Worldwide China

Graphtechnologie in der medizinischen Forschung

Vernetzt gegen Diabetes: Wie Big Data harmonisieren?

| Autor / Redakteur: Dirk Möller* / Dr. Ilka Ottleben

Zukünftig sollen mehr Messdaten automatisch ins DZD connect übermittelt werden. Wie das in der Praxis funktionieren könnte, lässt sich anhand von Blutproben erklären: Sie sind sehr wertvoll, da ihre Anzahl limitiert ist. Misst Forschungsgruppe X auf Blutprobe 0001 den Glukoselevel A, wird dieser Wert in der Datenbank gemeinsam mit Angaben zum Lagerort und Zeitpunkt der Messung hinterlegt. So wird vermieden, dass bereits durchgeführte Messungen wiederholt werden und wertvolles Probematerial verschwendet wird. Es entsteht ein Informationskontext, in dem Wissenschaftler gemeinsam forschen, ohne dabei dieselben Fragen zu stellen.

Einfache Visualisierung – neue Zusammenhänge

Beim Aufbau von DZD connect überzeugten die Bioinformatiker besonders die Visualisierungsmöglichkeiten in Neo4j und die einfache Durchführung komplexer Abfragen. Die Visualisierung unterstützt die Forscher dabei, bisher unbekannte Zusammenhänge zu ermitteln. Zudem ermöglicht das Tool, Fragen zukünftig auch in natürlicher Sprache zu stellen: Wie viele Blutproben von weiblichen Patienten unter 69 Jahren liegen vor? Aus welchen Studien stammen die Proben? Welche Parameter wurden dabei gemessen?

Je umfassender und detaillierter die Angaben und Informationen, desto besser und schneller lassen sich mögliche Zusammenhänge und Muster aufspüren. Für die Forscher können dabei unterschiedliche Informationen schnell an Relevanz gewinnen: Über welchen Zeitraum wurde der Zuckerwert gemessen? Fand die Messung im nüchternen Zustand oder nach einer Glukosezufuhr statt? Wie hat sich der Wert langfristig verändert? Und kann die Veränderung auf eine gesündere Ernährung, ein Medikament oder einen bis dahin unbekannten Faktor zurückgeführt werden?

Als weiteren Forschungsansatz verfolgt das Deutsche Zentrum für Diabetesforschung, humane Daten aus der klinischen Forschung mit hochstandardisierten Daten aus Tiermodellen, beispielsweise von Mäusen und Schweinen, zu verknüpfen. In den Tiermodellen werden verschiedene Prozesse analysiert und dann auf den Menschen übertragen und verglichen. Im Graphen lassen sich Auffälligkeiten, Muster oder Zusammenhänge erkennen und Hypothesen ableiten, die von den Wissenschaftlern weiter verfolgt werden: Im Schweinemodell gibt es den Prädiabetestyp X auf Grund von Ursachen A und B? Gibt es zwischen den Knoten „Metabolite Schwein“ und den Knoten „Metabolite Mensch“ eine Verbindung? Gibt es ähnliche Prozesse? Sind diese in ähnlichen Stoffwechselwegen begründet? Welcher Diabetes-Typ lässt sich auf welche Gene zurückführen?

Langfristig wäre es auch interessant, Daten aus der Diabetesforschung auch für andere Bereiche wie die Krebs- oder Alzheimerforschung zu nutzen, um mögliche Zusammenhänge aufzudecken. Mittels Graphtechnologie könnten die Daten und Forschungsergebnisse vernetzt werden.

Automatisierte Integration von Fachliteratur

Eine wesentliche Rolle könnten beim DZD zukünftig auch Machine Learning (ML) und Natural Language Processing (NLP) spielen. Der Forschungsverbund verfügt über eine große Anzahl an Fachliteratur u.a. zu Diabetes und Stoffwechselkrankheiten. NLP könnte eingesetzt werden, um diese Texte aus Literaturdatenbanken einzulesen, zu analysieren und in DZD connect zu integrieren. Wichtig ist dabei, dass die Systeme die Fachartikel inhaltlich verstehen und einordnen können. Das funktioniert beispielsweise über das Erkennen von Wörtern, die für Diabetes oder andere Stoffwechsel­erkrankungen relevant sind, die Häufigkeit solcher Begriffe innerhalb der Texte sowie deren semantischer Kontext, d.h. ergeben diese Begriffe im Umfeld anderer Wörter und Textbausteine einen Sinn. Durch die Verbindung mit den DZD-Forschungsdaten könnten so neue Hypothesen generiert werden, die von den Wissenschaftlern dann evaluiert werden müssen. Denkbar sind auch prädiktive Modelle, die den Verlauf der Diabeteserkrankung mit einer angenommenen Wahrscheinlichkeit vorgeben.

Das DZD zeigt mit seiner Anwendung, dass Graphtechnologie es ermöglicht, medizinische Fragen aus unterschiedlichen Blickwinkeln und indikationsübergreifend zu betrachten. Durch die Vernetzung der Daten könnten zukünftig auch Zusammenhänge zwischen verschiedenen Volkskrankheiten erkennbar sein.

Auch Personalisierte Medizin kann profitieren

Einem zentralen Data- und Knowledge-Management wird nicht nur in der biomedizinischen Forschung eine zentrale Rolle zugeschrieben sondern auch im Health-Care-Sektor. Dort ist eine Bewegung weg von Blockbuster-Medikamenten und hin zu individualisierten Medikamenten zu beobachten. Dafür ist es nötig, deutlich mehr und v.a. verschiedene Daten zu managen, miteinander zu vernetzen und zu analysieren. Um Präventions- und Behandlungsmaßnahmen für Diabetes und andere Krankheiten zu entwickeln, ist es unabdingbar, so viele Aspekte des Problems wie möglich zu betrachten und einzubinden – Graphtechnologie macht’s möglich.

* D. Möller: Neo4j, 80331 München

Inhalt des Artikels:

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45580078 / Bio- & Pharmaanalytik)