{"id":16182,"date":"2024-11-06T09:02:44","date_gmt":"2024-11-06T09:02:44","guid":{"rendered":"https:\/\/lamarr-institute.org\/?post_type=blog&p=16182"},"modified":"2025-11-12T14:54:20","modified_gmt":"2025-11-12T14:54:20","slug":"ki-in-den-life-sciences","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/ki-in-den-life-sciences\/","title":{"rendered":"KI und ML in den Life Sciences"},"content":{"rendered":"\n

Der Forschungsbereich Life Sciences ist ein hoch interdisziplin\u00e4rer Bestandteil der Forschung am Lamarr-Institut, der sich haupts\u00e4chlich auf maschinelles Lernen (ML) in den Lebenswissenschaften konzentriert, einschlie\u00dflich Chemie und Pharmaforschung, und dabei Konzepte aus der erkl\u00e4rbaren K\u00fcnstlichen Intelligenz (XAI)<\/a> nutzt, um Vorhersagen nachvollziehbar zu machen. Die Forschung in diesem Bereich zielt darauf ab, KI-Innovationen und -Anwendungen in der interdisziplin\u00e4ren Life-Science-Forschung voranzutreiben und wissenschaftliche Entdeckungen sowie Erkenntnisse \u00fcber verschiedene Disziplinen hinweg zu f\u00f6rdern. In diesem Blogbeitrag stellen wir vor, wie Lamarr-Forschende KI und ML in den Life Sciences anwenden.<\/p>\n\n\n\n

Unser Ansatz entspricht dem Forschungsparadigma des Lamarr-Instituts der \u201eTriangul\u00e4ren KI\u201c.<\/a> Durch den Fokus auf ML und XAI geht der Forschungsbereich Life Sciences die Herausforderung an, die komplexen \u201eBlack-Box\u201c-Entscheidungsprozesse von ML-Modellen zu verstehen, was f\u00fcr zwei wesentliche Aspekte in den Lebenswissenschaften entscheidend ist:<\/p>\n\n\n\n

    \n
  1. Vertrauen und Transparenz f\u00fcr Nicht-Expert*innen schaffen<\/strong> \u2013 Modelle des Maschinellen Lernens und ihre Vorhersagen m\u00fcssen vertrauensw\u00fcrdig und verst\u00e4ndlich sein, insbesondere f\u00fcr Nicht-Expert*innen wie experimentelle Forscher*innen, die diese Vorhersagen f\u00fcr das experimentelle Design nutzen. Ohne klare Erkl\u00e4rungen f\u00fcr KI-gest\u00fctzte Vorhersagen herrscht oft Skepsis und Zur\u00fcckhaltung gegen\u00fcber den Ergebnissen. Dies ist besonders wichtig in Bereichen wie personalisierte Medizin oder Pharmaforschung, wo Entscheidungen Menschenleben betreffen oder erhebliche finanzielle Investitionen beinhalten k\u00f6nnen.<\/li>\n\n\n\n
  2. Wissenschaftliches Wissen erweitern<\/strong> \u2013 In interdisziplin\u00e4ren Kontexten sollte KI auch zur Erweiterung wissenschaftlicher Kenntnisse und zur Analyse komplexer, kontextabh\u00e4ngiger Aufgaben beitragen, wie der Erforschung biologischer oder chemischer Mechanismen. Eine der Hauptaufgaben in der Forschung ist es, die Expertise von Praktiker*innen und KI-Expert*innen zu verbinden und die Kommunikation und Zusammenarbeit zu f\u00f6rdern, um wissenschaftliche Fortschritte voranzutreiben.<\/li>\n<\/ol>\n\n\n\n
    \"Scheme
    \u00a9 Elena Xerxa<\/figcaption><\/figure>\n\n\n\n

    Computergest\u00fctzte Pharmaforschung<\/h2>\n\n\n\n

    Die Life Science Informatics (LSI) Abteilung am Bonn-Aachen International Center for Information Technology (b-it), geleitet von Prof. Dr. J\u00fcrgen Bajorath, ist eine der tragenden S\u00e4ulen im Bereich Life Sciences am Lamarr-Institut. Der Forschungsschwerpunkt der LSI-Abteilung liegt auf der Entwicklung und Anwendung von ML- und XAI-Methoden f\u00fcr die computergest\u00fctzte medizinische Chemie- und Pharmaforschung. Zentrale Forschungsobjekte sind dabei kleine molekulare Liganden \u2013 Substanzen wie Cofaktoren, Metaboliten oder Wirkstoffkandidaten \u2013 die spezifisch an biologische Makromolek\u00fcle, insbesondere pharmakologisch relevante Proteine, binden, um deren Aktivit\u00e4t oder Funktion zu hemmen oder zu steigern.
    Kleine Molek\u00fcle werden in verschiedenen Formen dargestellt, wie molekularen Graphen, bin\u00e4ren Vektoren (sogenannte molekulare Fingerabdr\u00fccke), textuellen Repr\u00e4sentationen (Zeichenfolgen) oder Bildern. Diese Darstellungen dienen als Eingaben f\u00fcr verschiedene (Deep Learning) Modelle, die chemische Struktur-Eigenschafts-Beziehungen lernen k\u00f6nnen. Dieses Verfahren kann sowohl f\u00fcr generative als auch pr\u00e4diktive molekulare Designanwendungen genutzt werden.<\/p>\n\n\n\n

    Hauptforschungsprojekte<\/h2>\n\n\n\n

    Ein aktuelles Hauptprojekt im Bereich Life Sciences ist die Zusammenarbeit mit dem T\u00fcCAD2 Academic Drug Discovery Center<\/a> der Universit\u00e4t T\u00fcbingen, mit dem Fokus auf die Erforschung der Proteinkinase in der Pharmaforschung und insbesondere der sogenannten \u201edunklen Kinome\u201c, also wenig untersuchten menschlichen Kinasen. Proteinkinasen sind Enzyme, die die Phosphorylierung anderer Proteine katalysieren, was oft deren Aktivit\u00e4t reguliert. Ein Ziel des Projekts mit T\u00fcCAD2 ist die Identifikation neuer aktiver Verbindungen, die auf dunkle Kinasen abzielen, um deren Rolle in der intrazellul\u00e4ren Signal\u00fcbertragung und m\u00f6glichen Beteiligung an Krankheiten wie Krebs oder immunologischen Erkrankungen besser zu verstehen. Dieses Projekt veranschaulicht die enge Interaktion zwischen gro\u00dfangelegter Wirkstoffdatenanalyse, pr\u00e4diktiven Modellen, medizinischer Chemie und Pharmakologie.
    Ein weiterer wichtiger Forschungsschwerpunkt ist die Entwicklung und Anwendung \u201ebiochemischer Sprachmodelle\u201c auf Basis von Transformer-Architekturen. Diese spezialisierten Sprachmodelle nutzen textuelle Darstellungen von kleinen Molek\u00fclen und\/oder Proteinen und erm\u00f6glichen pr\u00e4diktive Aufgaben, die bisher schwer oder unm\u00f6glich zu bew\u00e4ltigen waren, wie z. B. das Design neuer Wirkstoffe auf Basis biologischer Sequenzdaten. Zudem erm\u00f6glicht die Erzeugung von Mehrzielverbindungen (Verbindungen, die an mehrere Zielproteine binden k\u00f6nnen) ein weiteres wichtiges Anwendungsfeld. Die F\u00e4higkeit, an mehrere Zielproteine zu binden, ist oft in der Pharmaforschung von Vorteil, da die Behandlung von Pathologien wie Krebs von einer gleichzeitigen Interferenz mit mehreren Proteinen profitieren kann. K\u00fcrzlich entwickelten wir ein     Transformer-Modell<\/a>, das als Eingabe Einzelzielverbindungen verwendet und als Ausgabe Zweizielverbindungen mit der gew\u00fcnschten Aktivit\u00e4t generiert.<\/p>\n\n\n\n

    \"AI-generated
    \u00a9 Sanjana Srinivasan & J\u00fcrgen Bajorath
    Schematische Darstellung von AI-generierten Dual-Target-Verbindungen vs.<\/em> Single-Target-Verbindungen<\/figcaption><\/figure>\n\n\n\n

    XAI-Ans\u00e4tze spielen in unserem Forschungsbereich Life Sciences am Lamarr-Institut eine entscheidende Rolle, wie bereits erw\u00e4hnt. Hier werden neue Konzepte und Methoden entwickelt, um nicht nur zu verstehen, wie ML-Modelle spezifische Vorhersagen treffen (Stufe 1), sondern auch diese Vorhersagen aus einer chemischen oder biologischen Perspektive zu interpretieren (Stufe 2). In einem k\u00fcrzlich durchgef\u00fchrten Projekt wurden die Lerncharakteristika von graph-basierten neuronalen Netzwerken (GNNs), die im Wirkstoffdesign eingesetzt werden, anhand einer neu entwickelten Methodik namens EdgeSHAPer<\/a> gr\u00fcndlich untersucht. Diese Methode nutzt Shapley-Werte<\/a> aus der kooperativen Spieltheorie, um die Bedeutung bestimmter Kanten in GNN-Vorhersagen zu bewerten und tiefere Einblicke in die Relevanz einzelner Merkmale zu gewinnen.<\/p>\n\n\n\n

    Die Erkl\u00e4rung von Vorhersagen auf zwei Ebenen erm\u00f6glicht es Forschenden, Kausalbeziehungen zwischen ML-Modellvorhersagen und den gelernten chemischen oder biologischen Prozessen zu untersuchen, z. B. der gezielten Hemmung eines Proteins durch neu entworfene Verbindungen. Diese Erforschung von Kausalit\u00e4t \u00fcberschneidet sich nat\u00fcrlich mit menschlichem Denkverm\u00f6gen und er\u00f6ffnet M\u00f6glichkeiten zur Verbindung der KI-Forschung mit kognitiven Wissenschaften und philosophischen Konzepten. Diese interdisziplin\u00e4re Perspektive bietet Wachstumschancen f\u00fcr unseren Forschungsbereich Life Sciences und erweitert den Horizont \u00fcber die Kernbereiche der Lebenswissenschaften hinaus.<\/p>\n\n\n\n

    Erfahren Sie hier<\/a> mehr \u00fcber den interdisziplin\u00e4ren Forschungsbereich Life Sciences am Lamarr-Institut.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Erfahren Sie, wie KI und maschinelles Lernen die Lebenswissenschaften transformieren, indem sie Transparenz in der Pharmaforschung f\u00f6rdern und chemisches sowie biologisches Wissen durch interdisziplin\u00e4re Forschung am Lamarr-Institut erweitern.<\/p>\n","protected":false},"author":22,"featured_media":16186,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,396,390],"blog-tag":[1654,1484,1526,1562],"class_list":["post-16182","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-forschung","blog-category-grundlagen","blog-tag-black-box","blog-tag-erklaerbare-ki-xai","blog-tag-ki-in-der-medizin","blog-tag-pharmaforschung"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/16182","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/22"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/16182\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/16186"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=16182"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=16182"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=16182"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}