Medizinische Spitzenforschung: Neue KI-Lösungen vorgestellt
Um neue Therapien oder vorbeugende Maßnahmen für chronische Volkskrankheiten wie Lungenerkrankungen, Allergien oder Diabetes zu entwickeln, nutzt die biomedizinische Forschung große Datenmengen. Doch diese sind oftmals nur eingeschränkt verfügbar. Zudem kann es schwer sein, verschiedene Datensätze miteinander zu verbinden und auszuwerten. Forschende unter Beteiligung von Helmholtz Munich entwickeln mithilfe von künstlicher Intelligenz und maschinellem Lernen Lösungen für genau diese Probleme. In der jüngsten Ausgabe des Fachjournals ‚Nature Methods‘ präsentieren sie aktuell gleich drei Neuheiten.
Im Fokus der Forschenden steht die sogenannte Einzelzellgenomik – also die Frage, welche Gene zu welchem Zeitpunkt in welcher Zelle aktiv sind. Ziel ist es, damit den Ursprung von Krankheiten auf molekularer Ebene zu verstehen und medizinische Innovationen für eine gesündere Gesellschaft zu entwickeln.
Die folgenden Lösungen sollen helfen, die hoch komplexen Daten besser darzustellen und zu analysieren:
Verschiedene Datensätze vergleichbar machen
Wollen Forschende überprüfen, ob ihre Ergebnisse aus Einzelzellanalysen allgemein gültig sind, müssen sie ihre Daten mit Datensätzen aus dem gleichen System vergleichen. Da die Werte einzelner Zellen aber nicht immer zur gleichen Zeit, am gleichen Ort oder von der gleichen Person erzeugt wurden, unterscheiden sich auch gleiche Zelltypen in ihrem molekularen Profil. Dieses als Batch-Effekt bezeichnete Problem macht es extrem schwer, Datensätzen zu kombinieren. In einer der aktuellen Publikationen stellen die Forschenden einen Leitfaden vor, wie sich dieses Dilemma am besten lösen lässt.
Schicksal von Zellen mit Open-Source-Software vorhersagen
In der medizinischen Forschung dreht sich vieles um die Frage: Wie entwickeln sich Zellen? Um dies zu beantworten, analysieren Forschende mit Hilfe der sogenannten Einzelzell-RNA-Sequenzierung die Genexpression von Zellen. Das Verfahren zeigt allerdings immer nur eine kurze Momentaufnahme der Genaktivität in der Zelle und keinen Langzeitverlauf. In 'Nature Methods' beschreiben die Forschenden jetzt einen neuen Algorithmus, der die Genregulation und damit die Entwicklung von Zellen vorhersagen kann. So konnte die neue Open-Source Software in einem Beispiel zur Lungenregenerationneuartige Zellzwischenzustände voraussagen, deren Existenz anschließend experimentell bestätigt wurde.
Molekulare Daten räumlich sichtbar machen
In den letzten Jahren ist es immer besser möglich, genau zu analysieren, welche Proteine oder Gene zu bestimmten Zeitpunkten, in bestimmten Zellen und Geweben aktiviert oder produziert werden. Mit den sogenannten Omics-Daten können Forschende besser verstehen, wie Gewebe aufgebaut sind und wie Zellen miteinander kommunizieren. Um die großen Datenmengen auszuwerten braucht es jedoch flexible computergestützte Systeme. Eine neue Software kann Forschende bei der Analyse unterstützen: 'Squidpy' kombiniert Omics-Daten mit Daten aus Bildanalysen und kann so die genaue räumliche Verteilung der molekularen Daten sichtbar machen.
Quellen:
- Helmholtz Munich: Schicksal von Zellen vorhersagen: Forschende entwickeln KI-Lösungen für medizinische Spitzenforschung. Pressemitteilung vom 2.2.2022
- Lücken et al.: Benchmarking atlas-level data integration in single-cell genomics. In: Nature Methods, 2021 DOI: 10.1038/s41592-021-01336-8.
- Lange et al.: CellRank for directed single-cell fate mapping. In: Nature Methods, 2022 DOI: 10.1038/s41592-021-01346-6.
- Palla, G. et al.: Squidpy: a scalable framework for spatial omics analysis. In: Nature Methods, 2022, DOI: 10.1038/s41592-021-01358-2.