KI-Modelle fördern individualisierte Medizin

Molekulare Mechanismen und Krankheitsmuster erkennen

Technologien mit hohem Durchsatz wie die DNA-Sequenzierung liefern riesige Mengen biologischer Daten. Doch was bedeuten die Daten? Welcher Biomarker steht tatsächlich im Zusammenhang mit einer Krankheit? Allgemeine KI-Modelle eignen sich nicht für die Auswertung oder dazu, die Komplexität biologischer Systeme zu modellieren. Dieser Herausforderung begegnet Prof. Dr. Tim Kacprowski von der Forschungsgruppe Data Science in Biomedicine an der Technischen Universität Braunschweig: „Wir erforschen, wie wir KI, maschinelles Lernen, Statistik und Netzwerkbiologie miteinander verbinden können, um die molekularen Grundlagen von Krankheiten und biologischen Prozessen besser zu verstehen.“ Der Bioinformatiker hat die domänenspezifischen Werkzeuge BiCoN und NeDRex mitentwickelt, die spezifisches Wissen aus biologischen Netzwerken und menschliches Fachwissen gezielt integrieren.

Warum wirken Behandlungen unterschiedlich?

BiCoN analysiert biologische Netzwerke, um robuste und interpretierbare Ergebnisse zu liefern, und verwendet dafür maschinelles Lernen. „Mit molekularen Netzwerken sind zum Beispiel Protein-Interaktionen, Genregulation oder Stoffwechselwege gemeint“, erklärt Tim Kacprowski. „Mit BiCoN untersuchen wir, wie Biomoleküle miteinander interagieren und verbunden sind.“ Auf diese Weise wollen er und sein Forschungsteam herausfinden, warum Patientinnen und Patienten unterschiedlich auf Behandlungen reagieren. „Eins der großen Probleme der Systemmedizin ist, dass wir häufig nicht wissen, für wen welche Behandlung warum funktioniert oder nicht“, räumt der Forscher ein.

BiCoN identifiziert Patientengruppen und molekulare Mechanismen, die diese unterscheiden. Zum Beispiel konnte das Werkzeug bei Brustkrebsdaten bekannte Krankheitsuntergruppen reproduzieren und neue Untergruppen identifizieren, bei denen die Tumorklassifikation und die Ausprägung der Krankheit variieren. Seine Flexibilität erlaubt die Integration weiterer Molekular-Daten, was es zu einem vielseitigen Werkzeug für die biomedizinische Forschung macht.

© P. Hein, L. Bente, T. Kacprowski, ChatGPT

Potenzielle Wirkstoffe identifizieren

NeDRex identifiziert Krankheitsmodule und bereits zugelassene Medikamente für neue Anwendungen; dieser Prozess ist als „Drug Repurposing“ bekannt. Durch die Kombination eines sogenannten Wissensgraphen mit Algorithmen und menschlichem Wissen entstehen biologisch plausiblere Ergebnisse. Forschende können benutzerdefinierte Netzwerke erstellen, Subnetzwerke identifizieren und Medikamente validieren. „Wir beziehen uns hier auf Protein-Interaktionen oder Netzwerke, in denen Gene mit Medikamenten und Krankheiten verknüpft werden“, führt der Wissenschaftler weiter aus. Ein Beispiel ist die Analyse von COVID-19-Daten, bei der NeDRex potenzielle Wirkstoffe identifizierte. Die Plattform bietet eine hohe Benutzerfreundlichkeit und die statistische Validierung ihrer Ergebnisse erhöht die Reproduzierbarkeit.

Transparenz und Reproduzierbarkeit der Forschung

Einheitliche Standards wie AIMe, quasi ein Fragebogen für KI-Modelle, fördern zudem Transparenz und Reproduzierbarkeit in der biomedizinischen Forschung. „Mit der rasanten Entwicklung in der KI und Biologie stehen wir an der Schwelle zu einer neuen Ära“, ist Tim Kacprowski überzeugt. Spezialisierte KI-Ansätze wie BiCoN und NeDRex können das Verständnis biologischer Systeme vertiefen und konkrete medizinische Lösungen liefern. Herausforderungen wie Datenverfügbarkeit, Datenschutz und Modellinterpretierbarkeit bleiben jedoch seiner Auffassung nach zentrales Thema. Transparente Dokumentation von Metadaten, Methodik und Ergebnissen, wie zum Beispiel im AIMe-Standard, sind unabdingbar, um diesen zu begegnen.