Demenz, Alzheimer oder Parkinson: Die Gehirnerkrankungen sind bis dato weder heilbar noch mit präventiven Maßnahmen vermeidbar. Das liegt unter anderem daran, dass die Ursachen der Erkrankungen bislang weitgehend unerkannt sind. Mit einem neuen Big Data Ansatz wollen europäische Forscher nun die aktuellen Kenntnisse der Wirkstoff- und Therapieforschung vernetzen. Ihr Ziel ist es, einen übersichtlichen und gut handhabbaren Wissenspool zu schaffen, um die Erkrankungen besser verstehen und klassifizieren zu können.

Nicht einmal die Suche nach der Stecknadel im Heuhaufen taugt als eingängiger Vergleich. Denn die Aufgabe, der sich die Forscher aus elf europäischen Ländern im Projekt »AETIONOMY« gemeinsam stellen, ist noch erheblich diffiziler. Während bei der Nadel im Heu sich von vorneherein klar definieren lässt, was Treffer und was Fehlgriff ist, suchen die Forscher bei AETIONOMY nach bisher unbekannten und damit vorab nicht benennbaren Fakten in einem gigantischen Gemenge von äußerst unterschiedlichen Datenbeständen zu den Gehirnerkrankungen Demenz, Alzheimer und Parkinson. Die Datenbasis für diesen Wust sind unterschiedlichste Veröffentlichungen, klinische Studien und Forschungsdokumentationen. Und sie kommen von verschiedenen Quellen, zu denen unabhängige Forschungsinstitute ebenso gehören wie die Pharmaindustrie. Diese Wissensbestände wollen die Forscher mit Big Data Methoden analysieren. Sie wollen auf genetischer und molekularbiologischer Ebene Kausalzusammenhänge und Mechanismen finden, um die Entstehung und Entwicklung der Krankheiten besser erklären zu können.

Neues Wissen aus vorhandene Informationen

Bisher liegen die Erkenntnisse der Ärzte und Wissenschaftler verteilt in Bibliotheken, Kliniken und Pharmaunternehmen. Und die einzelnen Dokumente sind unterschiedlichster Art: Textform, Bilder, klinischer Daten oder Datensätze mikrobiologischer oder genetische Analysen sind darunter. Eine erste Aufgabe der Projektpartner ist es daher, die vorhandenen Wissensstücke zu sammeln, zu validieren und auf einer Plattform so verfügbar zu machen, dass sie miteinander verknüpft und analysiert werden können. »Wir nutzen dazu die Modellierungssprache Biological Expression Language (BEL). Sie ist speziell dafür entwickelt, kausale und korrelative Zusammenhänge zwischen Daten unterschiedlichster Art abzubilden«, erklärt Prof. Dr. Martin Hofmann-Apitius vom Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI. Um den Inhalt von Fachpublikationen beispielsweise in die BEL-Syntax zu konvertieren, entwickelten die Forscher eine speziellen Text-Mining-Workflow. Dessen Algorithmen können Fachtexte selbsttätig »lesen und verstehen«, die relevanten Aussagen und Erkenntnisse extrahieren und in die BEL-Syntax übersetzen.

Big Data Analysen über den gesammelten aktuellen Wissenstand sind die Basis für die Entwicklung einer neuen, detaillierten Klassifikation von Krankheiten wie Alzheimer, Demenz oder Parkinson. Bild: Fraunhofer SCAI

Durch die Zusammenführung der bisherigen Erkenntnisse konnten die Forscher zum Beispiel für Alzheimer bereits das weltweit größte Kausalmodell aufbauen. »Die bisherige Forschung konnte zwar bereits einige ursächliche Zusammenhänge auf molekularer und genetischer Ebene detektieren und bestätigen. Gleichzeitig hat sich aber gezeigt, dass eine Fokussierung auf diese zwar prägnanten, aber wenige Kausalitäten noch zu kurz greift, um die Vielfalt der krankheitsauslösenden Mechanismen zu bestimmen«, erklärt Hofmann-Apitius. Mit der Überführung des kompletten vorhandenen Wissens in für Big Data Analysen geeignete Modelle gehen die Forscher nun einen wichtigen Schritt weiter, um die Kausalzusammenhänge detaillierter und erheblich weitreichender spezifizieren und unterscheiden zu lernen.

Neue Taxonomie ist die Basis für weitere Forschung

Ziel der Forscher ist es, eine neue, mechanistische Klassifikation der immer noch unheilbaren Gehirnerkrankungen zu entwickeln. Denn die klassische Diagnose und Einordnung von Erkrankten anhand ihrer klinischen Symptome greift zu kurz. Stand der Wissenschaft ist, dass anhand der typischen Parkinson-Symptome etwa lediglich Parkinsonismus festgestellt werden kann. Unter dieser Einordnung sind allerdings vielfältige Arten der Erkrankung subsummiert. Doch um zielgerichtet nach Wirkstoffen und Therapien forschen zu können, ist eine erheblich genauere Unterteilung in Subgruppen erforderlich. Die mechanistische Klassifikation übernimmt nun diese Aufgabe, indem sie eine Einordnung anhand der unterschiedlichen Ursachenkonstellationen erlaubt. Dieses Verständnis der Kausalzusammenhänge, die Ausbruch und Verlauf der Erkrankungen bestimmen, ist auch insofern bedeutend, da die Symptome einer Erkrankung vielfach erst viele Jahre nach dem eigentlichen Ausbruch der Erkrankung festzustellen sind. Hier bietet die mechanistische Taxonomie (Klassifikation) die Chance für die Entwicklung neuer, bereits frühzeitig einsetzbarer Diagnose- und Präventionsmaßnahmen.

Das Projekt »AETIONOMY« ist Teil der von Europäischer Kommission und Pharmaindustrie gemeinsam initiierten »Innovative Medicines Initiative (IMI)«. IMI dient der Steigerung der Wettbewerbsfähigkeit der pharmazeutischen Forschungseinrichtungen in der Europäischen Union. (stw)

Keine Kommentare vorhanden

Das Kommentarfeld darf nicht leer sein
Bitte einen Namen angeben
Bitte valide E-Mail-Adresse angeben
Sicherheits-Check:
Neun + = 9
Bitte Zahl eintragen!
image description
Experte
Alle anzeigen
Prof. Dr. Martin Hofmann-Apitius
  • Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI
Weitere Artikel
Alle anzeigen
Umfassendes Krankheitsmodell
Bestmögliche Behandlung
Sicheres Sequencing
Veranstaltungen
Alle anzeigen
Stellenangebote
Alle anzeigen