Dem Leben ins Gesicht sehen: Deep Learning und der Einfluss von KI auf die Life Sciences Industrie

Wenn Sie in Ihrer Kindheit Douglas Adams' Per Anhalter durch die Galaxis gelesen haben, erinnern Sie sich sicher an Deep Thought - den superintelligenten Computer, der die "Antwort auf die ultimative Frage nach dem Leben, dem Universum und allem" finden sollte. Intelligente Maschinen, die früher nur in Science-Fiction-Filmen vorkamen, sind im^21. Jahrhundert allgegenwärtige Realität. Deep-Learning-Algorithmen haben das Aufkommen selbstlernender Maschinen ermöglicht, die Industriestandards neu definieren - der weltweite Markt für künstliche Intelligenz (KI) wird bis 2022 voraussichtlich auf über 16 Millionen Dollar geschätzt.

Lange Zeit schränkten Protokolle und Compliance-Normen wie FDA-Vorschriften die Einführung von mobilen und Cloud-Lösungen in den Bereichen Biowissenschaften und Gesundheitswesen ein. Die Verbreitung von vernetzten Geräten und KI-Technologie hat jedoch die Einführung neuer und die Überarbeitung bestehender gesetzlicher Regelungen erforderlich gemacht.

Die Allgemeine Datenschutzverordnung (GDPR) ist eine solche von der Europäischen Union eingeführte Gesetzgebung, die mehrere Datenschutzgesetze in der Region zusammenführt. Daher müssen Entwickler und Hersteller eine unternehmensweite Strategie für mobile Geräte entwickeln, die standardmäßige Datenaudits umfasst. Dies wird umso wichtiger, wenn es um Sektoren wie Biowissenschaften und Gesundheitswesen geht, wo eine riesige Menge an Patienten- und wissenschaftlichen Daten erzeugt und gesammelt wird.

Es wurden bereits bahnbrechende Entdeckungen gemacht, bei denen maschinelles Lernen eingesetzt wurde, um weitreichende Auswirkungen auf die Gesundheit und das Wohlbefinden der Menschen zu bewirken. Das MIT Lincoln Laboratory Supercomputing Center hat einen Weg entwickelt, wie maschinelles Lernen genutzt werden kann, um große Mengen von Patientendaten zu durchforsten und so personalisierte und gezielte Behandlungen und Heilmittel zu entwickeln. In einem bestimmten Szenario analysierten die Forscher des Zentrums Daten, die über einen Zeitraum von 10 Jahren auf einer Intensivstation gesammelt wurden, um verwertbare Erkenntnisse zu gewinnen - und das in einer Zeitspanne, die exponentiell kürzer ist als die, die traditionelle Analysesysteme benötigt hätten.

Der Aufbau einer kohärenten Datenstruktur durch die Konsolidierung von Systemen mit Hilfe von Deep Learning steht im Mittelpunkt der Entwicklung von Life-Science-Technologien. CAx oder computergestützte Automatisierung formt und erweitert das digitale Engineering, um funktionale Modelle, Prototypen und Geräte zu entwickeln. Wissenschaftler am Institute of Computational Medicine der Johns Hopkins University haben mithilfe von Hochleistungsrechnern (HPC) ein Modell des menschlichen Herzens entwickelt. Das Modell bildet verschiedene Funktionsschichten des Herzens bis hin zur zellulären und molekularen Ebene genau nach. Es bietet ein noch nie dagewesenes Verständnis der verschiedenen krankheitsbedingten Funktionsstörungen des menschlichen Herzens. Mit Hilfe dieses Modells können Forscher bessere und effektivere Wege finden, um Erkenntnisse über Krankheiten wie Herzrhythmusstörungen zu gewinnen und diese zu behandeln.

Mit der Einführung von KI-Chips wird die Schaffung konvergenter Überwachungssysteme für das Gesundheitswesen und die Biowissenschaften zur Realität. Damit wird die KI zu einer der wichtigsten Errungenschaften des^21. Jahrhunderts.

Seit Watson und Cricks die Doppelhelixstruktur des DNA-Strangs entdeckten, ist die Kartierung des menschlichen Genoms zu einer der spannendsten Aktivitäten im Bereich der Biowissenschaften geworden. Die Entschlüsselung der Karte des menschlichen Genoms war der Schlüssel zu einem bisher unerforschten Gebiet - dem grundlegenden Verständnis der Funktionen der menschlichen Physiologie und damit auch der Störungen, die durch Krankheiten und andere medizinische Zustände verursacht werden. Die Etablierung von KI-gestützten tiefen neuronalen Netzen (DNNs) hat dies erheblich erleichtert. DNNs haben bereits zur Entwicklung von Biomarkern geführt, mit deren Hilfe Art und Ausmaß therapeutischer Eingriffe in der Alternsforschung beurteilt werden können.

Ein kanadisches Unternehmen arbeitet an der Umkehrung des genetischen Codes, um die so genannte "Genotyp-Phänotyp"-Lücke zu schließen, d. h. die Ungewissheit über genetische Veränderungen. Jedes Genom enthält etwa sechs Millionen Buchstaben oder Codes, und wenn man die Anzahl der Menschen auf der Erde bedenkt, ist das ein astronomischer Datenbestand. Außerdem sind in der Biologie keine endlosen und zufälligen Tests möglich. KI und Deep Learning erweisen sich daher als die geeignetsten Werkzeuge, um ein solches Niveau der Gentechnik zu erreichen.

Ist das Reverse Engineering erst einmal erreicht, wird es dazu beitragen, die Präzisionsmedizin, die Gentests, die Diagnostik und die Entwicklung von Therapien völlig zu verändern. Und dann haben wir vielleicht die "Antwort auf die ultimative Frage nach dem Leben, dem Universum und allem"