KI für biomedizinische Forschung

Anfang Februar präsentierten die Wissenschaftler drei Lösungen für die Probleme bei genomischen Einzelzelluntersuchungen Nature Methods und in Nature Biotechnology. Fabian Theis, Leiter des Computational Health Center bei Helmholtz Munich und Professor für Mathematische Modellierung biologischer Systeme an der TUM, erläuterte: „Wir haben vier intensive Wochen hinter uns, in denen unsere wissenschaftlichen Projekte und Methoden gleichzeitig erfolgreich publiziert wurden. In meiner Gruppe konzentrieren wir uns auf die Einzelzellgenomik. Mit dieser Methode wollen wir den Ursprung von Krankheiten auf mechanistische Weise verstehen. Dafür nutzen und entwickeln wir Ansätze des maschinellen Lernens, um komplexe Daten besser darzustellen. Mit unseren drei neuesten Studien haben wir uns mit der Integration von Einzelzelldaten, dem Lernen von Trajektorien und der räumlichen Auflösung beschäftigt. Mit diesen Beiträgen aber auch darüber wollen wir die Einzelzellforschung und damit unser Verständnis von Krankheiten auf die nächste Stufe bringen.“

Die Lösungen von Helmholtz Munich und der TUM kurz zusammengefasst:

Ein Team um Malte Lücken verglich 16 Datenintegrationsmethoden und errechnete daraus die beste Methode zur Beobachtung von Krankheitsprozessen in Datensätzen, die aus verschiedenen Einzelzellstudien stammten. Aus ihren Ergebnissen entwickelten sie einen Leitfaden, der Lösungen für dieDatenintegration enthält. So ist eine bessere Beobachtung von Krankheitsprozessen über unterschiedliche Datensätze hinweg möglich. 

Marius Lange et al. eintwickelten zudem einen Open-Source-Algorithmus namens CellRank, der eine mittels RNA-Sequenzierung gewonnene Momentaufnahme der Genexpression mit einem Konzept zur Abschätzung der Genregulation kombiniert und sowohl in vitro als auch in vivo das Schicksal von Zellen korrekt vorhersagte.: In einem Beispiel zur Lungenregeneration sagte CellRank neuartige Zellzwischenzustände voraus, deren Existenz experimentell bestätigt wurden.

Ein Team um Giovanni Palla und Hannah Spitzer entwickelten die Software namens Squidpy, mit der es möglich ist, eine räumlichen Analyse molekularer Daten vorzunehmen. Die Software verbindet dabei Genexpressions- und die Bildanalysedaten miteinander.