Projekt "ikarus" liefert neue Erkenntnisse für die Krebsforschung

Künstliche Intelligenz (KI) ist gerade dabei, die Diagnostik dramatisch zu verändern. Allerdings sind dem KI-Einsatz bisher noch Grenzen gesetzt. Obwohl bereits eine riesige Menge von Datensätzen existiert, ist es immer noch nicht ganz einfach, sie entsprechend zu nutzen. Das musste auch Dr. Altuna Akalin erkennen. Zusammen mit seinem Team hat der Leiter der Technologieplattform "Bioinformatik und Omics-Datenwissenschaft" am Max-Delbrück-Centrums (MDC) ein Machine-Learning-Programm namens "ikarus" entwickelt. Der maschinelle Lernalgorithmus kann zwischen krebsartigen und gesunden Zellen unterscheiden.

Im Interview mit MEDICA.de berichtete er, welche Schwierigkeiten er und sein Team dabei zu meistern hatten und wie „ikarus“ bereits dazu beigetragen hat, völlig neue Erkenntnisse zu gewinnen.

Herr Dr. Akalin, Sie haben gerade "ikarus" entwickelt, ein maschinelles Lernprogramm, das krebskranke Zellen von gesunden Zellen unterscheiden kann. Wie genau funktioniert es?

Dr. Altuna Akalin: Wir haben eine Software entwickelt, die mit Einzelzell-Auflösung arbeitet und Genexpressionsmuster für bestimmte Zelltypen bestimmen kann. Im Falle von Krebserkrankungen, fand das Programm in den Tumorzellen ein krebsübergreifendes Muster, bestehend aus einer charakteristischen Kombination an Genen. Der Algorithmus entdeckte in dem Muster außerdem Arten von Genen, die man bislang nicht eindeutig mit Krebs in Verbindung gebracht hatte.

Was war die größte Herausforderung bei der Entwicklung von "ikarus"?

Dr. Akalin: Datensätze aus Einzelzell-Sequenzierungen sind häufig verrauscht. Das bedeutet, dass die darin enthaltenen Informationen über die molekularen Eigenschaften der einzelnen Zellen nicht ganz genau sind – weil zum Beispiel in jeder Zelle eine unterschiedliche Anzahl von Genen erkannt wird, oder weil die Proben nicht immer gleich verarbeitet werden. Unser Team durchforstete daher unzählige Publikationen und kontaktierte etliche Forschungsgruppen, um geeignete Datensätze zu bekommen. Das Team verwendete schließlich Daten von Lungen- und Darmkrebszellen, um den Algorithmus zu trainieren, bevor sie ihn auf Datensätze von weiteren Tumorarten anwandten.

Was sind die aktuellen Einschränkungen oder Schwierigkeiten bezüglich der Datenwissenschaft im Allgemeinen, beziehungsweise aus Ihrer Sicht?

Dr. Akalin: Die generelle Schwierigkeit in der Datenwissenschaft besteht darin, geeignete Datensätze zu finden und zu bereinigen. In den Biowissenschaften (Life Sciences) wird dieses Problem noch verstärkt, da es schwierig ist, relevante Datensätze zu erhalten. Man muss sie von Grund auf neu erstellen oder einen umfangreichen Kurationsprozess durchlaufen lassen. In jedem Fall werden die Daten aufgrund biologischer und technischer Schwankungen verrauscht sein.

Sie wollen den "ikarus"-Ansatz so verallgemeinern, dass er alle möglichen Zelltypen in einer Biopsie unterscheiden kann, nicht nur Tumorzellen. Welche Anwendungen wären dann noch denkbar?

Dr. Akalin: Unser Projekt zielt darauf ab, weit über die Klassifizierung von "gesunden" versus "krebsartigen" Zellen hinauszugehen. In ersten Tests konnte "ikarus" bereits zeigen, dass das Verfahren auch andere Zelltypen (und bestimmte Subtypen) von Tumorzellen unterscheiden kann. Wir wollen den Ansatz umfassender machen, indem wir ihn so weiterentwickeln, dass er alle möglichen Zelltypen in einer Biopsie unterscheiden kann.

In Krankenhäusern untersuchen Pathologinnen und Pathologen Gewebeproben von Tumoren meist nur unter dem Mikroskop und identifizieren so die verschiedenen Zelltypen. Das ist mühsam und kostet viel Zeit. Mit "ikarus" könnte dieser Schritt irgendwann vollautomatisch ablaufen. Außerdem könnten die Daten genutzt werden, um Rückschlüsse auf die unmittelbare Umgebung des Tumors zu ziehen. Und das wiederum könnte den Ärztinnen und Ärzten helfen, die beste Therapie auszuwählen, denn oft deutet die Zusammensetzung des Krebsgewebes und der Mikroumgebung darauf hin, ob eine bestimmte Behandlung oder ein Medikament wirksam ist oder nicht.

Wie verändert Big Data gerade die Medizin?

Dr. Akalin: Weitere diagnostische Ansätze werden zunächst aus großen Datensätzen gewonnen. In letzter Zeit verwenden immer mehr Unternehmen große Datensätze zu Themen, die von der Zielidentifizierung bis zur Entwicklung eines neuen Arzneimittels reichen. Es ist davon auszugehen, dass künftig neue Medikamente und Diagnose-Programme durch die Analyse großer Datensätze entwickelt werden.