Gruppe von Menschen, die mit den Händen winken

Die Abenteuer der KI in der Genomik

Beim Berlin Summer Meeting am MDC-BIMSB trafen sich Molekularbiolog*innen und Bioinformatiker*innen, um die neuesten Erfolge und Herausforderungen zu diskutieren. Sie loteten aus, wie sie Künstliche Intelligenz am besten für die Biomedizin nutzen können.

Wie können Forscher*innen das Potenzial der Künstlichen Intelligenz (KI) ausschöpfen, um Terabytes genomischer Daten aussagekräftig zu interpretieren? Unter anderem darum ging es beim 17. Berlin Summer Meeting, das am Berliner Institut für Medizinische Systembiologie des Max Delbrück Center (MDC-BIMSB) stattfand. Unter dem Titel „AI’s Adventures in Genomics“ trafen sich Molekularbiolog*innen und Datenwissenschaftler*innen. Sie diskutierten, wie sie KI-Werkzeuge nutzen können, um die Datenberge aus den Hochdurchsatzexperimenten in den Laboren zu analysieren.

Als Forscher*innen vor mehr als 20 Jahren einen ersten Entwurf des menschlichen Genoms vorlegten, wurde diese Leistung mit der Mondlandung verglichen. Allerdings stellte sich schnell heraus, dass das erst ein Anfang war. Denn aus den Sequenzdaten Wissen zu generieren, ist ebenfalls eine Herkules-Aufgabe. Der Leiter des Humangenomprojekts, Professor Eric Lander, formulierte es 2003 so: „Das Genom: Buch gekauft, liest sich zäh.“

Ausgestattet mit immer leistungsfähigeren KI-Anwendungen experimentieren heute Bioinformatiker*innen mit den Methoden des maschinellen Lernens. Sie wollen Modelle entwickeln, die Daten in einer Größenordnung bewältigen können, die bislang unmöglich war. 

KI für „Omics“-Daten

Professor Julien Gagneur von der Technischen Universität München präsentierte zum Beispiel einen Algorithmus, der funktionale Sequenzen in den nicht-kodierenden Abschnitten des Hefegenoms findet. Das Modell lernt ohne spezielle Anweisungen, nach welchen Verbindungen und Charakteristika es suchen soll.

Andreas Keller, Professor für Klinische Bioinformatik an der Universität des Saarlandes, will maschinelles Lernen nutzen, um die molekularen Prozesse während des Alterungsprozesses verstehen. Die Daten, die sein Team dank Einzelzellsequenzierungen aus Blutproben von Alzheimer-Patient*innen gewinnen konnte, glichen eher einer „komplexen Datenlandschaft“. 

Keller fand signifikante Unterschiede in der Genexpression, hatte aber noch keine Erklärung dafür. „Es ist zunächst eine Beobachtung”, sagte er. „Etwas zu komplex für mein Gehirn.” Trotzdem war er zuversichtlich, dass KI solche Rätsel lösen werde.

Zelluläre Prozesse modellieren 

Andere Forscher*innen wie Dr. Rebekka Burkholz, Leiterin der Forschungsgruppe „Vertrauenswürdige Informationsverarbeitung“ am CISPA Helmholtz-Zentrum für Informationssicherheit in Saarbrücken und Dr. Joshua Welch, Associate Professor für rechnergestützte Medizin und Bioinformatik an der Universität von Michigan, entwickeln Modelle, die den Zeitpunkt bestimmter molekularer Ereignisse in den Zellen ermitteln. Burkholz analysiert, wann welche Mutation in Krebszellen auftritt. Welch berichtete von seinen Erfahrungen mit MultiVelo – einem Werkzeug, das den Übergang von einem Zellzustand in den nächsten aus Einzelzell-Omics-Daten rekonstruiert.  

Daniel León Perinán, Doktorand in der Arbeitsgruppe von Professor Nikolaus Rajewsky am MDC-BIMSB, zeigte Open-ST. Diese frei zugängliche Plattform kann die Genexpression in den Zellen eines Gewebes dreidimensional nachbilden - mit subzellulärer Präzision. 

Bessere Therapien mit KI finden

Ein Schwerpunkt am zweiten Tag der Konferenz war, wie Forscher*innen KI nutzen, um neuartige Therapien zu finden. Dr. Ewa Szczurek, Co-Direktorin Instituts „KI für Gesundheit“ von Helmholtz Munich, präsentierte ein Werkzeug, das ihr Team entwickelt hat. HydrAMP nutzt maschinelles Lernen, um antimikrobiell wirksame Peptide zu finden – und damit Alternativen zu konventionellen Antibiotika, die auch gegen resistente Krankheitserreger wirksam sind. Dass diese Peptide effektiv sind, bestätigten Experimente im Labor mit fünf verschiedenen Bakterienstämmen. Später erläuterte Professor Georg Seelig, Universität von Washington in Seattle, wie maschinelles Lernen Forscher*innen dabei unterstützen kann, geeignete Sequenzen für mRNA- und Gentherapie-Anwendungen zu finden.

Die Vorträge waren sehr vielfältig und zeigten, „wie KI die Grundlagenforschung, unsere Arbeit mit Big Data bis hin zur Forschung an Therapeutika beschleunigen kann“, sagte Professor Uwe Ohler, Leiter der Arbeitsgruppe „Bioinformatik der Genregulation“ am MDC-BIMSB. „Wir sind bereits mit mehreren Referentinnen und Referenten im Gespräch, wie wir die Werkzeuge in gemeinsamen Projekten weiterentwickeln können.“ 

Text: Gunjan Sinha

 

Weiterführende Informationen