Inhaltsbereich überspringen

Es stellte eine Zäsur auf dem Gebiet des Machine Learnings dar, als Googles Künstliche Intelligenz (KI) namens AlphaGo den amtierenden Meister im antiken chinesischen Brettspiel Go besiegte - ein Spiel noch komplexer als Schach. Über Meisterleistungen der KI wie diese oder selbstfahrende Autos wird viel berichtet. Weniger bekannt ist, dass dieselbe Technologie Wissenschaftlern bei der Entwicklung neuer Medikamente hilft.

Künstliche Intelligenz in der pharmazeutischen Forschung

Selbstfahrende Autos müssen sicher durch den dichten Stadtverkehr navigieren können. In der Pharmaforschung gilt es Zusammenhänge zwischen einem möglichen neuen Wirkstoff und seiner tatsächlichen Wirksamkeit bei der Behandlung einer Krankheit zu finden und die Effekte auch nachzuweisen. Trotz aller Erfolge der KI auf anderen Gebieten warnt Austin Huang - Associate Director und Biomedical Data Science Lead bei Pfizer - vor einem zu vereinfachten Blick auf die Rolle der KI in der Pharmaforschung:

„Nur weil Künstliche Intelligenz Go spielen und Auto fahren kann, ist sie nicht automatisch in der Lage, komplexe medizinische Probleme zu lösen.“
Austin Huang
Austin Huang – Associate Director und Biomedical Data Science Lead bei Pfizer
„Dafür müssen wir die Bedingungen verstehen, die diese Fortschritte ermöglichen. AlphaGo und fahrerlose Autos sind möglich, weil Wissenschaftler die richtige Kombination aus verfügbaren Daten und Methodologie nutzen konnten.“
Austin Huang

Im Fall von Go oder Schach sind alle „Regeln” bekannt, die zum Sieg führen. Das erlaubt dem Computer, eine unbegrenzte Anzahl an Spielzügen zu erzeugen, von denen er dann lernen kann. Einer menschlichen Erkrankung liegen dagegen oft noch unbekannte „Regeln“ zugrunde. Doch mit der richtigen Datengrundlage und der Fähigkeit nützliche Muster in diesen Daten zu finden, sind Durchbrüche in der Forschung durchaus möglich. Dazu muss man Computern aber beibringen, bei großen Datensätzen in abstrakten Mustern zu denken. In der Wissenschaft spricht man hierbei von „Deep Learning“.

Deep Learning: Prognosen und Mustererkennung mit Big Data

Deep Learning basiert auf Grundprinzipien, wie das menschliche Gehirn „intuitiv“ Muster erkennt. Um diese Aufgabenstellung zu meistern, denkt das Gehirn in verschiedenen Abstraktionsebenen. 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 bei der Erkennung komplexer Muster in einer großen Menge an biomedizinischen Daten hilft. 

Schon heute wird Deep Learning in bestimmten Bereichen der Medikamentenforschung eingesetzt – nämlich bei der Identifizierung potentieller Wirkstoffe: Die Wirksamkeit eines Medikaments hängt meist von seiner Interaktion mit einem Zielmolekül im Körper ab. Durch das Binden des Wirkstoffs an dieses spezielle Molekül werden im Körper Prozesse in Gang gesetzt, die sich letztlich positiv auf den Verlauf einer Erkrankung auswirken können. Ziel der Medikamentenentwicklung ist es, genau diese Wirkstoffe zu finden. Mittels Deep Learning versuchen Forscher Muster zwischen der Struktur eines potentiellen Medikaments und seiner Interaktion mit dem Zielmolekül im Körper zu identifizieren. Dabei wird der Computer anhand von einem großen Datenset von tausenden Deskriptoren (Beschreibungen) pro Wirkstoff trainiert. Durch die so erlernten Beispiele kann der Computer nun Vorhersagen zu der Interaktion von noch unerforschten Stoffen mit dem Zielmolekül im Körper treffen.

Bereits heute stellt die Methode des Deep Learning ein mächtiges Werkzeug auf dem Gebiet der Medikamentenentwicklung dar. Zukünftig wird es wohl noch wesentlich zu großen Durchbrüchen in der pharmazeutischen Forschung beitragen. 

 

PP-PFE-AUT-0399/12.2017

Weitere Beiträge

Newsletter

Stay tuned! In der Welt der Wissenschaft, Medizin und Gesundheit gibt es täglich Neues – bleiben Sie am Laufenden.