Wissenschaftler der Universität Tel Aviv haben einen eigenen KI-Algorithmus entwickelt, mit dem sie besser verstehen können, wie sich genetische Krankheiten wie Krebs entwickeln und auf Medikamente ansprechen.
Das innovative Programm mit dem Namen «scNET» kombiniert eine grosse Menge an Daten, die aus einer menschlichen Körperprobe entnommen werden, um Wissenschaftlern Einblicke in die Interaktion und das Verhalten von Zellen innerhalb bestimmter Gene zu geben. Auf dieser Grundlage können sie biologische Muster erkennen und die Entwicklung einer Krankheit prognostizieren.
Das Tool liefert nicht nur Informationen darüber, wie Krankheiten aktiviert werden können, sondern hilft Wissenschaftlern auch dabei, die Wirkungsweise von Behandlungen besser zu verstehen.
Professor Asaf Madi erklärte gegenüber der Nachrichtenagentur TPS: «Jede Zelle verfügt über einen einzigartigen Satz an Genen, die aktiviert oder nicht aktiviert sind. Die Kombination der aktivierten Gene gibt uns das Programm dessen, was diese Zelle gerade tut, und ob sie aus dem Ruhezustand erwachen kann oder nicht.»
«Wenn man untersucht, wie stark eine Zelle «zytotoxische Aktivität» aussendet, kann man erkennen, ob sie aktiv wird, um Krebs in anderen Körperteilen zu bekämpfen», sagte Madi.
«Die Technologie hat uns bisher keinen klaren und umfassenden Überblick verschafft, um solche Informationen zu ermitteln, aber das KI-Tool wird hier eine grosse Hilfe sein. Wir haben bereits beobachtet, wie sich Krebstumore bei Mäusen verkleinerten, aber wir wussten nicht immer, warum. Jetzt haben wir ein besseres Verständnis. Es kann Wissenschaftlern helfen, die nicht nur Tumore, sondern Daten zu genetischen Bedingungen und Krankheiten im Allgemeinen erforschen», erklärte Madi.
Bei der Verwendung aggregiert das KI-Tool Daten aus dem Körper, einschliesslich der Protein-Protein-Interaktion, sowie Zell- und Gendaten. Die Kombination dieser Informationen wurde bisher noch nie zusammengestellt, sodass das Tool das erste ist, das dies tut.
Der App-Entwickler Ron Sheinin sagte: «scNET integriert Einzelzell-Sequenzierungsdaten mit Netzwerken, die mögliche Geninteraktionen beschreiben, ähnlich wie ein soziales Netzwerk, und liefert eine Karte, wie verschiedene Gene sich gegenseitig beeinflussen und miteinander interagieren könnten. Es ermöglicht eine genauere Identifizierung bestehender Zellpopulationen in der Probe. So ist es möglich, das gemeinsame Verhalten von Genen unter verschiedenen Bedingungen zu untersuchen und die komplexen Mechanismen aufzudecken, die den gesunden Zustand oder die Reaktion auf Behandlungen charakterisieren.»
Professor Roded Sharan kommentierte: «Dies ist ein hervorragendes Beispiel dafür, wie Tools der künstlichen Intelligenz dazu beitragen können, biologische und medizinische Daten zu entschlüsseln, und uns so neue und wichtige Erkenntnisse ermöglichen. Die Idee ist, biomedizinischen Forschern Rechenwerkzeuge zur Verfügung zu stellen, die dabei helfen, die Funktionsweise der Körperzellen zu verstehen und so neue Wege zur Verbesserung unserer Gesundheit zu finden.»
