Unter MIT-Forscher entwickeln intelligentes System zur Untersuchung komplexer Behandlungsinteraktionen
Eine Revolution in der Art und Weise, wie wir in der Wissenschaft experimentieren
Am MIT haben Forscher einen großen Schritt vorangemacht, um wissenschaftliche Experimente schneller, zuverlässiger und kostengünstiger zu gestalten – insbesondere bei der Erforschung komplexer Systeme wie der Genetik oder Krebs. Anstatt an jahrzehntealten Trial-and-Error-Verfahren festzuhalten, die mit den heutigen wissenschaftlichen Fragestellungen kaum noch Schritt halten können, bietet diese neue Strategie einen erfrischenden Ansatz für den Umgang mit einer riesigen Anzahl von Behandlungskombinationen – eine Herausforderung, die Wissenschaftler weltweit seit langem vor ein Problem stellt.
Kombinatorische Experimente neu überdenken
Stellen Sie sich vor, Sie wären Wissenschaftler und würden versuchen herauszufinden, wie sich verschiedene Kombinationen von Gentherapien auf das Krebswachstum auswirken könnten. Bislang stünden Sie vor einem Prozess, der sowohl zeitaufwendig als auch gewaltig ist – es gibt Milliarden möglicher Kombinationen. Jede einzelne zu testen? Keine Chance. Wenn Sie nur eine Handvoll ausprobieren, könnten Ihre Ergebnisse verzerrt sein. Es besteht immer das Risiko, dass einige wichtige Wechselwirkungen unbemerkt bleiben.
Um diesen mühsamen Prozess aufzubrechen, hat das Team des MIT ein probabilistisches Rahmenkonzept entwickelt, das die Situation grundlegend verändert. Anstatt im Voraus zu entscheiden, welche Kombinationen getestet werden sollen, weisen die Wissenschaftler die Behandlungen nun nach dem Zufallsprinzip zu – allerdings so, dass die für sie relevanten Dosierungsstufen weiterhin berücksichtigt werden. Jede Zelle wird beispielsweise parallel verschiedenen Behandlungen ausgesetzt, gesteuert durch sorgfältig festgelegte Wahrscheinlichkeiten. Dies beseitigt viel Spekulation, verringert Verzerrungen und liefert ein umfassenderes Bild davon, wie verschiedene Behandlungen miteinander interagieren könnten.
Den Sweet Spot finden – optimale Dosierungen
Doch es gibt noch eine weitere wichtige Frage: Wie können Forscher die richtige Dosierung für jede Behandlung ermitteln, um deren Wirkung möglichst genau zu erfassen? Das Team des MIT hat eine neuartige Antwort darauf gefunden. Stellen Sie sich die Dosierung wie das Werfen einer gewichteten Münze vor – eine höhere Dosierung bedeutet, dass “Kopf” wahrscheinlicher ist, sodass diese Behandlung häufiger verabreicht wird; bei einer niedrigeren Dosierung ist dies seltener der Fall. Im Laufe der Zeit passt das Experiment diese “Wahrscheinlichkeiten” auf der Grundlage von Rückmeldungen aus früheren Runden an. Jede kleine Anpassung bringt das Experiment der wirksamsten Mischung und Konzentration ein Stück näher, wobei man sich auf Daten statt auf Bauchgefühl stützt.
Das wirklich Spannende daran ist, dass sich Forscher nicht mit einem “Einmal-und-fertig”-Ansatz begnügen müssen. Sobald neue Ergebnisse vorliegen, können sie ihre Strategie verfeinern, sodass jede neue Versuchsrunde intelligenter ist als die vorherige. Dies ist besonders nützlich, wenn die Ressourcen knapp sind oder die Daten verrauscht sind – mit anderen Worten: unter realen Bedingungen, mit denen Wissenschaftler täglich konfrontiert sind.
Nach einer Reihe von Simulationen stellte das Team fest, dass seine neue Methode bei der Vorhersage von Ergebnissen durchweg besser abschnitt als herkömmliche Ansätze, insbesondere bei Experimenten, die in mehreren Phasen abliefen. Mit den Worten des Co-Leiters Jiaqi Zhang: Es besteht die Hoffnung, dass dieser Ansatz den Weg zur Beantwortung einiger der größten Fragen der Biologie ebnen wird.
Wie geht es weiter?
Dieser neue Ansatz könnte die Erforschung biologischer Systeme grundlegend verändern und möglicherweise zu Durchbrüchen bei der Behandlung von genetischen Erkrankungen, Krebs und vielem mehr führen. Die Forscher geben sich damit jedoch nicht zufrieden – sie wollen ihr Modell weiter verfeinern und dabei Herausforderungen angehen, wie beispielsweise die Wechselwirkungen zwischen verschiedenen Proben oder die Frage, wie sich Selektionsverzerrungen in Experimente einschleichen können. Als Nächstes stehen Tests unter realen Bedingungen an, bei denen sie ihre Erkenntnisse auf die ultimative Probe stellen wollen.
Diese Arbeit wurde von Jiaqi Zhang und Divya Shyamal unter der Leitung von Caroline Uhler als leitender Autorin durchgeführt und vom MIT, Apple, verschiedenen Bundesbehörden sowie mehreren weiteren Förderern unterstützt. Ihre Studie wurde erstmals auf der Internationalen Konferenz für maschinelles Lernen vorgestellt und könnte schon bald einen Wendepunkt in der weltweiten Forschungsarbeit markieren.
