MoSBi: Algorithmus deckt Subtypen von Krankheiten auf

Seit jeher nutzen wir Symptome, Bild- und Labordaten für die Diagnostik, aber manchmal reicht das nicht: Auch, wenn verschiedene Menschen die gleiche Krankheit haben, kann diese auf einer molekularen Ebene anders aussehen. Ein Team der TU München stellt Forschenden jetzt den MoSBi-Algorithmus zur Verfügung, um molekularen Unterschieden auf die Spur zu kommen.

Im Interview mit MEDICA.de sprechen Dr. Josch Konstantin Pauling und Tim Rose über stratifizierte Medizin und den MoSBi-Algorithmus und erklären, wie Forschende diesen in der Form eines Webtools für ihre eigenen Arbeiten nutzen können.

Herr Dr. Pauling, Herr Rose, was ist stratifizierte Medizin?

Dr. Josch Konstantin Pauling & Tim Rose: Stratifizierung in der Medizin bedeutet die Aufteilung einer Krankheit in verschiedene Subtypen aufgrund von unterschiedlichen molekularen Ursachen oder Prozessen. Diese können zu gleichen Symptomen führen, aber unterschiedliche Risiken oder Behandlungsmöglichkeiten mit sich bringen.

Was sind Beispiele für Krankheiten mit Subtypen?

Pauling & Rose: Das prominenteste Beispiel ist vermutlich Krebs. Eine Vielzahl von Mutationen können zu der Veränderung eines Gewebes führen, sodass dieses sich zu einem Tumor entwickelt. Während des Wachstums des Tumors und potenzieller Metastasenbildung kommt es meist zu weiteren molekularen Veränderungen. Ärztinnen und Ärzte betrachten die individuellen Veränderungen im Tumor und passen die Behandlung dementsprechend an.

Wie funktioniert die MoSBi-Methode?

Pauling & Rose: MoSBi (Molecular Signatures using Biclustering) ist eine bioinformatische Methode zur Analyse von großen molekularen Datensätzen, zum Beispiel in der klinischen Forschung. Sie gehört zur Klasse der unüberwachten Algorithmen des maschinellen Lernens. Dabei wird selbstständig nach Mustern in den Daten gesucht, in unserem Fall nach Patientengruppen, die ähnliche molekulare Signaturen aufweisen. Eine Besonderheit ist hier, dass gezielt nach charakteristischen Signaturen gesucht wird, die die Ähnlichkeiten zwischen Patientinnen und Patienten am besten beschreibt. MoSBi ist eine so genannte "Ensemble"-Methodik. Das bedeutet, dass die Vorhersagen von verschiedenen Algorithmen zusammengenommen werden, um die Ergebnisse robuster zu machen. Zusätzlich haben wir auch eine Netzwerkvisualisierung entwickelt, die solche komplexen Zusammenhänge anschaulich darstellt und bei der Interpretation hilft.

Wichtig ist es aber auch zu betonen, dass es sich um einen Algorithmus mit Anwendung in der Forschung handelt. Die Vorhersagen müssen mit Vorsicht interpretiert werden und können als Anhaltspunkt für Hypothesen und weitere Forschung dienen. Stratifizierung im klinischen Alltag erfordert weitaus mehr Expertenwissen und Validierung.

Was können Forschende mit dem Webtool zu MoSBi tun? Welcher Mehrwert entsteht daraus?

Pauling & Rose: Bioinformatische Algorithmen werden häufig nur als Bibliotheken für bestimmte Programmiersprachen wie R oder Python zur Verfügung gestellt. Dies bietet zwar die Möglichkeit der Weiternutzung durch andere Forschende, setzt aber gute Programmierkenntnisse und detailliertes Wissen zur Datenanalyse voraus. Mit dem Webtool wollten wir eine Möglichkeit schaffen, dass alle Forschenden mit entsprechenden Daten und der wissenschaftlichen Fragestellung in der Lage sind, selbstständig MoSBi nutzen zu können, auch wenn sie nicht direkt mit Bioinformatikern zusammenarbeiten. Von dem Webtool können alle Funktionen des MoSBi-Algorithmus ausgeführt und die Ergebnisse entsprechend visualisiert werden.

Da es sich bei klinischer Forschung oft um sehr sensitive Daten handelt, ist das MoSBi-Webtool als Open Source Software verfügbar und kann lokal auf jedem Computer ausgeführt werden. Es muss also nicht das Webtool genutzt werden, das auf den Servern unseres Instituts läuft.

Woher kommt die Idee zu dem Tool?

Pauling & Rose: Die Idee entstand während einer Studie, an der wir beteiligt waren. Dort waren wir mit der Fragestellung konfrontiert, die Heterogenität der Patientenkohorte zu untersuchen. Wir fokussierten uns auf eine Gruppe von Algorithmen, die prinzipiell in der Lage sind, dies zu tun. Allerdings stellte uns das vor das Problem, welcher Algorithmus genutzt werden sollte und wie die jeweiligen Anfangsparameter zu justieren sind. Somit entwickelten wir die MoSBi-Methodik, die in der Lage ist, die Ergebnisse mehrerer Algorithmen automatisch zu konsolidieren. Die Visualisierung entstand dann, da wir eine intuitive Sicht auf die Ergebnisse benötigten, um die Ergebnisse einfacher zu interpretieren.

Was genau haben Sie in der Studie zur MoSBi-Methode untersucht? Zu Welchem Ergebnis kamen Sie?

Pauling & Rose: Die Publikation zu MoSBi hat einen bioinformatischen Fokus. Bei der Entwicklung von bioinformatischen Methoden ist eine gründliche Evaluierung sehr wichtig. Dazu haben wir öffentliche, molekulare Daten von publizierten Studien genutzt und auch Daten simuliert, um auf bestimmte Charakteristika in Daten einzugehen. So konnten wir die Stärken und Schwächen von MoSBi im Vergleich zu anderen Methoden untersuchen und Anwendungsszenarien herausarbeiten. Und natürlich ist die Methode dort im Detail beschrieben und mathematisch definiert.

In einer weiteren Publikation zur nichtalkoholischen Fettleberkrankheit haben wir MoSBi genutzt, um Subgruppen basierend auf Lipidsignaturen zu finden, die den Verlauf der Krankheitsentwicklung darstellen. Dort konnten wir zeigen, dass sich die Methode auch in der Praxis nutzen lässt, um wichtige Erkenntnisse zu generieren.

Wohin wird sich der Einsatz von Algorithmen beziehungsweise maschinellem Lernen in der Medizin zukünftig entwickeln?

Pauling & Rose: Maschinelles Lernen kann dazu beitragen, genauere Diagnosen beziehungsweise Behandlungsmöglichkeiten aufzuweisen, indem große Datenmengen zusammen analysiert werden. Zum Beispiel kann auch die Krankheitsgeschichte systematisch mit einbezogen werden. Dabei ist es vor allem als Werkzeug für Ärztinnen und Ärzte gedacht, um deren Entscheidungsfindung zu unterstützen. Wichtig dafür sind natürlich auch rechtliche Rahmenbedingungen für die Digitalisierung der Patientendaten, damit diese für Algorithmen standardisiert nutzbar sind und zur Forschung beitragen können, sofern die Patienten das wünschen.