Our analysis indicates that it is not possible to draw meaningful conclusions about the WGS approach because the authors did not perform an analysis of their own data by itself. Instead, they used an unorthodox approach to incorporate simulated data from the HGP“ (Waterson et al. 2002: 3716). In anderen Worten, es wurde einiges getrickst in dem, was als „The Sequence of the Human Genome“ in Science angepriesen wurde (Venter et al. 2001).

Dies diskreditiert nicht die WGS-Methode, aber es macht zweierlei deutlich: Zum einen, dass die Zukunft der Molekularbiologie in noch mehr Statistik/Stochastik, Heuristik und Approximation bestehen wird, insbesondere wenn kommerzielle Forschung wie die von Craig Venter, dem Gründer von Celera Genomics, sich nichts Geringeres zum Ziel auserkoren hat, als „sequencing the ocean […] and the air“ (Venter et al. 2004). Zum anderen, dass dieses Mehr an Statistik/Stochastik, Heuristik und Approximation neue und wesentlich schnellere Sequenziermethoden braucht, denn die Anforderungen, die ein rein Algorithmen-basierter Ansatz an die Sequenzierung stellt, sind mit der Sanger-Sequenzierung nicht mehr zu bewerkstelligen. „An individual human genome sequenced today using the Sanger method and capillary electrophoresis would take approximately 10,000 instrument days (e. g. 30 instruments for 1 year) to complete and would cost approximately $10 million“ (Bentley 2006: 545). Engpass der Sanger-Sequenzierung ist die Elektrophorese, auch wenn sie als Kapillarelektrophorese von anfangs 96 auf bis zu 384 parallele Proben Mitte der 2000er Jahre erweitert wurde.

Next Generation Sequencer

Das Bestreben, die Elektrophorese ad acta zu legen, führte in den letzten Jahren zu einer Explosion vielfältigster Methoden für die DNA-Sequenzierung. Als alternative Ansätze zur Elektrophorese wurden die Rasterelektronenmikroskopie, die Massenspektrometrie, verschiedene Hybridsierungsmethoden, die pH-vermittelnde Sequenzierung (Post-Light-Sequenzierung), das Nanopore Sequencing oder das Pyrosequencing erforscht. Aus dieser Vielfalt der so genannten Next Generation Sequencer, deren Miniaturisierung auf Pico- und Nano-Ebene sowie deren Reduktion der Kosten für einzelne, wesentlich kleinere Geräte, generiert sich die seit 2008 ansetzende Flut an Genomdaten. Sequenzierung ist nicht mehr nur den großen Sequenzierzentren vorbehalten, sondern erobert sowohl den diagnostischen Alltag der Kliniken im Kontext der individualisierten Systemmedizin als auch die Laborforschung außerhalb der Molekularbiologie wie etwa in den Umweltwissenschaften. Diese zweite Generation an Sequenziergeräten produziert etwa 1 Gigabase Daten pro Tag und Maschine bei einer Read-Länge von wenigen Basen (short read) bis zu 10 Kilobasen, je nach Methode. Insbesondere das Pyrosequencing kombiniert mit Emulsions-PCR (Miniaturisierung) lässt sich hochgradig parallelisieren (Ronaghi et al. 1996, 1998; Margulies et al. 2005; Shendure et al. 2005). „The strategy entailed arraying several hundred thousand sequencing templates in either picotiter plates or agarose thin layers, so that these sequences could be analyzed in parallel“ (Schuster 2008: 16).

Damit kündigte sich das Zeitalter des Real Time DNA Sequencing an, also die dritte Sequenzierergeneration. Der Begriff „Real Time“ bezieht sich auf die „DNA polymerase as a real-time sequencing engine“ (Eid et al. 2009: 133). Damit wird die direkte Echtzeitentschlüsselung der DNA-Sequenzen Realität, indem einzelne Basenmaleküle in pico- und nanomolaren Konzentrationen mit Hilfe fluoreszierenden Substanzen detektiert werden. Oder in anderen Worten: „That is, direct observation of processive DNA polymerization with basepair resolution“ (Eid et al. 2009: 133; Levene et al. 2003). Forscher können nun der Entschlüsselung zusehen, falls sie etwas Zeit mitbringen. Denn es braucht etliche Minuten, um eine einzelne Base zu entschlüsseln, da sich das Attribut Echtzeit auf die Enzymkinetik bezieht. Allerdings ist die Fehlerquote dieser neuen Sequenziertechnologien relativ hoch. In einer Machbarkeitsstudie wurden von 158 Basen eines künstlich hergestellten und nur aus zwei Basen bestehenden DNA-Strangs lediglich 131 Basen korrekt identifiziert. „The 27 errors consisted of 12 deletions, eight insertions, and seven mismatches“ (Eid et al. 2009: 136). Die hohe Fehlerquote dieser neuen Technologie soll rein rechnerisch mit Korrekturalgorithmen und adäquaten Assembly-Strategien ausgeglichen werden (Koren et al. 2012):

The instrument generates reads that average only 82.1 %–84.6 % nucleotide accuracy, with uniformly distributed errors dominated by point insertions and deletions […] far beyond the 5–10 % error rate that most genome assemblers can tolerate. […] Thus, there is a great potential advantage to the long, single-pass reads if the error rate can be algorithmically managed. […] Our PBcR (PacBio corrected Reads) algorithm, implemented as part of the Celera Assembler, trims and corrects individual long-read sequences by first mapping short-read sequences to them and computing a highly accurate hybrid consensus sequence: improving read accuracy from as low as 80 % to over 99.9 % (Koren et al. 2012: 693).

Konklusion

Die magische Zahl von 99,99-prozentiger Genauigkeit der Genomdaten, wie auch immer sie bei 5‑ bis 10-prozentiger Fehlerrate der Sequenzierer begründet wird, suggeriert Vertrauen in den Datenpositivismus der Molekularbiologie. Darüber wird gerne vergessen, dass selbst eine 99,99-prozentige Genauigkeit „would still result in hundreds of errors in a microbial genome and hundreds of thousands of errors in a mammalian genome“ (Shendure et al. 2005: 1728). Dessen ungeachtet macht die skizzierte Entwicklung des informatischen Ansatzes die inhärente Eigendynamik als Forderung nach immer mehr Daten deutlich, insofern das intrinsische Diskretisierungsproblem der Fragmentierung der DNA-Sequenzierung (Sanger 1988:20) durch die Shotgun-Methode extrinsisch und randomisiert wird. Dies erfordert eine entsprechende Replizierung der DNA-Vorlagen (hohe Abdeckungsquote), was wiederum nur durch die komplette Automatisierung der Sanger-Sequenzierung auf Basis von Messbildern, Chromatographie-Dateien und Algorithmen möglich wurde. Dies hatte die Transformation des Datenbegriffs der Genomanalyse bezüglich der Genauigkeit der Daten in einen rein statistischen Datenbegriff zur Folge, der seinerseits eine Steigerung der Abdeckungsquote erforderte. Mit dem rein Algorithmen-basierten Ansatz der WSG-Methode erhöhte sich die Anforderung an die Abdeckungsquote ein weiteres Mal, um die Güte der Resultate zu verbessern. All dies ist mittlerweile mit der Sanger-Methode finanziell wie zeitlich kaum noch zu bewerkstelligen und führt unweigerlich zu neuen Generationen von Sequenzieren, die kleiner, kostengünstiger und hochgradig parallelisiert sind und damit schneller arbeiten. Doch dies geht wiederum mit einer erhöhten Fehlerquote der Sequenzierung einher, die rein rechnerisch durch noch mehr Statistik/Stochastik, Heuristik und Approximation kompensiert werden muss. In anderen Worten: Der indikative Gehalt der Genomdaten, also der Realitätsgehalt, der sich aus der messtechnischen Differenzbildung im Laborexperiment generiert und in der molekularbiologischen Fachliteratur „experimental data“ oder „empirical data“ genannt wird, lässt sich zunehmend schwerer feststellen und allenfalls als Wahrscheinlichkeitszuweisung. Diese wird jedoch in Aussagen wie „well determined“ oder phred Quality Score 40 transformiert und erhält dadurch indikativ anmutenden Aussagewert. Die Datenproblematik verstärkt sich zudem durch die Heterogenität der Daten aufgrund der sich permanent verändernden Verfassung der Datengrundlage, wie dies typisch für ein Großprojekt wie das 1,000-Genom-Projekt ist: „The heterogeneity of the sequence data (read lengths from 25 to several hundred base pairs (bp); single and paired end) reflects the diversity and rapid evolution of the underlying technologies during the project“ (1000 Genomes Project Consortium 2010: 1062).

Doch wenn die Datenbasis bereits in ihrem epistemischen Status problematisch ist, was bedeutet dies dann für die daraus abgeleiteten Funktionsdaten? Denn nicht nur die Assembler-Algorithmen werden zunehmend komplexer, sondern vor allem die zahlreichen Analysealgorithmen, die immer neue Formen der Analyse der sequenzierten Daten in den Kartierungs- und Mappingprojekten immer schneller ermöglichen. Ein solch avancierter Analysealgorithmus ist beispielsweise der SIFT-Algorithmus (Sorting Intolerant from Tolerant), der die Lücke zwischen Mutationen und Phänotyp-Variationen algorithmisch schließt, indem er vorhersagt, ob die Substitution einer Aminosäure die Proteinfunktion beeinflusst oder nicht (Kumar et al. 2009). Es ist diese Art von rein rechnerisch rückgeschlossener Vorhersage auf Basis der Sequenzierdaten, die das aktuelle bioinformatische Wissen charakterisiert. Dabei wird vergessen, „kritisch zu hinterfragen, wo die konkrete biologische Relevanz der unermesslichen Fülle an Sequenzdaten liegt. Denn für die meisten Gene gibt es auch […] nach Ende des Human Genome Project nur eine „putative“ – sprich bioinformatisch vermutete – Funktion“ (Gabrielczyk 2009: 3).

Vor diesem Hintergrund ist der Datenpositivismus der Molekularbiologie mit Vorsicht zu genießen. Die Frage nach der epistemischen Umgestaltung des Genomverständnisses durch die informatischen Strategien und den damit verbundenen Aussagegehalten ist nicht so einfach zu beantworten. Zur Trias von Statistik/Stochastik, Heuristik und Approximation gesellt sich nun das „correlation ist enough“ der Big Data-Analytik hinzu (Anderson 2008). Erste Studien prognostizieren bereits über die Korrelation signifikanter Genexpressionen die Rückfall- und Überlebensrisiken von Krankheiten wie beispielsweise die Studie „Gene expression profiling predicts clinical outcome of breast cancer“ (van’t Veer et al. 2002). Doch ähnlich wie die eingangs erwähnte Datenhybris der Prognosen von GFT sind solche Prognosen zweifelhaft, wie Liat Ein-Dor, Gad Getz, David Givol und Eytan Domany feststellen:

Several microarray studies yielded gene sets whose expression profiles successfully predicted survival in breast cancer. However, the overlap between these gene sets was almost zero. […] first, many genes are correlated with survival; second, the differences between these correlations are small; and third, the correlation-based rankings of the genes depend strongly on the training set. These properties may indicate that the top 70 genes are not superior to others in predicting disease outcome. […] Our results imply that although the top 70 genes may provide good prediction, other groups of 70 genes may do the same (Ein-Dor et al. 2005: 173).

Mehr Beliebigkeit ist kaum denkbar und diese Beliebigkeit resultiert aus der gewählten Methode für die Datenanalyse anhand der Analysealgorithmen.Footnote 8 Doch es könnte noch einen weiteren Grund geben: Die Beliebigkeit könnte der biologische Relevanz geschuldet sein, dass individuelle Patientengene zu heterogen sind (Ein-Dor et al. 2005: 177). Dies ist eine offene Forschungsfrage, die jedoch für ihre Beantwortung weit mehr als tausend Genome zum Vergleich benötigt. Ließe sich ersteres eventuell mit Unachtsamkeit in der Methodenwahl erklären oder eben als Fallstrick eines ontologisch indifferenten Gebrauchs des Datenbegriffs, so würde letzteres das Aus der Big Data-Revolution für die Molekularbiologie bedeuten. Denn dann stünde die Bioinformatik vor dem selben Problem wie Google Flu Trends: Ihre Daten wären kaum objektivierbar, um die versprochene Transformation des Korrelativen ins Indikative für ihre Vorhersagen zu gewährleisten.