Eine neue künstliche Intelligenz wurde darauf trainiert, die Struktur kleiner Datensätze zu «lernen». Das Gelernte nutzt die KI, um neue Datenpunkte zu generieren. Diese Datenpunkte geben die Eigenschaften der im Versuch erhobenen Daten so korrekt wieder, als ob sie ebenfalls im Laborexperiment erhoben worden wären.
In frühen Phasen der Arzneimittelentwicklung werden neue Wirkstoffe – neben zahlreichen anderen Versuchsmethoden – auch in Tieren getestet. Dabei stehen die Forschenden vor einem Dilemma: Einerseits halten sie aus ethischen Gründen die Zahl der Tiere, die in einem Experiment verwendet werden, möglichst klein. Andererseits müssen Tierversuche genug Tiere einschliessen, damit das Experiment zu verlässlichen und repräsentativen Ergebnissen führt, die zum Beispiel darauf schliessen lassen, ob ein neuer Arzneimittelkandidat eine bestimmte Wirkung erzeugt oder nicht.
Prof. Jörn Lötsch, Datenwissenschaftler und klinischer Pharmakologe an der Goethe-Universität in Frankfurt, hat in Kooperation mit dem Informatiker Prof. Alfred Ultsch von der Philipps-Universität Marburg, die beide selbst nicht tierexperimentell arbeiten, eine generative Künstliche Intelligenz namens «genESOM» entwickelt. Das Tool basiert auf einem Netzwerk Tausender künstlicher Neuronen, dass die innere Struktur eines Datensatzes «erlernt». Dadurch kann sie das experimentell gewonnene Datenvolumen vergrössern und simulieren, dass die Zahl der Tiere im Versuch grösser war als in Wirklichkeit.
Integrierte Fehlerüberwachung
Zum Training der KI nutzten die Wissenschaftler vorhandene Daten aus einer am Fraunhofer-Institut für Translationale Medizin und Pharmakologie (ITMP) in Mäusen durchgeführten und bereits veröffentlichten Studie. Dabei gelangen der Forschungsgruppe zwei entscheidende Innovationsschritte: Zum einen die KI darauf zu trainieren, neue Datenpunkte auf Grundlage der Studiendaten zu generieren, die sich so in die erlernte Datenstruktur einfügen, als wären sie in echten Experimenten gewonnen worden.
Der zweite Innovationsschritt war die Integration einer Fehlerüberwachung direkt in den Generierungsprozess der neuen Datenpunkte. Generative KI-Methoden riskieren generell, neben dem relevanten Signal auch Rauschen und Zufallsvariation zu verstärken. Dieses Problem ist als Fehlerinflation bekannt und kann dazu führen, dass eigentlich nicht bedeutsame Variablen fälschlicherweise als behandlungsrelevant erscheinen (so genannte falsch-positive Variablen).
Durch eine gezielte Trennung der Lernphase von der Synthesephase ist es möglich, ein künstliches Fehlersignal in den Prozess einzuspeisen, dessen Ausbreitung präzise gemessen wird. Daraus ergibt sich ein datengesteuertes Abbruchkriterium, das die Datengenerierung stoppt, bevor die wissenschaftliche Validität beeinträchtigt wird.
KI-Training mit veröffentlichten Studiendaten
Einen Praxistest bestand genESOM mit Daten aus einer präklinischen Studie zum Multiplen Sklerose-Modell. In der Originalstudie waren 26 Mäuse in drei Behandlungsgruppen aufgeteilt worden, um die Effekte eines experimentellen Wirkstoffs zu untersuchen. Lötsch und Ultsch reduzierten den Datensatz auf 18 Tiere (sechs pro Gruppe), um ein kleineres Experiment zu simulieren. Als sie diesen reduzierten Datensatz auswerteten, verschwanden alle zuvor nachgewiesenen Behandlungseffekte vollständig: Statistische Tests signalisierten nichts Signifikantes, und maschinelle Lernverfahren konnten die Behandlungsgruppen nicht voneinander unterscheiden. Nachdem der reduzierte Datensatzes mithilfe von genESOM weitere Datenpunkte erhalten hatte, traten alle Effekte des vollständigen Experiments auf dem ursprünglichen Signifikanzniveau wieder auf, ohne das relevante falsch positive Befunde dazu kamen. Alternative KI-Methoden bis hin zu komplexen «deep-learning» neuronalen Netzwerken, die die Forscher testeten, versagten hier.
Ausserdem: eine virtuelle Maus
An der Empa wurde ein KI-gestütztes Computermodell einer Labormaus entwickelt, das ebenso darauf abzielt, Tierversuche zu reduzieren. Das physiologisch basierte pharmakokinetische Modell (PBPK) nutzt maschinelles Lernen, um die Verteilung von Nanopartikeln im Organismus vorherzusagen. Durch die Anpassung von Parametern an spezifische Eigenschaften der Partikel – wie Grösse oder Oberflächenladung – ermöglicht das Tool ein virtuelles Screening. Dies hilft Forschenden, bereits vor der Herstellung von Nanomaterialien deren Eignung zu prüfen, was den Entwicklungsprozess effizienter macht und kostspielige Studien optimiert. Aktuell basiert das Modell auf 18 Studien; eine Erweiterung der Datenbasis soll die Zuverlässigkeit weiter steigern. Langfristig ist geplant, das Prinzip auf den Menschen zu übertragen, um den Übergang zur klinischen Anwendung zu beschleunigen.
ChemieXtra
Lötsch erläutert: «Wir haben mittlerweile eine Reihe von Datensätzen ähnlich getestet und können heute sagen: Mit genESOM lässt sich die die Zahl genutzter Tiere bei explorativen Forschungsfragen um 30 bis 50 Prozent reduzieren, und die Ergebnisse bleiben wissenschaftlich valide.» Der Datenwissenschaftler weist jedoch darauf hin, dass genESOM nur aus den Daten lernen könne, die in realen Tierexperimenten gewonnen worden seien. Auch lasse sich die Zahl der Versuchstiere nicht beliebig reduzieren: «Wenn man zu wenige Tiere ins Experiment aufnimmt und die Anzahl dann durch generative KI einfach ergänzt, könnte das Experiment wegen der Verstärkung von Zufallsbefunden sehr schnell wissenschaftlich wertlos werden.» Trotzdem ist Lötsch überzeugt: «Mit genESOM können wir einen wichtigen Beitrag zur Reduktion der Tierversuchszahlen in grossen Bereichen der präklinischen Forschung leisten.» Die Ergebnisse wurden in den Fachzeitschriften Pharmacological Research, iScience und Briefings in Bioinformatics publiziert.
