Forschende von Helmholtz Munich und dem Mila-Institut in Montréal haben ein neues KI-Verfahren namens BioPathNet entwickelt. Es durchsucht große biologische Datennetze gezielt nach versteckten Zusammenhängen, von Genfunktionen über Krankheitsmechanismen bis zu Therapieansätzen. Die Methode erschien in der Fachzeitschrift Nature Biomedical Engineering.

Biomedizinische Wissensgraphen verknüpfen Gene, Proteine, Krankheiten, Medikamente und Prozesse miteinander. Sie sind jedoch lückenhaft, viele vermutete Verbindungen fehlen. BioPathNet analysiert nicht nur einzelne Datenpunkte, sondern ganze Ketten von Beziehungen, etwa vom Gen über Signalwege zu Krankheiten und Wirkstoffen. Aus tausenden Mustern lernt das Modell, welche neuen Verbindungen biologisch plausibel sind. Die Vorhersagen sind nachvollziehbar, da für jede Empfehlung die zugrunde liegenden Pfade im Netz sichtbar werden.

In Tests sagte BioPathNet Genfunktionen, Krankheitsbeziehungen und Therapieansätze voraus, etwa bei Leukämien, Magenkrebs und Alzheimer. Es entdeckte bekannte Therapien wieder und schlug Substanzen vor, die in klinischen Studien geprüft werden. Das Verfahren ist kein Blackbox-Modell, sondern ein Werkzeug für testbare Hypothesen. Jede vorgeschlagene Verbindung muss experimentell oder klinisch überprüft werden. Die Qualität hängt von den Eingabedaten ab.

Langfristig soll BioPathNet Baustein für umfassende Grundmodelle biomedizinischer Graphen werden, die für verschiedene Aufgaben anpassbar sind, von der Wirkstoffsuche bis zur Entschlüsselung von Krankheitsmechanismen. Es basiert auf dem Graph-Neural-Network-Framework NBFNet und kombiniert Vorhersagekraft mit Interpretierbarkeit. Als Open-Source-Lösung steht es Forschern weltweit zur Verfügung.

Die Idee entstand während eines Aufenthalts einer Doktorandin am Mila-Institut. Ein ursprünglich geplantes Projekt zu Luftverschmutzung scheiterte an mangelnden Daten, woraufhin das Team biomedizinische Wissensgraphen als Alternative wählte. Die interdisziplinäre Zusammenarbeit aus Computational Biology, Mathematik, Biophysik und Informatik über Standorte hinweg war entscheidend.

BioPathNet hilft, verstreutes Wissen in Datennetzen besser zu nutzen und neue Ideen für Experimente und Therapien zu generieren. Es adressiert die Komplexität biomedizinischer Daten und unterstützt die Hypothesenbildung in der Forschung. Durch die Fokussierung auf Pfade statt isolierter Punkte verbessert es die Plausibilität von Vorhersagen. In der Onkologie und Neurologie könnte es neue Ansätze für personalisierte Medizin liefern.

Die Methode reduziert den Aufwand für manuelle Analysen großer Graphen und macht versteckte Muster zugänglich. Sie ergänzt bestehende KI-Ansätze durch erhöhte Transparenz, was die Akzeptanz in der medizinischen Forschung steigert. Zukünftige Entwicklungen könnten die Integration weiterer Datenquellen umfassen, um die Genauigkeit zu erhöhen. Das Tool trägt zur Beschleunigung der biomedizinischen Entdeckungen bei und könnte langfristig zu neuen Therapien führen. Die Kooperation zwischen Helmholtz Munich und Mila zeigt das Potenzial internationaler Partnerschaften in der KI-Forschung.

Original Paper:

Enhancing link prediction in biomedical knowledge graphs with BioPathNet | Nature Biomedical Engineering

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.