Personalisierte Medizin Wirklichkeit werden lassen
Oft können an derselben Krankheit leidende Patientinnen und Patienten auf eine spezielle Behandlung ganz unterschiedlich reagieren. Man hat das der genetischen Variabilität unter den Individuen zugeschrieben, da die Genexpression bestimmt, auf welche Weise Wirkstoffe innerhalb des Körpers verarbeitet werden. Um Behandlungsnebenwirkungen oder Misserfolge in der Reaktion zu minimieren, müssen Wissenschaftler die mit dem Behandlungsergebnis in Verbindung stehenden Gene ermitteln. Über die Jahre wurden enorme Fortschritte bei der Gewinnung molekularer und genomischer Informationen über einzelne Patienten erzielt, es konnte sogar das Genom eines Patienten sequenziert werden. Eine Ausnutzung dieser Informationen im Sinne der personalisierten Medizin bleibt jedoch weitgehend ein Traum. Um dieses Problem in Angriff zu nehmen, hat das EU-finanzierte Projekt MLPM2012(öffnet in neuem Fenster) das Gebiet des Maschinenlernens erforscht, auf dem computergestützte Werkzeuge eingesetzt werden, um Muster, Regeln und statistische Abhängigkeiten in großen Datensätzen zu erkennen. Die Idee bestand darin, Algorithmen zur Analyse menschlicher DNA zu erstellen und nach Mustern zu suchen, die mit einer bestimmten Reaktion auf Arzneimittel korrelieren. MLPM2012 vereinte Hochschuleinrichtungen aus sieben verschiedenen Ländern weltweit und bildete zusammen mit führenden Industriepartnern die nächste Wissenschaftlergeneration auf maßgeblichen wissenschaftlichen Gebieten wie Maschinenlernen und Genetik aus. Aus wissenschaftlichem Blickwinkel betrachtet, bestand das Ziel darin, Verfahren des Maschinenlernens zu entwickeln, um molekulare Eigenschaften von Patientinnen und Patienten zu erkunden, die zu Diagnose-, Prognose- und Theranostikzwecken genutzt werden können. Die Forscher entwickelten zusätzliche Verfahren zur Erkundung der biologischen Ursachen und Mechanismen von Krankheiten sowie zur Vorhersage klinischer Phänotypen auf Grundlage des Wechselspiels zwischen genetischen, epigenetischen und umweltbedingten Faktoren. Die angedachten Ansätze in Richtung Maschinenlernen zur Entdeckung von Biomarkern berücksichtigten die große Menge an Omik-Daten, die rechnerischen Anforderungen sowie die verschiedenen, den Messungen zugrundeliegenden Maßstäbe zwischen den Proben. Unter Einsatz dieser Methoden untersuchten die Wissenschaftler die Funktion von Signalwegen bei verschiedenen Krebsarten und identifizierten die molekularen Mechanismen, welche die Antikrebswirkung der Verbindung Silvestrol erklären. Insgesamt legten die Aktivitäten der MLPM2012-Initiative die Grundlage für die Übersetzung heterogener Patientendaten in eine robuste Biomarkererkennung zur Diagnose von Krankheiten, Prognose und Vorhersage von Therapieergebnissen.
Schlüsselbegriffe
personalisierte Medizin, maschinelles Lernen, Maschinenlernen, MLPM2012, DNA, Theranostik
