• Künstliche Intelligenz im Biologiebereich

    Biologie erlebt ihren KI-Moment

    Über die Potenziale der Künstlichen Intelligenz in der Biologie

Mannheim, 29. März 2021

Künstliche Intelligenz im Biologiebereich

Künstliche Intelligenz (KI) stellt kein in sich geschlossenes Forschungs- und Anwendungsgebiet dar. Vielmehr werden Techniken aus verschiedenen Disziplinen eingesetzt und miteinander verbunden. Ein sehr wichtiges Gebiet, dass traditionell mit der KI eng verwoben ist, ist die Biologie. Sie beschäftigt sich mit dem Bauplan, den physikalischen und biochemischen Vorgängen im Innern von Lebewesen und damit auch der Frage, wie funktioniert eigentlich unser Gehirn? 

Inspiriert vom Aufbau des menschlichen Gehirns konnten durch Erkenntnisse auf dem Gebiet künstliche neuronale Netze entwickelt werden, die sich selbstständig optimieren und weiterentwickeln können. Dabei profitiert nicht nur die KI von neuen Erkenntnissen der Biologie, sondern auch gleichermaßen die Biologie von der Weiterentwicklung der KI. Lange Zeit wurden die Verbindungen von Nervenzellen des menschlichen Gehirns mithilfe elektronenmikroskopischer Aufnahmen verfolgt, das eine mühsame und langwierige Aufgabe war und immer noch ist.

Solche Algorithmen könnten in Zukunft bei der Erforschung von Krankheiten wie z.B. Krebs und Demenz entscheidende Beiträge leisten.

Mittlerweile ist die KI soweit nahezu fehlerfrei die Nervenzellen, Bestandteile und Verbindungen automatisch herauszuarbeiten. Auch die DNA, die im Allgemeinen als "Bauplan des Lebens" bezeichnet wird, kann mit Hilfe fortschrittlicher KI weiter entschlüsselt werden. Vielleicht habt Ihr mittlerweile etwas von Deep Mind's KI-Programm "Alpha Fold" gehört? Es kann mit einer erstaunlichen Zuverlässigkeit die Faltung von Aminosäureketten vorhersagen und hat das Potenzial die Biowissenschaften zu revolutionieren. Solche Algorithmen könnten in Zukunft bei der Erforschung von Krankheiten (darunter auch Krebs und Demenz) entscheidende Beiträge leisten.

Was gibt es Neues zu dem Thema aus der Versicherungswelt?

Quelle: https://animalytics.io/
Vorbeugen ist besser als Heilen. Dementsprechend ist es wichtig Krankheiten frühzeitig und präzise vorhersagen zu können. Das gilt nicht nur für uns Menschen, sondern auch für unsere liebsten Gefährten, dem Hund und dem Pferd.

Erste Unternehmen sind mit digitalen Lösungen auf dem Markt angekommen, die ein frühzeitiges Erkennen von Hauterkrankungen sowie präventive Maßnahmen und Rehabilitation der Tiere anbieten.

Aktuelle Neuigkeiten und Trends aus der Forschung

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.
Quelle: State of AI Report 2020
 

Potenziale der Biologie

Quelle: State of AI Report 2020
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.

KI in der Arzneimittelentwicklung

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. 

Fun Fact! Halicin wurde nach HAL, dem fiktiven Computer aus "Odyssee im Weltraum", benannt. 

Das Besondere ist, dass das Antibiotikum allein von einer KI entdeckt worden und die Wirksamkeit so ungewöhnlich und effizient ist, dass es in Tests an Labormäusen sogar gegen multiresistente Bakterien gewirkt hat. Aktuell ist es noch nicht zugelassen, aber präklinische Studien sind geplant.
Es hat sich gezeigt, dass Graphische Neuronale Netze spürbar weniger Fehler in der Vorhersage chemischer Eigenschaften machen, was sie in der Skalierung von Molekularstrukturen in der Arzneimittelentdeckung ein echter Mehrwert sein lässt.

KI bei COVID-19 Tests

Quelle: State of AI Report 2020
Mittlerweile sind weltweit Millionen von Daten zum Entdecken von COVID-19-Symptomen gesammelt und analysiert worden. Mithilfe von KI kann mittlerweile COVID-19 ohne physischen Test vorhergesagt werden. Derzeit führt das Unternehmen ZOE Global LTD klinische Studien zur Validierung des Vorhersagemodells durch. Aus der Auswertung des Datensatzes zeigt sich übrigens, dass das mit Abstand deutlichste Symptom einer COVID-19 Erkrankung der Geruchsverlust ist. In der Grafik seht Ihr das Ergebnis der Auswertung des Datensatzes von Großbritannien und den USA.

Spannend, was KI heute schon alles möglich macht, nicht wahr? Wir freuen uns, wenn Ihr nächsten Monat wieder vorbeischaut - wir versprechen einen echten Hingucker.

teaser_mann

Autor

Joshua Joost ist Werkstudent in unserem IT Lab. 

Kontakt SVI

Fragen oder Anregungen zu unseren Beiträgen?

Kontaktieren Sie unsere Redaktion mit einer Mail an:
redaktionsteam@sv-informatik.de