Biologie erlebt ihren KI-Moment

Allein die Studien, die 2019 veröffentlicht wurden, machen 25 % des seit dem Jahr 2000 geschaffenen Outputs aus. Auch im Jahr 2020 kam nochmal jede Menge dazu. Es hat sich gezeigt, dass hier ein enormes Potenzial steckt.

 

Deep Learning Methoden werden bspw. eingesetzt, um langsam entwickelnde Augenkrankheiten vorherzusagen. Die Augen werden in 3D eingescannt und die Anatomie mit sogenannten Segmentierungskarten verglichen. Dabei werden pixelweise Merkmale zugeordnet. Das Hilft vor allem in der Prävention der Erkrankung.

Maschinelles Lernen (ML) arbeitet heute vor allem mit statistischen Techniken zur Untersuchung von Korrelationen zwischen Variablen. ML-Modelle können noch viel besser werden, wenn sie den menschlichen Ansatz verstehen lernen. Also kausale Schlussfolgerungen lernen, d.h. über Ursache und Wirkung nachdenken.

So ein Algorithmus wird auch derzeit in der Biologie schon eingesetzt und untersucht. Man nennt ihn kontrafaktischen Diagnosealgorithmus. Er schlussfolgert Krankheiten also nicht rein assoziativ über die Symptome des Patienten, sondern über seine Diagnose, indem er die Inputdaten ändert und beobachtet, wie sich dabei das Ausgaberesultat verhält.  Gerade in der medizinischen Diagnose zeigt sich damit eine deutliche Verbesserung im Ergebnis.

Die Grafik veranschaulicht den Mehrwert. Oben haben wir den standardmäßigen, assoziativen Algorithmus, der in seinen Diagnosen ungefähr genauso gut abschneidet wie Ärzte.  Die blauen Punkte bedeuten, dass die Diagnose des Algorithmus besser als die des Arztes ist, die grünen, dass die Diagnose des Arztes besser ist.

Im darunterliegenden Diagramm zeigt sich, dass der kontrafaktische Algorithmus deutlich bessere Ergebnisse liefert als der assoziative Algorithmus.

Das sogenannte Reinforcement Learning unterstützt heute schon Chemiker in der Arzneimittelentwicklung. Die Algorithmen helfen dabei festzustellen, ob entdeckte Moleküle auch tatsächlich im Labor synthetisiert werden können.

Bemerkenswert ist, dass es mittlerweile sogar ein ML-Modell gibt, dass den chemischen Syntheseplan vollständig autonom erstellen kann und so die Arbeitsabläufe in der Arzneimittelentwicklung beschleunigt. Das Modell wurde auf Millionen von Reaktionen trainiert, die in US-Studien gemeldet wurden. Erste Tests zeigen, dass das Modell 10% genauer ist als die besten Chemiker.

Typischerweise lernen Deep-Learning-Verfahren aus 2D-Eingabedaten. In der Chemie und Biologie, gerade wenn es um chemische Eigenschaften und die Verbindung von Atomen geht, setzt man derzeit vermehrt auf Graphische Neuronale Netze (GNNs), die auf die Verarbeitung von 3D-Daten ausgelegt sind. Tatsächlich gibt es auch schon einen praktischen Nutzen daraus. So hat ein GNN Modell, das  auf empirischen Daten von Molekülen und Antibiotikatoxizität trainiert wurde, in virtuellen Untersuchungen ein strukturell anderes Antibiotikum, Halicin genannt, gefunden.