Am MIT haben Forscher einen gro\u00dfen Schritt vorangemacht, um wissenschaftliche Experimente schneller, zuverl\u00e4ssiger und kosteng\u00fcnstiger zu gestalten \u2013 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 k\u00f6nnen, bietet diese neue Strategie einen erfrischenden Ansatz f\u00fcr den Umgang mit einer riesigen Anzahl von Behandlungskombinationen \u2013 eine Herausforderung, die Wissenschaftler weltweit seit langem vor ein Problem stellt.<\/p>\n
Stellen Sie sich vor, Sie w\u00e4ren Wissenschaftler und w\u00fcrden versuchen herauszufinden, wie sich verschiedene Kombinationen von Gentherapien auf das Krebswachstum auswirken k\u00f6nnten. Bislang st\u00fcnden Sie vor einem Prozess, der sowohl zeitaufwendig als auch gewaltig ist \u2013 es gibt Milliarden m\u00f6glicher Kombinationen. Jede einzelne zu testen? Keine Chance. Wenn Sie nur eine Handvoll ausprobieren, k\u00f6nnten Ihre Ergebnisse verzerrt sein. Es besteht immer das Risiko, dass einige wichtige Wechselwirkungen unbemerkt bleiben.<\/p>\n
Um diesen m\u00fchsamen Prozess aufzubrechen, hat das Team des MIT ein probabilistisches Rahmenkonzept entwickelt, das die Situation grundlegend ver\u00e4ndert. Anstatt im Voraus zu entscheiden, welche Kombinationen getestet werden sollen, weisen die Wissenschaftler die Behandlungen nun nach dem Zufallsprinzip zu \u2013 allerdings so, dass die f\u00fcr sie relevanten Dosierungsstufen weiterhin ber\u00fccksichtigt werden. Jede Zelle wird beispielsweise parallel verschiedenen Behandlungen ausgesetzt, gesteuert durch sorgf\u00e4ltig festgelegte Wahrscheinlichkeiten. Dies beseitigt viel Spekulation, verringert Verzerrungen und liefert ein umfassenderes Bild davon, wie verschiedene Behandlungen miteinander interagieren k\u00f6nnten.<\/p>\n
Doch es gibt noch eine weitere wichtige Frage: Wie k\u00f6nnen Forscher die richtige Dosierung f\u00fcr jede Behandlung ermitteln, um deren Wirkung m\u00f6glichst genau zu erfassen? Das Team des MIT hat eine neuartige Antwort darauf gefunden. Stellen Sie sich die Dosierung wie das Werfen einer gewichteten M\u00fcnze vor \u2013 eine h\u00f6here Dosierung bedeutet, dass \u201cKopf\u201d wahrscheinlicher ist, sodass diese Behandlung h\u00e4ufiger verabreicht wird; bei einer niedrigeren Dosierung ist dies seltener der Fall. Im Laufe der Zeit passt das Experiment diese \u201cWahrscheinlichkeiten\u201d auf der Grundlage von R\u00fcckmeldungen aus fr\u00fcheren Runden an. Jede kleine Anpassung bringt das Experiment der wirksamsten Mischung und Konzentration ein St\u00fcck n\u00e4her, wobei man sich auf Daten statt auf Bauchgef\u00fchl st\u00fctzt.<\/p>\n
Das wirklich Spannende daran ist, dass sich Forscher nicht mit einem \u201cEinmal-und-fertig\u201d-Ansatz begn\u00fcgen m\u00fcssen. Sobald neue Ergebnisse vorliegen, k\u00f6nnen sie ihre Strategie verfeinern, sodass jede neue Versuchsrunde intelligenter ist als die vorherige. Dies ist besonders n\u00fctzlich, wenn die Ressourcen knapp sind oder die Daten verrauscht sind \u2013 mit anderen Worten: unter realen Bedingungen, mit denen Wissenschaftler t\u00e4glich konfrontiert sind.<\/p>\n
Nach einer Reihe von Simulationen stellte das Team fest, dass seine neue Methode bei der Vorhersage von Ergebnissen durchweg besser abschnitt als herk\u00f6mmliche Ans\u00e4tze, 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 gr\u00f6\u00dften Fragen der Biologie ebnen wird.<\/p>\n
Dieser neue Ansatz k\u00f6nnte die Erforschung biologischer Systeme grundlegend ver\u00e4ndern und m\u00f6glicherweise zu Durchbr\u00fcchen bei der Behandlung von genetischen Erkrankungen, Krebs und vielem mehr f\u00fchren. Die Forscher geben sich damit jedoch nicht zufrieden \u2013 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 k\u00f6nnen. Als N\u00e4chstes stehen Tests unter realen Bedingungen an, bei denen sie ihre Erkenntnisse auf die ultimative Probe stellen wollen.<\/p>\n
Diese Arbeit wurde von Jiaqi Zhang und Divya Shyamal unter der Leitung von Caroline Uhler als leitender Autorin durchgef\u00fchrt und vom MIT, Apple, verschiedenen Bundesbeh\u00f6rden sowie mehreren weiteren F\u00f6rderern unterst\u00fctzt. Ihre Studie wurde erstmals auf der Internationalen Konferenz f\u00fcr maschinelles Lernen vorgestellt und k\u00f6nnte schon bald einen Wendepunkt in der weltweiten Forschungsarbeit markieren.<\/p>\n