Forscher der Mayo Clinic haben ein Tool für künstliche Intelligenz (KI) namens OmicsFootPrint entwickelt, mit dem große Mengen komplexer biologischer Daten in zweidimensionale kreisförmige Bilder umgewandelt werden können. Die Einzelheiten des Tools wurden in einer Studie in Nucleic Acids Research veröffentlicht .
Omics ist die Untersuchung von Genen, Proteinen und anderen molekularen Daten, um zu verstehen, wie der Körper funktioniert und wie sich Krankheiten entwickeln. Durch die Kartierung dieser Daten kann OmicsFootPrint Klinikern und Forschern eine neue Möglichkeit bieten, Muster bei Krankheiten wie Krebs und neurologischen Störungen zu visualisieren , die bei der Entwicklung personalisierter Therapien helfen können. Es kann auch eine intuitive Möglichkeit bieten, Krankheitsmechanismen und -wechselwirkungen zu erforschen.
„Daten werden am aussagekräftigsten, wenn man die Geschichte sehen kann, die sie erzählen“, sagt Hauptautor Krishna Rani Kalari, Ph.D. , außerordentlicher Professor für biomedizinische Informatik am Center for Individualized Medicine der Mayo Clinic. „OmicsFootPrint könnte Türen zu Entdeckungen öffnen, die uns bisher nicht möglich waren.“
Gene fungieren als Bedienungsanleitungen des Körpers, während Proteine diese Anweisungen ausführen, damit die Zellen funktionieren. Manchmal können Änderungen dieser Anweisungen – sogenannte Mutationen – diesen Prozess stören und zu Krankheiten führen. Der OmicsFootPrint hilft, diese Komplexitäten zu verstehen, indem er Daten – wie Genaktivität, Mutationen und Proteinspiegel – in farbenfrohe, kreisförmige Karten umwandelt, die ein klareres Bild davon bieten, was im Körper passiert.
In ihrer Studie verwendeten die Forscher OmicsFootPrint, um die Wirkung von Medikamenten und Multi-Omics-Daten zu Krebs zu analysieren. Das Tool unterschied zwischen zwei Arten von Brustkrebs – lobuläres und duktales Karzinom – mit einer durchschnittlichen Genauigkeit von 87 %. Bei der Anwendung auf Lungenkrebs zeigte es eine Genauigkeit von über 95 % bei der Identifizierung zweier Arten: Adenokarzinom und Plattenepithelkarzinom.
Die Studie zeigte, dass die Kombination mehrerer Arten molekularer Daten genauere Ergebnisse liefert als die Verwendung nur einer Datenart.
OmicsFootPrint hat auch das Potenzial, selbst mit begrenzten Datensätzen aussagekräftige Ergebnisse zu liefern. Es verwendet fortschrittliche KI-Methoden, die aus vorhandenen Daten lernen und dieses Wissen auf neue Szenarien anwenden – ein Prozess, der als Transferlernen bekannt ist. In einem Beispiel half es Forschern, eine Genauigkeit von über 95 % bei der Identifizierung von Lungenkrebssubtypen zu erreichen, wobei weniger als 20 % des typischen Datenvolumens verwendet wurden.
https://academic.oup.com/nar/article/52/21/e99/7833676
