KI und maschinelles Lernen in der pharmazeutischen Forschung

Während es bei selbstfahrenden Autos darauf ankommt, dass diese am Ende sicher durch den dichten Stadtverkehr navigieren, gilt es in der Pharmaforschung, einen möglichen neuen Wirkstoff auf seine tatsächliche Wirksamkeit bei der Behandlung einer Krankheit zu finden. „Die selben Methoden die Google und Facebook anwenden, um große komplexe Datenmengen (Big Data) auszuwerten, können auch dabei helfen, aus Gesundheitsdaten Erkrankungen abzulesen und anschließend Vorhersagen darüber zu treffen, wie sich unterschiedliche Therapien auf den Krankheitsverlauf auswirken werden“, sagt Austin Huang, Associate Director und Biomedical Data Science Lead bei Pfizer.

Doch die Zusammenhänge zwischen der Biologie des Patienten und seinen Krankheitssymptomen sind sehr komplex. Ein Medikament, das beispielsweise die biologischen Mechanismen einer Entzündung beeinflusst, wird im klinischen Alltag nicht automatisch die Symptome von Patienten mit einer Gelenkentzündung deutlich mindern. Mittels Daten vorherzusagen, wie biologische Mechanismen und Krankheitssymptome zusammenhängen, ist genau der Punkt, an dem pharmazeutische Forschung mit künstlicher Intelligenz zusammentrifft.

„Es ist verlockend einfach zu sagen: Wenn künstliche Intelligenz Go spielen und autofahren kann, dann sollte sie auch in der Lage sein, Probleme der Medizin zu lösen", sagt Austin Huang, Associate Director und Biomedical Data Science Lead bei Pfizer. „Um Erfolg zu haben, müssen wir aber die Bedingungen verstehen, die diese Fortschritte in der Medizin erst ermöglicht haben: Wissenschaftler waren fähig, auf die richtige Kombination aus Daten und Methodologie zu setzen.“

Im Fall von Go oder Schach sind alle „Regeln”, die zum Gewinn führen, bekannt. Das erlaubt dem Computer, eine unbegrenzte Anzahl an Beispielen zu erzeugen, von denen er dann lernen kann. Im Vergleich dazu liegen einer menschlichen Erkrankung oft „Regeln“ zugrunde, die noch darauf warten, entdeckt zu werden, so Huang. „Doch mit der richtigen Datengrundlage und der Möglichkeit, nützliche Muster in diesen Daten zu finden, sind Durchbrüche in der Forschung durchaus möglich.“

Auf anderen Anwendungsgebieten der KI hat sich gezeigt: Wenn erstmal der Durchbruch geschafft ist, folgen Veränderungen sehr schnell. Als die Verfügbarkeit von Bild-Datensätzen eine kritische Masse erreicht hatte und Forscher Algorithmen entwickelten, um diese Bilder und Videos automatisch zu analysieren, hat sich das Geschäftsmodell von Unternehmen wie Google und Facebook nachhaltig verändert.

Um mit KI diese Art von Durchbrüchen zu erreichen, muss man Computern beibringen, in großen Datensätzen abstrakt zu denken. In der Wissenschaft spricht man hierbei von „Deep Learning“.

Deep Learning: Prognosen und Mustererkennung mit Big Data

„Für eine Maschine kann es mitunter hochkomplex sein, Dinge zu tun, die für uns Menschen selbstverständlich sind“, sagt Huang. „Für uns ist es beispielsweise kinderleicht, ein Foto anzusehen und zu sagen, ob darauf ein Baum abgebildet ist, für den Computer ist es schwierig. Andererseits sind viele Aufgaben, die das menschliche Gehirn große Anstrengung kosten – wie Arithmetik oder Logik – für Computer einfach.“

Deep Learning basiert auf Hypothesen dazu, wie das menschliche Gehirn intuitive Muster erkennt, indem es verschiedene Abstraktionsebenen nutzt. 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 zunehmend dabei hilft, komplexe Muster in einer großen Menge von biomedizinischen Daten zu erkennen und Prognosen abzuleiten.