Sorry, you need to enable JavaScript to visit this website.
Medikamente_Big_Data_KI

Digitalisierung

Wie künstliche Intelligenz dabei hilft, neue Medikamente zu entwickeln

Es war eine Zäsur auf dem Gebiet des maschinellen Lernens, als Googles Künstliche Intelligenz (KI) namens AlphaGo den amtierenden Meister im antiken chinesischen Brettspiel Go in einem wichtigen Wettkampf besiegte. Über Kunststücke wie dieses oder selbstfahrende Autos wird viel berichtet. Weniger bekannt ist, dass dieselbe Technologie Wissenschaftlern dabei hilft, neue Medikamente zu entwickeln.

 

KI und maschinelles Lernen in der pharmazeutischen Forschung

Während es bei selbstfahrenden Autos darauf ankommt, dass diese am Ende sicher durch den dichten Stadtverkehr navigieren, gilt es in der Pharmaforschung, Zusammenhänge zwischen einem möglichen neuen Wirkstoff und seiner tatsächlichen Wirksamkeit bei der Behandlung einer Krankheit zu finden. „Dieselben Methoden, die Google und Facebook anwenden, um große komplexe Datenmengen (Big Data) auszuwerten, können auch dabei helfen, aus Gesundheitsdaten Erkrankungen abzulesen und anschließend Vorhersagen darüber zu treffen, wie sich unterschiedliche Therapien auf den Krankheitsverlauf auswirken werden“, sagt Austin Huang, Associate Director und Biomedical Data Sciene Lead bei Pfizer.

Doch die Zusammenhänge zwischen der Biologie des Patienten und seinen Krankheitssymptomen sind sehr komplex. Ein Medikament, das beispielsweise die biologischen Mechanismen einer Entzündung beeinflusst, wird im klinischen Alltag nicht automatisch die Symptome von Patienten mit einer Gelenkentzündung deutlich mindern. Mittels Daten vorherzusagen, wie biologische Mechanismen und Krankheissymptome zusammenhängen, ist genau der Punkt, an dem pharmazeutische Forschung mit künstlicher Intelligenz zusammentrifft.

„Es ist verlockend einfach zu sagen: Wenn künstliche Intelligenz Go spielen und autofahren kann, dann sollte sie auch in der Lage sein, Probleme der Medizin zu lösen", sagt Huang. „Um Erfolg zu haben, müssen wir aber die Bedingungen verstehen, die diese Fortschritte in der Medizin erst ermöglicht haben: Wissenschaftler waren fähig, auf die richtige Kombination aus Daten und Methodologie zu setzen.“

Im Fall von Go oder Schach sind alle „Regeln”, die zum Gewinn führen, bekannt. Das erlaubt dem Computer, eine unbegrenzte Anzahl an Beispielen zu erzeugen, von denen er dann lernen kann. Im Vergleich dazu liegen einer menschlichen Erkrankung oft „Regeln“ zugrunde, die noch darauf warten, entdeckt zu werden, so Huang. „Doch mit der richtigen Datengrundlage und der Möglichkeit, nützliche Muster in diesen Daten zu finden, sind Durchbrüche in der Forschung durchaus möglich.“

Auf anderen Anwendungsgebieten der KI hat sich gezeigt: Wenn erstmal der Durchbruch geschafft ist, folgen Veränderungen sehr schnell. Als die Verfügbarkeit von Bild-Datensätzen eine kritische Masse erreicht hatte und Forscher Algorithmen entwickelten, um diese Bilder und Videos automatisch zu analysieren, hat sich das Geschäftsmodell von Unternehmen wie Google und Facebook nachhaltig verändert.

Um mit KI diese Art von Durchbrüchen zu erreichen, muss man Computern beibringen, in großen Datensätzen abstrakt zu denken. In der Wissenschaft spricht man hierbei von „Deep Learning“.

 

Deep Learning: Prognosen und Mustererkennung mit Big Data

„Für eine Maschine kann es mitunter hochkomplex sein, Dinge zu tun, die für uns Menschen selbstverständlich sind“, sagt Huang. „Für uns ist es beispielsweise kinderleicht, ein Foto anzusehen und zu sagen, ob darauf ein Baum abgebildet ist, für den Computer ist es schwierig. Andererseits sind viele Aufgaben, die das menschliche Gehirn große Anstrengung kosten – wie Arithmetik oder Logik – für Computer einfach.“

Deep-Learning basiert auf Hypothesen dazu, wie das menschliche Gehirn intuitive Muster erkennt, indem es verschiedene Abstraktionsebenen nutzt. Wendet man dieses Modell auf große Datensätze an, können Computer Zusammenhänge zwischen diversen Messergebnissen in biomedizinischen Daten finden. Computer werden so zu einem Instrument, das Forschern zunehmend dabei hilft, komplexe Muster in einer großen Menge von biomedizinischen Daten zu erkennen und Prognosen abzuleiten.

Austin_Huang

Erste Adresse für Datenforscher ist heutzutage immer noch das Silicon Valley oder vielleicht die Wall Street in New York. Aber die Pharmabranche ist für KI-Anwendungen ein wachsender Markt. Dabei ist die wissenschaftliche Grundlage, auf deren Basis künstliche Intelligenz entwickelt wurde, insbesondere von Erkenntnissen der Informatik, der Mathematik, der Statistik und der Physik inspiriert. „Kaum jemand weiß, dass die Datenverarbeitung ein Teil der Fachkompetenz ist, die für die Wirkstoffforschung erforderlich ist. Aber wir sind eine datengetriebene Organisation und es gibt viele Wege, wie Auswertungsmethoden interdisziplinär übertragbar sind. Es ist wichtig für uns, Teil einer multidisziplinären Community zu werden, die neue Methoden entwickelt, aus Daten zu lernen, “ sagt Huang.

 

Foto: Getty

Kommentare

  1. Kathrin

    Und auch wir machen genau das: Zusammenhänge von Sequenzvarianten aus big data, Biomarkern oder Wirkstoffen bzw. Wirkstoffbereichen mit der Biologie der Zelle bzw des Organismus über zB Protein-Protein-wechselwirkungen, pathways, herzustellen unter der Verwendung von Datenbanken, Statistik und speziellen Softwarelösungen. Silcon Valley ist auch hier, wenn auch kleiner ;-).

    vor 10 Monate
  2. Redaktion

    Liebe Kathrin, vielen Dank für Ihren spannenden Beitrag. Und welche Chancen sehen Sie, die Forschungsergebnisse und Fortschritte des „kleinen Silicon Valleys“ in den Alltag zu bringen? Wir wären sehr gespannt, noch mehr über Ihre persönlichen Erfahrungen aus der Arbeit mit künstlicher Intelligenz und Big Data zu hören.

    vor 10 Monate
  3. Anna K.

    Cool wär,wenn mit KI nicht nur neue Medikamente erfunden werden, sondern vorher schon Krankheiten verhindert werden. Dann bräuchte man keine Medikamente mehr.

    vor 10 Monate
  4. Anonym

    Hallo Redaktionsteam,
    Ich würde gerne Information aus diesem Artikel in meiner Seminararbeit verwenden. Dafür bräuchte ich jedoch den Namen des Autors und das Datum der letzten Aktualisierung.
    VG

    vor 3 Monate
  5. Redaktion

    Danke für die Nachfrage. Der Artikel wurde vom Redaktionsteam der Pfizer-Plattform www.getscience.com am 19. Juni 2017 erstellt.

    vor 3 Monate

Ihr Kommentar

Wollen Sie namentlich in der Diskussion genannt werden?

Schliessen Kreuz Created with Sketch.

Regelmäßige Neuigkeiten aus dem Land der Gesundheit