Wie man KI in der biopharmazeutischen Forschung optimal nutzen kann

Maschinelles Lernen kann Forschern helfen, wissenschaftliche Aufgaben schneller und effektiver zu bewältigen - wenn Labore Maßnahmen ergreifen, um eine nahtlose Integration zu gewährleisten.

Big Data ist in der Tat angekommen. Doch trotz seines immensen Potenzials stellt es die Forscher in der Industrie vor noch nie dagewesene Herausforderungen. "Wissenschaftler, vom Forschungstechniker bis zum Forschungsleiter, verbringen viel zu viel Zeit mit dem Durchsuchen von Daten", sagt Zareh Zurabyan, Leiter von eLabNext, einem Spezialisten für die Digitalisierung von Laboren.

Es wird nicht mehr lange dauern, bis es zu viele Daten gibt, um sie ohne Hilfe zu verwalten. "Die rasant wachsende Datenmenge übersteigt das Tempo, in dem der Mensch sie sinnvoll verarbeiten kann", sagt Erwin Seinen, Gründer und Geschäftsführer von eLabNext. "Das bedeutet, dass künstliche Intelligenz (KI) für die Biotechnologie zu einer Notwendigkeit und nicht nur zu einer Neuheit werden wird."

Es gibt zahlreiche Möglichkeiten für maschinelles Lernen (ML) und andere KI-basierte Werkzeuge, um den Forschungsprozess zu verändern. Solche Algorithmen können zum Beispiel die Durchführung automatisierter Experimente mit mehreren Instrumenten verwalten oder Muster innerhalb einer Forschungspipeline erkennen. Wenn solche Tools direkt mit elektronischen Labornotizbüchern (ELN) wie dem von eLabNext entwickelten gekoppelt werden, ist es möglich, KI-Funktionen nahtlos in den täglichen Arbeitsablauf der Forscher zu integrieren.

Der Einsatz von KI in der Arzneimittelentwicklung ist noch nicht alltäglich. Forschung von Deloitte im Jahr 2021 ergab, dass 38% der befragten Biopharmaunternehmen KI im Alltag einsetzen, obwohl weitere 31% den Einsatz solcher Tools prüfen.

"In vielen Fällen haben wir festgestellt, dass die Unternehmensleitung die Integration von KI in ihre Forschung, Medikamentenentwicklung und Präzisionsmedizin absolut befürwortet", sagt Taylor Chartier, Gründerin und CEO des auf Biowissenschaften spezialisierten KI-Unternehmens Modicus Prime. Sie weist jedoch darauf hin, dass die Einführung solcher Fähigkeiten schwierig sein kann. "Pharmaunternehmen sind keine Softwareunternehmen." Eine wirksame Digitalisierung erfordert den Zugang zu externen KI-basierten Tools und Dienstleistungen, die die Integration in bestehende Arbeitsabläufe so einfach wie möglich machen, fügt sie hinzu.

Für Labore, die noch keine Software einsetzen, bietet die Einführung von KI-Tools viele Vorteile. Und für diejenigen, die bereits digitalisiert sind, gibt es Strategien, um das Beste aus den KI-Technologien herauszuholen. eLabNext ergänzt seine ELN-Plattform mit zwei KI-Add-ons, die von Modicus Prime und ImmunoMind entwickelt wurden, einem Startup, das sich auf Einzelzell-Multiomik für die Entwicklung von Zelltherapien spezialisiert hat, mit dem Ziel, den Datenbedarf von Biopharma-Laboren nahtlos zu erfüllen, von der Bildanalyse bis zur Zellidentifizierung.

Wie kann KI nützlich sein?

Für Neulinge in der Welt der KI kann es schwierig sein, den Hype von der Realität zu unterscheiden, wenn es darum geht, was die Systeme leisten können. "KI kann im Allgemeinen drei Arten von Problemen lösen", erklärt Vadim Nazarov, Mitbegründer und CEO von ImmunoMind. "Sie kann kleine und einfache Aufgaben automatisieren, die Leistung einiger komplizierter Aufgaben verbessern oder, wenn man viele Daten hat, eine Möglichkeit bieten, Erkenntnisse zu gewinnen."

Bevor sich ein Biopharmaunternehmen für ein neues KI-basiertes System entscheidet, muss es ein klares Verständnis der Probleme haben, die es lösen will, und wissen, wie ein Tool bestehende Prozesse rationalisieren oder verbessern kann. Damit sind die KI-Firmen gefordert, Tools mit klaren und überzeugenden Anwendungen zu entwickeln. "Es gibt einige wirklich unglaubliche KI-Unternehmen, die Zugang zu enormen Datenmengen haben", sagt Chartier. "Aber jedes Mal, wenn man eine neue Technologie einführt, muss sie für den jeweiligen Kunden sehr relevant sein.

Für Modicus Prime bedeutete dies die Entwicklung eines KI-gestützten Bildanalysewerkzeugs, das leicht für spezifische Forschungsprobleme trainiert werden kann. Chartier stellt fest, dass die computergestützte Bildanalyse und -interpretation zu den ausgereiftesten Anwendungen für KI in den Biowissenschaften gehört. Die mpVision-Software ihres Unternehmens kann die meisten Kategorien von Biotech-Bilddaten schnell analysieren. So können die Anwender beispielsweise Zellen von Interesse von anderen Zelltypen oder von Zelltrümmern unterscheiden, Anomalien bei der Arzneimittelherstellung erkennen, Kristallisationsprozesse charakterisieren oder eine schnelle Qualitätskontrolle von Biologika in jedem Maßstab durchführen - vom Labortisch bis zur Produktionsstätte.

Die Software von ImmunoMind wurde für spezifischere immunologische Anwendungen entwickelt und stützt sich auf proteomische, transkriptomische und andere Datentypen, um T-Zell-Subpopulationen zu identifizieren und ihren physiologischen Zustand zu charakterisieren. Dies kann besonders wichtig für die Qualitätskontrolle in Bereichen wie der Krebsimmuntherapie sein, bei der Untergruppen von T-Zellen, die von Spendern stammen, kultiviert und genetisch manipuliert werden, um Tumorgewebe selektiv zu bekämpfen und abzutöten. "Beziehungen zwischen Genexpression und verschiedenen Zellphänotypen zu finden, ist für die Entwicklung von Zelltherapien extrem wichtig", sagt Nazarov. "Das sind Aufgaben, die mit traditionellen statistischen Methoden einfach nicht gelöst werden können - nur mit Machine-Learning-Algorithmen."

Das KI-fähige Labor

Im Bereich der künstlichen Intelligenz sind Daten das A und O. Die Leistung eines Algorithmus hängt stark von der Qualität der Trainingsdaten und der anschließend eingespeisten Versuchsergebnisse ab.

ImmunoMind hat sich mit ersterem befasst, indem es eine kuratierte Trainingsdatenbank zusammengestellt hat, die auf der multiautomatischen Analyse einer großen Anzahl von Immunzellen basiert. Das Unternehmen stellt dann ein benutzerfreundliches Portal zur Verfügung, über das Forscher auf der Grundlage dieser Daten Erkenntnisse über ihre eigenen Zellen gewinnen können. "Wir arbeiten eng mit unseren Kunden zusammen, um sie bei der Planung von Experimenten und Qualitätskontrollmaßnahmen zu unterstützen, damit alle Risiken im Zusammenhang mit Chargeneffekten und Verzerrungen durch nicht-ideale Experimente ausgeschlossen werden können", sagt Nazarov. Im Gegensatz dazu wird das allgemeinere Bildanalysesystem von mpVision vom Benutzer trainiert. Laut Chartier reichen bereits 20 repräsentative Bilder eines bestimmten experimentellen Prozesses aus, um die KI auf die Auswertung künftiger Daten aus derselben Pipeline vorzubereiten.

Keines der Add-Ons erfordert eine formale Ausbildung in KI oder Fachwissen in der Computerbiologie, und benutzerfreundliche Schnittstellen sind eine Standardkomponente. Die richtige Infrastruktur für die Datenverwaltung - etwa ein Laborinformationsmanagementsystem (LIMS) - ist ebenfalls entscheidend für den effektiven Einsatz von KI-Tools.

Zurabyan schlägt vor, dass Unternehmen die Einführung weiter beschleunigen können, indem sie Mitarbeiter einstellen, die sich auf diese Aufgabe konzentrieren. "Ein gut angenommener Ansatz besteht darin, ein Team zu leiten, das Zeit und Mühe darauf verwendet, Strategien für die Implementierung neuer Technologien innerhalb eines bestimmten Zeitrahmens mit klaren Zielen und Meilensteinen zu entwickeln", sagt er.

Labormitarbeiter, die nicht vollständig verstehen, was die Algorithmen tun, haben naturgemäß Angst vor dem Unbekannten - in der Tat wurden viele KI-Systeme als "Blackboxen" kritisiert, die auf verworrenen und obskuren Prozessen beruhen. KI-Entwickler können jedoch ein gewisses Maß an Transparenz erreichen, indem sie die zugrundeliegenden mathematischen Modelle erläutern und Prüfverfahren bereitstellen, mit denen die Benutzer die Arbeit der Maschine überprüfen können. Dies ist besonders wichtig für wissenschaftliche Software, die in streng regulierten Umgebungen wie GMP-Einrichtungen (Good Manufacturing Practice) eingesetzt werden soll. GxP-konforme ELNs wie die eLabNext-Plattform tun dies, indem sie die Datenbewegungen im gesamten System und seinen verschiedenen Add-Ons automatisch verfolgen und protokollieren.

Chartier ermutigt die Forscher, KI-Systeme als potenzielle Assistenten für ihre reguläre Forschungsroutine zu betrachten. "KI hilft ihnen nur, das zu tun, was sie gut können, aber schneller und effizienter".

Lesen Sie auf Nature