Zelluläre Systeme verstehen,
um Krankheiten zu behandeln
Wir entwickeln Machine-Learning- und AI-Modelle mit Blick auf konkrete biomedizinische Herausforderungen. Viele dieser Anwendungen liegen im Bereich der Zellbiologie, die für die Entwicklung verschiedener Präventions- und Therapieansätze von zentraler Bedeutung ist.
Experimentelle Methoden zur Messung molekularer Profile von Zellen verbessern sich derzeit drastisch und könnten so zu einem viel tieferen Verständnis molekularer Mechanismen und damit neuer Therapieansätze beitragen. Heutzutage können wir mit diesen neuen Messmethoden ein Gewebe in einem einzigen Experiment mit Milliarden von Datenpunkten charakterisieren.
Allerdings ist ein Großteil der gemessenen Daten aufgrund ihrer Komplexität schwer zu erfassen. Wir setzen Machine-Learning- und AI-Modelle ein, um aus dieser Komplexität greifbare Erkenntnisse zu gewinnen und so den Weg für die Übersetzung von Forschungsergebnissen in biomedizinische Anwendungen zu ebnen (“Translation”).
Von Big Data in der Biomedizin
mit bestehendem Wissen lernen
Während es schwierig ist, mit mathematischen Modellen greifbare Muster aus diesen großen biomedizinischen Datensätzen zu extrahieren, können biologische Fachexperten diese Daten oft im Hinblick auf interessante Mechanismen interpretieren. Warum haben Machine-Learning- und AI-Modelle in denselben Szenarien Schwierigkeiten?
Ein wesentlicher Unterschied liegt darin, wie einzelne Datensätze im Kontext des biomedizinischen Wissens eingeordnet werden: Während Wissenschaftler darauf trainiert sind, Experimente zu interpretieren, ist es nicht einfach, dieselbe kontextuelle Interpretation in Modellen umzusetzen. Wir begegnen dieser Herausforderung, indem wir Machine-Learning- und AI-Modelle mit dem Reichtum des bestehenden biologischen Wissens ausstatten.
Dynamische Mechanismen verstehen,
die sich hinter Momentaufnahmen verbergen
Eine der größten Herausforderungen in der Erforschung komplexer Krankheiten besteht darin, dynamische Mechanismen aus Experimenten abzuleiten, die Momentaufnahmen von zellulären Systemen erfassen — flüchtige Einblicke in den molekularen Zustand einer Probe. Da diese Momentaufnahmen die Proben zerstören, können wir Gewebe nur einmal messen und haben daher keine zeitliche Auflösung.
Um diese Einschränkung zu überwinden, entwickeln wir Machine-Learning- und KI-Modelle, die Aspekte von dynamischen Krankheitsmechanismen aus Momentaufnahmen rekonstruieren. Indem wir diese Mechanismen als greifbare Darstellungen der zuvor genannten großen Datensätze nutzen, fassen wir Milliarden von Datenpunkten als konkrete regulatorische Muster zusammen, die interpretiert werden können.
Mechanistische Erkenntnisse anwenden,
um Zellen gezielt zu verändern
Sobald wir die regulatorischen Muster verstanden haben, die der Funktion von Zellen in Krankheiten zugrunde liegen, können wir diese nutzen, um gezielt einzugreifen: Wir können präzise Therapieansätze für komplexe Krankheiten entwickeln.
Wir interessieren uns besonders für Anwendungen dieser Forschung in der Immunonkologie, bei Infektionskrankheiten, Autoimmunerkrankungen und in der Entwicklung von Zellen als Therapeutika. In all diesen Fällen können wir unser Wissen über Krankheitsmechanismen nutzen, um Therapieansätze zu verbessern, und Krankheitsmuster mit hoher Präzision zu behandeln.
-
Wir arbeiten mit Omics-Daten mit Einzelzell- oder räumlicher Auflösung, die Profile mit besonders hohem Durchsatz und molekularer Auflösung erzeugen. So erstellen wir Zellprofile, beispielsweise durch die Analyse der Genexpression anhand des RNA-Gehalts. Für weiterführende Informationen empfehlen wir diese Übersichtsarbeiten (in Englisch) zu single-cell und spatial Omics als Einstiegspunkte. Viele dieser Datensätze werden im Rahmen des Human Cell Atlas generiert.
-
Es war bisher schwierig, die Mechanismen vieler komplexer Krankheiten, einschließlich mehrerer Autoimmunerkrankungen, Krebserkrankungen und Infektionskrankheiten, zu untersuchen, da diese Krankheiten viele Teile des menschlichen Körpers betreffen. Neue "Omics"-Experimente ermöglichen es uns, die durch Krankheiten verursachten Veränderungen mit weitaus höherer Präzision zu charakterisieren als bisher möglich, wodurch wir potenzielle therapeutische Angriffspunkte und Präventionsstrategien untersuchen können. Für weiterführende Informationen bietet sich diese Übersichtsarbeit (in Englisch) an.
-
Im Gegensatz zu Machine-Learning-Modellen, die primär für Vorhersagen verwendet werden, konzentrieren wir uns auf die Gestaltung und den Einsatz von Modellen, die im Hinblick auf greifbare biologische Mechanismen interpretierbar sind. Diese Interpretierbarkeit wird typischerweise erreicht, indem vorhandenes Wissen über Mechanismen in die Modellarchitektur eingebettet wird, wodurch algorithmische Hybride entstehen, die strukturiertes, von Menschen üblicherweise genutztes Wissen mit der Flexibilität von Machine-Learning-Modellen kombinieren.