{"id":25809,"date":"2021-04-19T07:51:41","date_gmt":"2021-04-19T06:51:41","guid":{"rendered":"https:\/\/about.fb.com\/de\/?p=25809"},"modified":"2021-04-19T08:06:46","modified_gmt":"2021-04-19T07:06:46","slug":"schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten","status":"publish","type":"post","link":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/","title":{"rendered":"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen"},"content":{"rendered":"

Der Einsatz bew\u00e4hrter Medikamente f\u00fcr neue Anwendungsgebiete sowie die Kombination verschiedener schon verf\u00fcgbarer Pr\u00e4parate bieten einen erfolgversprechenden Ansatz bei der Behandlung komplexer Erkrankungen. Wirkstoffe, die zur Behandlung einer bestimmten Krebsart eingesetzt werden, bilden beispielsweise auch eine Grundlage f\u00fcr die Behandlung anderer Krebszellen. Komplexe b\u00f6sartige Tumoren m\u00fcssen oft mit einer Kombination aus verschiedenen Medikamenten behandelt werden, damit gleichzeitig mehrere Zellarten gezielt erreicht werden. Diese Pr\u00e4paratkombinationen helfen nicht nur, Arzneimittelresistenzen zu vermeiden, sondern k\u00f6nnen auch sch\u00e4dliche Nebenwirkungen minimieren.<\/span><\/p>\n

Allerdings ist es sehr schwierig, eine wirksame Kombination der richtigen Medikamente in der richtigen Dosierung zu finden. Das liegt zum Teil daran, dass es nahezu unendlich viele Kombinationsm\u00f6glichkeiten gibt.<\/span><\/p>\n

Heute stellen Facebook und das Helmholtz Zentrum M\u00fcnchen eine neue Methode vor, um die Entdeckung erfolgreicher Wirkstoffkombinationen zu beschleunigen. Wir haben das erste KI-Modell entwickelt, das die Wirkung verschiedener Medikamentenkombinationen, Dosierungen und Verabreichungszeiten vorhersagen und sogar andere Wechselwirkungen ber\u00fccksichtigen kann, etwa Gen-Knockouts oder -deletionen. Dieses \u201eCompositional Perturbation Autoencoder (CPA)\u201c-Modell stellen wir mitsamt einer benutzerfreundlichen API und einem Python-Paket unter einer Open-Source-Lizenz zur Verf\u00fcgung. Unsere Arbeit ist Gegenstand eines Forschungspapiers, das der wissenschaftlichen Gemeinschaft auf bioRxiv als Vorabver\u00f6ffentlichung zur Verf\u00fcgung steht. Diese Arbeit reichen wir au\u00dferdem bei einer Peer-Review-Zeitschrift zur Ver\u00f6ffentlichung ein.<\/span><\/p>\n

Die Verarbeitung komplexer Ver\u00e4nderungen auf Molekularebene, etwa bei der Dosierung oder dem Zeitpunkt der Verabreichung, stellt computergest\u00fctzte Methoden zur Erforschung neuer Kombinationen bislang vor unl\u00f6sbare Herausforderungen. Sie k\u00f6nnen nur Wechselwirkungen zwischen Pr\u00e4paraten ber\u00fccksichtigen, wenn diese bereits Teil des Trainingsdatensatzes waren. CPA nutzt stattdessen eine neuartige Technik zur Eigen\u00fcberwachung. Durch die Beobachtung von Zellen, die mit einer begrenzten Anzahl von Wirkstoffkombinationen behandelt werden, kann die Wirkung anderer Kombinationen vorhergesagt werden. Dazu ein vereinfachtes Beispiel: Angenommen, es liegen folgende Daten zur Wirkung von Medikamenten auf verschiedene Zellarten vor: A, B, C und A+B. Das Modell kann nun die zellspezifische Wirkung jedes Wirkstoffs (also die Wirkung auf verschiedene Zellarten) identifizieren und neu zusammensetzen, um so die Wirkungen anderer Kombinationen wie A+C oder B+C zu extrapolieren. Sogar das Zusammenspiel von A+B und C+D kann so simuliert werden.<\/span><\/p>\n

Anhand von CPA k\u00f6nnen Arzneimittelforscher Thesen aufstellen, Versuchsanordnungen entwerfen und aus Milliarden m\u00f6glicher Kombinationen diejenigen ausw\u00e4hlen, die es sich im Labor zu untersuchen lohnt. Bislang bedurfte es beispielsweise jahrelanger Forschung und zahlloser Zelllinien-Experimente, um verschiedene Kombinationen von 100 Wirkstoffen und Dosierungen zu testen. Nun k\u00f6nnen Forscher alle m\u00f6glichen Kombinationen \u201ein silico\u201c (also virtuell) \u00fcberpr\u00fcfen \u2013 und das in nur wenigen Stunden. Aus den erfolgreichsten Ergebnissen lassen sich dann Hypothesen ableiten, die es zu \u00fcberpr\u00fcfen und weiter zu erforschen gilt. Dar\u00fcber hinaus ist dies ein gro\u00dfer Schritt im Hinblick auf KI-Entwicklung, die zur kompositorischen Beweisf\u00fchrung f\u00e4hig ist. Neben der Biomedizin er\u00f6ffnet das auch weitere Anwendungsbereiche \u2013 eine solche KI k\u00f6nnte etwa ein besseres Sprachverst\u00e4ndnis entwickeln. So lie\u00dfe sich die Bedeutung von Sprache besser abbilden und sprachliche Konzepte w\u00e4ren differenzierter darstellbar.<\/span><\/p>\n

Selbst\u00fcberwachung f\u00fcr die Untersuchung von Milliarden von Arzneimittel-Wechselwirkungen<\/b><\/p>\n

In den letzten Jahren hat die Biologie gro\u00dfe Fortschritte bei der RNA-Sequenzierung individueller Zellen gemacht. Heute sind deshalb mehr und genauere Daten verf\u00fcgbar als je zuvor. Forscher und Wissenschaftler nutzen die RNA-Sequenzierung individueller Zellen heute, um die Genexpression einzelner Zellen auf Molekularebene zu analysieren und die Auswirkungen m\u00f6glicher St\u00f6reinfl\u00fcsse auf biologische Systeme (etwa durch Wirkstoffkombinationen oder Gendeletionen) zu untersuchen. Die biomedizinische Forschung nutzt \u00f6ffentlich verf\u00fcgbare Datens\u00e4tze aus der Einzelzell-RNA-Sequenzierung, die von akademischen Forschern und Wissenschaftlern ver\u00f6ffentlicht wurden. Diese Datens\u00e4tze enthalten Milliarden von Zellen und bis zu 20.000 Werte pro Zelle.<\/span><\/p>\n

Diese hohe Informationsdichte stellt eine ideale Testumgebung f\u00fcr das maschinelle Lernen (ML) dar, um kombinatorische Vorhersagen zu verbessern. Bislang gab es keinen leistungsf\u00e4higen Ansatz, um die Wirkung neuer Pr\u00e4paratkombinationen oder anderer St\u00f6reinfl\u00fcsse vorherzusagen. Wirkungsvorhersagen auf Basis dieser Daten sind besonders schwierig. KI-Modelle m\u00fcssen hierf\u00fcr lernen, anhand von relevanten Aspekten der Datenstruktur zu pauschalisieren und zu extrapolieren, ohne auf bereits erforschte Trainingsdaten zur\u00fcckzugreifen.<\/span><\/p>\n

Dieses Problem l\u00f6sen wir durch eine neue Technik zur Eigen\u00fcberwachung. Mithilfe des sogenannten \u201eAuto Encoding\u201c werden Daten \u201ekomprimiert\u201c und \u201edekomprimiert\u201c. Bei diesem Prozess muss die Maschine die Daten zusammenfassen. So entstehen Muster, die f\u00fcr die Vorhersage genutzt werden k\u00f6nnen. Im vorliegenden Fall lernt der Autoencoder anhand unmarkierter genetischer Expressionsvektoren aus verschiedenen Bedingungen.<\/span><\/p>\n

Unser Modell isoliert und untersucht zun\u00e4chst die wichtigsten Eigenschaften einer Zelle, etwa die Wirkung eines bestimmten Medikaments, die Kombination, die Dosierung, die Verabreichungszeit, m\u00f6gliche Gendeletionen oder die Zellart. Diese Eigenschaften kombiniert es dann eigenst\u00e4ndig neu, um die Wirkung auf die Genexpressionen einer Zelle vorherzusagen. Die Funktionsweise des CPA-Modells l\u00e4sst sich folgenderma\u00dfen veranschaulichen: Die verschiedenen Zelleigenschaften, etwa die Wirkung eines Pr\u00e4parats, die Kombination, die Dosierung und die Verabreichungszeit, entsprechen in unserem Beispiel dem \u201eOutfit\u201c der Zelle. Dieses Outfit kann aus H\u00fcten, Schals, Brillen und M\u00fctzen bestehen. Beim Training analysiert das CPA-Modell das vollst\u00e4ndige Outfit der Zelle. Dann entfernt es Kleidungsst\u00fccke und f\u00fcgt sie einzeln wieder hinzu, um mehr \u00fcber die jeweiligen Elemente und die Zelle selbst zu erfahren. W\u00e4hrend eines Tests trifft das Modell nun Vorhersagen zu den besten Outfits (oder wirksamsten Pr\u00e4paratkombinationen) \u2013 also beispielsweise dazu, wie ein Hut mit einem bestimmten Schal aussehen w\u00fcrde.<\/span><\/p>\n

Genauer gesagt betrachtet unser CPA-Modell den RNA-Seq-Einzelzell-Datensatz von Zellen, die mit verschiedenen Wirkstoffen und Dosierungen behandelt wurden. Die Analyse umfasst dann die folgenden drei Schritte:<\/span><\/p>\n

Zuerst wandelt ein Encoder-Netz die Genexpression einzelner Zellen aus dem Datensatz in eine \u201eZell-Repr\u00e4sentation\u201c um. Ein Embedding-Netz wandelt die medikament\u00f6se Behandlung dieser Zelle in eine \u201eBehandlungs-Repr\u00e4sentation\u201c um. Zus\u00e4tzlich stellt ein Diskriminator-Netz sicher, dass die Zell- und Behandlungs-Repr\u00e4sentationen keine Informationen \u00fcber die jeweils andere Repr\u00e4sentation erhalten. Im n\u00e4chsten Schritt kombinieren wir die Zell- und Behandlungs-Repr\u00e4sentationen zu einer \u201eBottleneck-Repr\u00e4sentation\u201c. Zuletzt kommt ein Decoder-Netz zum Einsatz, das die Bottleneck-Repr\u00e4sentation wieder in einen Genexpressionsvektor \u00fcbertr\u00e4gt. Das Modell ist so trainiert, dass die Ergebnisse des Decoders sich mit der Genexpression des urspr\u00fcnglichen Datensatzes decken.<\/span><\/p>\n

Im Schritt 1 des Trainingsprozesses versuchen wir, die Wirkung einer Zellbehandlung \u201er\u00fcckg\u00e4ngig\u201c zu machen. In den Schritten 2 und 3 versuchen wir, die gleiche Behandlung f\u00fcr die gleiche Zelle \u201ewiederherzustellen\u201c. Im Training wird immer die gleiche Behandlung \u201er\u00fcckg\u00e4ngig\u201c gemacht und dann \u201ewiederhergestellt\u201c. Hier setzen wir aber mit unserem CPA-Modell an und versuchen, kontrafaktische Fragen zu beantworten \u2013 etwa: \u201eWie h\u00e4tte sich die Genexpression dieser Zelle ver\u00e4ndert, w\u00e4re sie mit Wirkstoff B statt Wirkstoff A behandelt worden?\u201c.<\/span><\/p>\n

Hierzu machen wir in Schritt 1 Behandlung A \u201er\u00fcckg\u00e4ngig\u201c und wenden dann in Schritt 2 und 3 Behandlung B an. Das CPA-Modell ist allerdings nicht auf die Einzelzell-RNA-Sequenzierung angewiesen und findet auch dar\u00fcber hinaus Anwendung. Es kann auch ganz einfach auf traditionelle Bulk-RNA-Seq-Daten angewendet oder etwa f\u00fcr multimodale genomische Analysen erweitert werden.<\/span><\/p>\n

Verl\u00e4ssliche Vorhersagen zu neuen Wirkstoffkombinationen<\/b><\/p>\n

Um das CPA-Modell zu testen, nutzten wir es mit f\u00fcnf \u00f6ffentlich verf\u00fcgbaren Datens\u00e4tzen aus der RNA-Sequenzierung. Diese Datens\u00e4tze enthalten Messwerte und Ergebnisse verschiedener Behandlungen, Dosierungen und anderer St\u00f6reinfl\u00fcsse auf Krebszellen. Jeder Datensatz wurde dabei in Training, Test und Out-of-Distribution (OOD) unterteilt. Wir untersuchten die Leistungsf\u00e4higkeit unseres Modells im Hinblick auf das Bestimmtheitsma\u00df R2. Diese Kennzahl bezeichnet die Zuverl\u00e4ssigkeit unserer Vorhersagen bei der Expression einzelner Gene.<\/span><\/p>\n

Der R2-Wert blieb bei allen Datens\u00e4tzen im Training und beim Testen konstant und auch f\u00fcr OOD konnten wir hohe Werte erzielen. Die Vorhersagen des CPA-Modells zur Wirkung wichtiger Pr\u00e4paratkombinationen und Dosierungen auf Krebszellen stimmte also zuverl\u00e4ssig mit den Beobachtungen aus dem Testdatensatz \u00fcberein. Um die Leistung unseres Modells weiter auf die Probe zu stellen, reduzierten wir den Umfang der Trainingsdaten und erh\u00f6hten gleichzeitig die Menge der OOD-Daten. Zwar lie\u00df die Performance sp\u00fcrbar nach, die Vorhersagen waren aber qualitativ noch immer weit von Zufallswerten entfernt. Das Modell ist nicht f\u00fcr den Einsatz in solchen extremen Anwendungssituationen gedacht. Es ist aber aufschlussreich, seine Lernf\u00e4higkeit dahingehend zu untersuchen.<\/span><\/p>\n

Blick in die Zukunft<\/b><\/p>\n

Wir hoffen, dass dieses Open-Source-Tool in der pharmazeutischen und akademischen Forschung sowie in der Biologie helfen kann, schneller optimale Wirkstoffkombinationen f\u00fcr verschiedene Krankheitsbilder zu identifizieren. Die gebrauchsfertige Ausstattung mit API und Python-Paket erm\u00f6glicht es Forschern, auch ohne Hintergrundwissen zu maschinellem Lernen ihre Datens\u00e4tze einzupflegen und Vorhersagen zu treffen.<\/span><\/p>\n

Indem wir pharmazeutischen Laboren KI-Tools zur Verf\u00fcgung stellen, wollen wir dabei helfen, die Suche nach optimalen Wirkstoffkombinationen und anderen Ma\u00dfnahmen drastisch zu beschleunigen. Das k\u00f6nnte letztlich zur Entwicklung besserer Behandlungsm\u00f6glichkeiten f\u00fcr komplexe Erkrankungen wie Krebs oder neuartige Krankheiten wie COVID-19 beitragen.<\/span><\/p>\n

Eines Tages k\u00f6nnte das CPA-Modell sogar v\u00f6llig neue M\u00f6glichkeiten bei der Entwicklung medikament\u00f6ser Behandlungen er\u00f6ffnen. Zuk\u00fcnftig k\u00f6nnte es nicht nur helfen, schneller neue Anwendungsm\u00f6glichkeiten f\u00fcr vorhandene Wirkstoffe zu identifizieren. Irgendwann k\u00f6nnte es auch in der Lage sein, personalisierte Behandlungen zu entwickeln und diese sogar auf einzelne Zellantworten abzustimmen. Dieses Forschungsgebiet gilt heute als eines der wichtigsten f\u00fcr die Medizin der Zukunft.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"Der Einsatz bew\u00e4hrter Medikamente f\u00fcr neue Anwendungsgebiete sowie die Kombination verschiedener schon verf\u00fcgbarer Pr\u00e4parate bieten einen erfolgversprechenden Ansatz bei der Behandlung komplexer Erkrankungen. Wirkstoffe, die zur Behandlung einer bestimmten Krebsart eingesetzt werden, bilden beispielsweise auch eine Grundlage f\u00fcr die Behandlung anderer Krebszellen. Komplexe b\u00f6sartige Tumoren m\u00fcssen oft mit einer Kombination aus verschiedenen Medikamenten behandelt werden, damit gleichzeitig mehrere Zellarten gezielt erreicht werden. Diese Pr\u00e4paratkombinationen helfen nicht nur, Arzneimittelresistenzen zu vermeiden, sondern k\u00f6nnen auch sch\u00e4dliche Nebenwirkungen minimieren. Allerdings ist es sehr schwierig, eine wirksame Kombination der richtigen Medikamente in der richtigen Dosierung zu finden. Das liegt zum Teil daran, dass es nahezu unendlich viele Kombinationsm\u00f6glichkeiten gibt. Heute stellen Facebook und das Helmholtz Zentrum M\u00fcnchen eine neue Methode vor, um die Entdeckung erfolgreicher Wirkstoffkombinationen zu beschleunigen. Wir haben das erste KI-Modell entwickelt, das die Wirkung verschiedener Medikamentenkombinationen, Dosierungen und Verabreichungszeiten vorhersagen und sogar andere Wechselwirkungen ber\u00fccksichtigen kann, etwa Gen-Knockouts oder -deletionen. Dieses \u201eCompositional Perturbation Autoencoder (CPA)\u201c-Modell stellen wir mitsamt einer benutzerfreundlichen API und einem Python-Paket unter einer Open-Source-Lizenz zur Verf\u00fcgung. Unsere Arbeit ist Gegenstand eines Forschungspapiers, das der wissenschaftlichen Gemeinschaft auf bioRxiv als Vorabver\u00f6ffentlichung zur Verf\u00fcgung steht. Diese Arbeit reichen wir au\u00dferdem bei einer Peer-Review-Zeitschrift zur Ver\u00f6ffentlichung ein. Die Verarbeitung komplexer Ver\u00e4nderungen auf Molekularebene, etwa bei der Dosierung oder dem Zeitpunkt der Verabreichung, stellt computergest\u00fctzte Methoden zur Erforschung neuer Kombinationen bislang vor unl\u00f6sbare Herausforderungen. Sie k\u00f6nnen nur Wechselwirkungen zwischen Pr\u00e4paraten ber\u00fccksichtigen, wenn diese bereits Teil des Trainingsdatensatzes waren. CPA nutzt stattdessen eine neuartige Technik zur Eigen\u00fcberwachung. Durch die Beobachtung von Zellen, die mit einer begrenzten Anzahl von Wirkstoffkombinationen behandelt werden, kann die Wirkung anderer Kombinationen vorhergesagt werden. Dazu ein vereinfachtes Beispiel: Angenommen, es liegen folgende Daten zur Wirkung von Medikamenten auf verschiedene Zellarten vor: A, B, C und A+B. Das Modell kann nun die zellspezifische Wirkung jedes Wirkstoffs (also die Wirkung auf verschiedene Zellarten) identifizieren und neu zusammensetzen, um so die Wirkungen anderer Kombinationen wie A+C oder B+C zu extrapolieren. Sogar das Zusammenspiel von A+B und C+D kann so simuliert werden. Anhand von CPA k\u00f6nnen Arzneimittelforscher Thesen aufstellen, Versuchsanordnungen entwerfen und aus Milliarden m\u00f6glicher Kombinationen diejenigen ausw\u00e4hlen, die es sich im Labor zu untersuchen lohnt. Bislang bedurfte es beispielsweise jahrelanger Forschung und zahlloser Zelllinien-Experimente, um verschiedene Kombinationen von 100 Wirkstoffen und Dosierungen zu testen. Nun k\u00f6nnen Forscher alle m\u00f6glichen Kombinationen \u201ein silico\u201c (also virtuell) \u00fcberpr\u00fcfen \u2013 und das in nur wenigen Stunden. Aus den erfolgreichsten Ergebnissen lassen sich dann Hypothesen ableiten, die es zu \u00fcberpr\u00fcfen und weiter zu erforschen gilt. Dar\u00fcber hinaus ist dies ein gro\u00dfer Schritt im Hinblick auf KI-Entwicklung, die zur kompositorischen Beweisf\u00fchrung f\u00e4hig ist. Neben der Biomedizin er\u00f6ffnet das auch weitere Anwendungsbereiche \u2013 eine solche KI k\u00f6nnte etwa ein besseres Sprachverst\u00e4ndnis entwickeln. So lie\u00dfe sich die Bedeutung von Sprache besser abbilden und sprachliche Konzepte w\u00e4ren differenzierter darstellbar. Selbst\u00fcberwachung f\u00fcr die Untersuchung von Milliarden von Arzneimittel-Wechselwirkungen In den letzten Jahren hat die Biologie gro\u00dfe Fortschritte bei der RNA-Sequenzierung individueller Zellen gemacht. Heute sind deshalb mehr und genauere Daten verf\u00fcgbar als je zuvor. Forscher und Wissenschaftler nutzen die RNA-Sequenzierung individueller Zellen heute, um die Genexpression einzelner Zellen auf Molekularebene zu analysieren und die Auswirkungen m\u00f6glicher St\u00f6reinfl\u00fcsse auf biologische Systeme (etwa durch Wirkstoffkombinationen oder Gendeletionen) zu untersuchen. Die biomedizinische Forschung nutzt \u00f6ffentlich verf\u00fcgbare Datens\u00e4tze aus der Einzelzell-RNA-Sequenzierung, die von akademischen Forschern und Wissenschaftlern ver\u00f6ffentlicht wurden. Diese Datens\u00e4tze enthalten Milliarden von Zellen und bis zu 20.000 Werte pro Zelle. Diese hohe Informationsdichte stellt eine ideale Testumgebung f\u00fcr das maschinelle Lernen (ML) dar, um kombinatorische Vorhersagen zu verbessern. Bislang gab es keinen leistungsf\u00e4higen Ansatz, um die Wirkung neuer Pr\u00e4paratkombinationen oder anderer St\u00f6reinfl\u00fcsse vorherzusagen. Wirkungsvorhersagen auf Basis dieser Daten sind besonders schwierig. KI-Modelle m\u00fcssen hierf\u00fcr lernen, anhand von relevanten Aspekten der Datenstruktur zu pauschalisieren und zu extrapolieren, ohne auf bereits erforschte Trainingsdaten zur\u00fcckzugreifen. Dieses Problem l\u00f6sen wir durch eine neue Technik zur Eigen\u00fcberwachung. Mithilfe des sogenannten \u201eAuto Encoding\u201c werden Daten \u201ekomprimiert\u201c und \u201edekomprimiert\u201c. Bei diesem Prozess muss die Maschine die Daten zusammenfassen. So entstehen Muster, die f\u00fcr die Vorhersage genutzt werden k\u00f6nnen. Im vorliegenden Fall lernt der Autoencoder anhand unmarkierter genetischer Expressionsvektoren aus verschiedenen Bedingungen. Unser Modell isoliert und untersucht zun\u00e4chst die wichtigsten Eigenschaften einer Zelle, etwa die Wirkung eines bestimmten Medikaments, die Kombination, die Dosierung, die Verabreichungszeit, m\u00f6gliche Gendeletionen oder die Zellart. Diese Eigenschaften kombiniert es dann eigenst\u00e4ndig neu, um die Wirkung auf die Genexpressionen einer Zelle vorherzusagen. Die Funktionsweise des CPA-Modells l\u00e4sst sich folgenderma\u00dfen veranschaulichen: Die verschiedenen Zelleigenschaften, etwa die Wirkung eines Pr\u00e4parats, die Kombination, die Dosierung und die Verabreichungszeit, entsprechen in unserem Beispiel dem \u201eOutfit\u201c der Zelle. Dieses Outfit kann aus H\u00fcten, Schals, Brillen und M\u00fctzen bestehen. Beim Training analysiert das CPA-Modell das vollst\u00e4ndige Outfit der Zelle. Dann entfernt es Kleidungsst\u00fccke und f\u00fcgt sie einzeln wieder hinzu, um mehr \u00fcber die jeweiligen Elemente und die Zelle selbst zu erfahren. W\u00e4hrend eines Tests trifft das Modell nun Vorhersagen zu den besten Outfits (oder wirksamsten Pr\u00e4paratkombinationen) \u2013 also beispielsweise dazu, wie ein Hut mit einem bestimmten Schal aussehen w\u00fcrde. Genauer gesagt betrachtet unser CPA-Modell den RNA-Seq-Einzelzell-Datensatz von Zellen, die mit verschiedenen Wirkstoffen und Dosierungen behandelt wurden. Die Analyse umfasst dann die folgenden drei Schritte: Zuerst wandelt ein Encoder-Netz die Genexpression einzelner Zellen aus dem Datensatz in eine \u201eZell-Repr\u00e4sentation\u201c um. Ein Embedding-Netz wandelt die medikament\u00f6se Behandlung dieser Zelle in eine \u201eBehandlungs-Repr\u00e4sentation\u201c um. Zus\u00e4tzlich stellt ein Diskriminator-Netz sicher, dass die Zell- und Behandlungs-Repr\u00e4sentationen keine Informationen \u00fcber die jeweils andere Repr\u00e4sentation erhalten. Im n\u00e4chsten Schritt kombinieren wir die Zell- und Behandlungs-Repr\u00e4sentationen zu einer \u201eBottleneck-Repr\u00e4sentation\u201c. Zuletzt kommt ein Decoder-Netz zum Einsatz, das die Bottleneck-Repr\u00e4sentation wieder in einen Genexpressionsvektor \u00fcbertr\u00e4gt. Das Modell ist so trainiert, dass die Ergebnisse des Decoders sich mit der Genexpression des urspr\u00fcnglichen Datensatzes decken. Im Schritt 1 des Trainingsprozesses versuchen wir, die Wirkung einer Zellbehandlung \u201er\u00fcckg\u00e4ngig\u201c zu machen. In den Schritten 2 und 3 versuchen wir, die gleiche Behandlung f\u00fcr die gleiche Zelle \u201ewiederherzustellen\u201c. Im Training wird immer die gleiche Behandlung \u201er\u00fcckg\u00e4ngig\u201c gemacht und dann \u201ewiederhergestellt\u201c. Hier setzen wir aber mit unserem CPA-Modell an und versuchen, kontrafaktische Fragen zu beantworten \u2013 etwa: \u201eWie h\u00e4tte sich die Genexpression dieser Zelle ver\u00e4ndert, w\u00e4re sie mit Wirkstoff B statt Wirkstoff A behandelt worden?\u201c. Hierzu machen wir in Schritt 1 Behandlung A \u201er\u00fcckg\u00e4ngig\u201c und wenden dann in Schritt 2 und 3 Behandlung B an. Das CPA-Modell ist allerdings nicht auf die Einzelzell-RNA-Sequenzierung angewiesen und findet auch dar\u00fcber hinaus Anwendung. Es kann auch ganz einfach auf traditionelle Bulk-RNA-Seq-Daten angewendet oder etwa f\u00fcr multimodale genomische Analysen erweitert werden. Verl\u00e4ssliche Vorhersagen zu neuen Wirkstoffkombinationen Um das CPA-Modell zu testen, nutzten wir es mit f\u00fcnf \u00f6ffentlich verf\u00fcgbaren Datens\u00e4tzen aus der RNA-Sequenzierung. Diese Datens\u00e4tze enthalten Messwerte und Ergebnisse verschiedener Behandlungen, Dosierungen und anderer St\u00f6reinfl\u00fcsse auf Krebszellen. Jeder Datensatz wurde dabei in Training, Test und Out-of-Distribution (OOD) unterteilt. Wir untersuchten die Leistungsf\u00e4higkeit unseres Modells im Hinblick auf das Bestimmtheitsma\u00df R2. Diese Kennzahl bezeichnet die Zuverl\u00e4ssigkeit unserer Vorhersagen bei der Expression einzelner Gene. Der R2-Wert blieb bei allen Datens\u00e4tzen im Training und beim Testen konstant und auch f\u00fcr OOD konnten wir hohe Werte erzielen. Die Vorhersagen des CPA-Modells zur Wirkung wichtiger Pr\u00e4paratkombinationen und Dosierungen auf Krebszellen stimmte also zuverl\u00e4ssig mit den Beobachtungen aus dem Testdatensatz \u00fcberein. Um die Leistung unseres Modells weiter auf die Probe zu stellen, reduzierten wir den Umfang der Trainingsdaten und erh\u00f6hten gleichzeitig die Menge der OOD-Daten. Zwar lie\u00df die Performance sp\u00fcrbar nach, die Vorhersagen waren aber qualitativ noch immer weit von Zufallswerten entfernt. Das Modell ist nicht f\u00fcr den Einsatz in solchen extremen Anwendungssituationen gedacht. Es ist aber aufschlussreich, seine Lernf\u00e4higkeit dahingehend zu untersuchen. Blick in die Zukunft Wir hoffen, dass dieses Open-Source-Tool in der pharmazeutischen und akademischen Forschung sowie in der Biologie helfen kann, schneller optimale Wirkstoffkombinationen f\u00fcr verschiedene Krankheitsbilder zu identifizieren. Die gebrauchsfertige Ausstattung mit API und Python-Paket erm\u00f6glicht es Forschern, auch ohne Hintergrundwissen zu maschinellem Lernen ihre Datens\u00e4tze einzupflegen und Vorhersagen zu treffen. Indem wir pharmazeutischen Laboren KI-Tools zur Verf\u00fcgung stellen, wollen wir dabei helfen, die Suche nach optimalen Wirkstoffkombinationen und anderen Ma\u00dfnahmen drastisch zu beschleunigen. Das k\u00f6nnte letztlich zur Entwicklung besserer Behandlungsm\u00f6glichkeiten f\u00fcr komplexe Erkrankungen wie Krebs oder neuartige Krankheiten wie COVID-19 beitragen. Eines Tages k\u00f6nnte das CPA-Modell sogar v\u00f6llig neue M\u00f6glichkeiten bei der Entwicklung medikament\u00f6ser Behandlungen er\u00f6ffnen. Zuk\u00fcnftig k\u00f6nnte es nicht nur helfen, schneller neue Anwendungsm\u00f6glichkeiten f\u00fcr vorhandene Wirkstoffe zu identifizieren. Irgendwann k\u00f6nnte es auch in der Lage sein, personalisierte Behandlungen zu entwickeln und diese sogar auf einzelne Zellantworten abzustimmen. Dieses Forschungsgebiet gilt heute als eines der wichtigsten f\u00fcr die Medizin der Zukunft.","protected":false},"author":116743763,"featured_media":25812,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-25809","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"yoast_head":"\nSchneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen | \u00dcber Meta<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen | \u00dcber Meta\" \/>\n<meta property=\"og:description\" content=\"Der Einsatz bew\u00e4hrter Medikamente f\u00fcr neue Anwendungsgebiete sowie die Kombination verschiedener schon verf\u00fcgbarer Pr\u00e4parate bieten einen erfolgversprechenden Ansatz bei der Behandlung komplexer Erkrankungen. Wirkstoffe, die zur Behandlung einer bestimmten Krebsart eingesetzt werden, bilden beispielsweise auch eine Grundlage f\u00fcr die Behandlung anderer Krebszellen. Komplexe b\u00f6sartige Tumoren m\u00fcssen oft mit einer Kombination aus verschiedenen Medikamenten behandelt werden, damit gleichzeitig mehrere Zellarten gezielt erreicht werden. Diese Pr\u00e4paratkombinationen helfen nicht nur, Arzneimittelresistenzen zu vermeiden, sondern k\u00f6nnen auch sch\u00e4dliche Nebenwirkungen minimieren. Allerdings ist es sehr schwierig, eine wirksame Kombination der richtigen Medikamente in der richtigen Dosierung zu finden. Das liegt zum Teil daran, dass es nahezu unendlich viele Kombinationsm\u00f6glichkeiten gibt. Heute stellen Facebook und das Helmholtz Zentrum M\u00fcnchen eine neue Methode vor, um die Entdeckung erfolgreicher Wirkstoffkombinationen zu beschleunigen. Wir haben das erste KI-Modell entwickelt, das die Wirkung verschiedener Medikamentenkombinationen, Dosierungen und Verabreichungszeiten vorhersagen und sogar andere Wechselwirkungen ber\u00fccksichtigen kann, etwa Gen-Knockouts oder -deletionen. Dieses \u201eCompositional Perturbation Autoencoder (CPA)\u201c-Modell stellen wir mitsamt einer benutzerfreundlichen API und einem Python-Paket unter einer Open-Source-Lizenz zur Verf\u00fcgung. Unsere Arbeit ist Gegenstand eines Forschungspapiers, das der wissenschaftlichen Gemeinschaft auf bioRxiv als Vorabver\u00f6ffentlichung zur Verf\u00fcgung steht. Diese Arbeit reichen wir au\u00dferdem bei einer Peer-Review-Zeitschrift zur Ver\u00f6ffentlichung ein. Die Verarbeitung komplexer Ver\u00e4nderungen auf Molekularebene, etwa bei der Dosierung oder dem Zeitpunkt der Verabreichung, stellt computergest\u00fctzte Methoden zur Erforschung neuer Kombinationen bislang vor unl\u00f6sbare Herausforderungen. Sie k\u00f6nnen nur Wechselwirkungen zwischen Pr\u00e4paraten ber\u00fccksichtigen, wenn diese bereits Teil des Trainingsdatensatzes waren. CPA nutzt stattdessen eine neuartige Technik zur Eigen\u00fcberwachung. Durch die Beobachtung von Zellen, die mit einer begrenzten Anzahl von Wirkstoffkombinationen behandelt werden, kann die Wirkung anderer Kombinationen vorhergesagt werden. Dazu ein vereinfachtes Beispiel: Angenommen, es liegen folgende Daten zur Wirkung von Medikamenten auf verschiedene Zellarten vor: A, B, C und A+B. Das Modell kann nun die zellspezifische Wirkung jedes Wirkstoffs (also die Wirkung auf verschiedene Zellarten) identifizieren und neu zusammensetzen, um so die Wirkungen anderer Kombinationen wie A+C oder B+C zu extrapolieren. Sogar das Zusammenspiel von A+B und C+D kann so simuliert werden. Anhand von CPA k\u00f6nnen Arzneimittelforscher Thesen aufstellen, Versuchsanordnungen entwerfen und aus Milliarden m\u00f6glicher Kombinationen diejenigen ausw\u00e4hlen, die es sich im Labor zu untersuchen lohnt. Bislang bedurfte es beispielsweise jahrelanger Forschung und zahlloser Zelllinien-Experimente, um verschiedene Kombinationen von 100 Wirkstoffen und Dosierungen zu testen. Nun k\u00f6nnen Forscher alle m\u00f6glichen Kombinationen \u201ein silico\u201c (also virtuell) \u00fcberpr\u00fcfen \u2013 und das in nur wenigen Stunden. Aus den erfolgreichsten Ergebnissen lassen sich dann Hypothesen ableiten, die es zu \u00fcberpr\u00fcfen und weiter zu erforschen gilt. Dar\u00fcber hinaus ist dies ein gro\u00dfer Schritt im Hinblick auf KI-Entwicklung, die zur kompositorischen Beweisf\u00fchrung f\u00e4hig ist. Neben der Biomedizin er\u00f6ffnet das auch weitere Anwendungsbereiche \u2013 eine solche KI k\u00f6nnte etwa ein besseres Sprachverst\u00e4ndnis entwickeln. So lie\u00dfe sich die Bedeutung von Sprache besser abbilden und sprachliche Konzepte w\u00e4ren differenzierter darstellbar. Selbst\u00fcberwachung f\u00fcr die Untersuchung von Milliarden von Arzneimittel-Wechselwirkungen In den letzten Jahren hat die Biologie gro\u00dfe Fortschritte bei der RNA-Sequenzierung individueller Zellen gemacht. Heute sind deshalb mehr und genauere Daten verf\u00fcgbar als je zuvor. Forscher und Wissenschaftler nutzen die RNA-Sequenzierung individueller Zellen heute, um die Genexpression einzelner Zellen auf Molekularebene zu analysieren und die Auswirkungen m\u00f6glicher St\u00f6reinfl\u00fcsse auf biologische Systeme (etwa durch Wirkstoffkombinationen oder Gendeletionen) zu untersuchen. Die biomedizinische Forschung nutzt \u00f6ffentlich verf\u00fcgbare Datens\u00e4tze aus der Einzelzell-RNA-Sequenzierung, die von akademischen Forschern und Wissenschaftlern ver\u00f6ffentlicht wurden. Diese Datens\u00e4tze enthalten Milliarden von Zellen und bis zu 20.000 Werte pro Zelle. Diese hohe Informationsdichte stellt eine ideale Testumgebung f\u00fcr das maschinelle Lernen (ML) dar, um kombinatorische Vorhersagen zu verbessern. Bislang gab es keinen leistungsf\u00e4higen Ansatz, um die Wirkung neuer Pr\u00e4paratkombinationen oder anderer St\u00f6reinfl\u00fcsse vorherzusagen. Wirkungsvorhersagen auf Basis dieser Daten sind besonders schwierig. KI-Modelle m\u00fcssen hierf\u00fcr lernen, anhand von relevanten Aspekten der Datenstruktur zu pauschalisieren und zu extrapolieren, ohne auf bereits erforschte Trainingsdaten zur\u00fcckzugreifen. Dieses Problem l\u00f6sen wir durch eine neue Technik zur Eigen\u00fcberwachung. Mithilfe des sogenannten \u201eAuto Encoding\u201c werden Daten \u201ekomprimiert\u201c und \u201edekomprimiert\u201c. Bei diesem Prozess muss die Maschine die Daten zusammenfassen. So entstehen Muster, die f\u00fcr die Vorhersage genutzt werden k\u00f6nnen. Im vorliegenden Fall lernt der Autoencoder anhand unmarkierter genetischer Expressionsvektoren aus verschiedenen Bedingungen. Unser Modell isoliert und untersucht zun\u00e4chst die wichtigsten Eigenschaften einer Zelle, etwa die Wirkung eines bestimmten Medikaments, die Kombination, die Dosierung, die Verabreichungszeit, m\u00f6gliche Gendeletionen oder die Zellart. Diese Eigenschaften kombiniert es dann eigenst\u00e4ndig neu, um die Wirkung auf die Genexpressionen einer Zelle vorherzusagen. Die Funktionsweise des CPA-Modells l\u00e4sst sich folgenderma\u00dfen veranschaulichen: Die verschiedenen Zelleigenschaften, etwa die Wirkung eines Pr\u00e4parats, die Kombination, die Dosierung und die Verabreichungszeit, entsprechen in unserem Beispiel dem \u201eOutfit\u201c der Zelle. Dieses Outfit kann aus H\u00fcten, Schals, Brillen und M\u00fctzen bestehen. Beim Training analysiert das CPA-Modell das vollst\u00e4ndige Outfit der Zelle. Dann entfernt es Kleidungsst\u00fccke und f\u00fcgt sie einzeln wieder hinzu, um mehr \u00fcber die jeweiligen Elemente und die Zelle selbst zu erfahren. W\u00e4hrend eines Tests trifft das Modell nun Vorhersagen zu den besten Outfits (oder wirksamsten Pr\u00e4paratkombinationen) \u2013 also beispielsweise dazu, wie ein Hut mit einem bestimmten Schal aussehen w\u00fcrde. Genauer gesagt betrachtet unser CPA-Modell den RNA-Seq-Einzelzell-Datensatz von Zellen, die mit verschiedenen Wirkstoffen und Dosierungen behandelt wurden. Die Analyse umfasst dann die folgenden drei Schritte: Zuerst wandelt ein Encoder-Netz die Genexpression einzelner Zellen aus dem Datensatz in eine \u201eZell-Repr\u00e4sentation\u201c um. Ein Embedding-Netz wandelt die medikament\u00f6se Behandlung dieser Zelle in eine \u201eBehandlungs-Repr\u00e4sentation\u201c um. Zus\u00e4tzlich stellt ein Diskriminator-Netz sicher, dass die Zell- und Behandlungs-Repr\u00e4sentationen keine Informationen \u00fcber die jeweils andere Repr\u00e4sentation erhalten. Im n\u00e4chsten Schritt kombinieren wir die Zell- und Behandlungs-Repr\u00e4sentationen zu einer \u201eBottleneck-Repr\u00e4sentation\u201c. Zuletzt kommt ein Decoder-Netz zum Einsatz, das die Bottleneck-Repr\u00e4sentation wieder in einen Genexpressionsvektor \u00fcbertr\u00e4gt. Das Modell ist so trainiert, dass die Ergebnisse des Decoders sich mit der Genexpression des urspr\u00fcnglichen Datensatzes decken. Im Schritt 1 des Trainingsprozesses versuchen wir, die Wirkung einer Zellbehandlung \u201er\u00fcckg\u00e4ngig\u201c zu machen. In den Schritten 2 und 3 versuchen wir, die gleiche Behandlung f\u00fcr die gleiche Zelle \u201ewiederherzustellen\u201c. Im Training wird immer die gleiche Behandlung \u201er\u00fcckg\u00e4ngig\u201c gemacht und dann \u201ewiederhergestellt\u201c. Hier setzen wir aber mit unserem CPA-Modell an und versuchen, kontrafaktische Fragen zu beantworten \u2013 etwa: \u201eWie h\u00e4tte sich die Genexpression dieser Zelle ver\u00e4ndert, w\u00e4re sie mit Wirkstoff B statt Wirkstoff A behandelt worden?\u201c. Hierzu machen wir in Schritt 1 Behandlung A \u201er\u00fcckg\u00e4ngig\u201c und wenden dann in Schritt 2 und 3 Behandlung B an. Das CPA-Modell ist allerdings nicht auf die Einzelzell-RNA-Sequenzierung angewiesen und findet auch dar\u00fcber hinaus Anwendung. Es kann auch ganz einfach auf traditionelle Bulk-RNA-Seq-Daten angewendet oder etwa f\u00fcr multimodale genomische Analysen erweitert werden. Verl\u00e4ssliche Vorhersagen zu neuen Wirkstoffkombinationen Um das CPA-Modell zu testen, nutzten wir es mit f\u00fcnf \u00f6ffentlich verf\u00fcgbaren Datens\u00e4tzen aus der RNA-Sequenzierung. Diese Datens\u00e4tze enthalten Messwerte und Ergebnisse verschiedener Behandlungen, Dosierungen und anderer St\u00f6reinfl\u00fcsse auf Krebszellen. Jeder Datensatz wurde dabei in Training, Test und Out-of-Distribution (OOD) unterteilt. Wir untersuchten die Leistungsf\u00e4higkeit unseres Modells im Hinblick auf das Bestimmtheitsma\u00df R2. Diese Kennzahl bezeichnet die Zuverl\u00e4ssigkeit unserer Vorhersagen bei der Expression einzelner Gene. Der R2-Wert blieb bei allen Datens\u00e4tzen im Training und beim Testen konstant und auch f\u00fcr OOD konnten wir hohe Werte erzielen. Die Vorhersagen des CPA-Modells zur Wirkung wichtiger Pr\u00e4paratkombinationen und Dosierungen auf Krebszellen stimmte also zuverl\u00e4ssig mit den Beobachtungen aus dem Testdatensatz \u00fcberein. Um die Leistung unseres Modells weiter auf die Probe zu stellen, reduzierten wir den Umfang der Trainingsdaten und erh\u00f6hten gleichzeitig die Menge der OOD-Daten. Zwar lie\u00df die Performance sp\u00fcrbar nach, die Vorhersagen waren aber qualitativ noch immer weit von Zufallswerten entfernt. Das Modell ist nicht f\u00fcr den Einsatz in solchen extremen Anwendungssituationen gedacht. Es ist aber aufschlussreich, seine Lernf\u00e4higkeit dahingehend zu untersuchen. Blick in die Zukunft Wir hoffen, dass dieses Open-Source-Tool in der pharmazeutischen und akademischen Forschung sowie in der Biologie helfen kann, schneller optimale Wirkstoffkombinationen f\u00fcr verschiedene Krankheitsbilder zu identifizieren. Die gebrauchsfertige Ausstattung mit API und Python-Paket erm\u00f6glicht es Forschern, auch ohne Hintergrundwissen zu maschinellem Lernen ihre Datens\u00e4tze einzupflegen und Vorhersagen zu treffen. Indem wir pharmazeutischen Laboren KI-Tools zur Verf\u00fcgung stellen, wollen wir dabei helfen, die Suche nach optimalen Wirkstoffkombinationen und anderen Ma\u00dfnahmen drastisch zu beschleunigen. Das k\u00f6nnte letztlich zur Entwicklung besserer Behandlungsm\u00f6glichkeiten f\u00fcr komplexe Erkrankungen wie Krebs oder neuartige Krankheiten wie COVID-19 beitragen. Eines Tages k\u00f6nnte das CPA-Modell sogar v\u00f6llig neue M\u00f6glichkeiten bei der Entwicklung medikament\u00f6ser Behandlungen er\u00f6ffnen. Zuk\u00fcnftig k\u00f6nnte es nicht nur helfen, schneller neue Anwendungsm\u00f6glichkeiten f\u00fcr vorhandene Wirkstoffe zu identifizieren. Irgendwann k\u00f6nnte es auch in der Lage sein, personalisierte Behandlungen zu entwickeln und diese sogar auf einzelne Zellantworten abzustimmen. Dieses Forschungsgebiet gilt heute als eines der wichtigsten f\u00fcr die Medizin der Zukunft.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/\" \/>\n<meta property=\"og:site_name\" content=\"\u00dcber Meta\" \/>\n<meta property=\"article:published_time\" content=\"2021-04-19T06:51:41+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2021-04-19T07:06:46+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?resize=1024,576\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Trilligent\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Meta\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/\"},\"author\":\"Facebook company\",\"headline\":\"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen\",\"datePublished\":\"2021-04-19T06:51:41+00:00\",\"dateModified\":\"2021-04-19T07:06:46+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/\"},\"wordCount\":1530,\"publisher\":{\"@id\":\"https:\/\/about.fb.com\/de\/#organization\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"articleSection\":[\"Uncategorized\"],\"inLanguage\":\"de-DE\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/\",\"url\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/\",\"name\":\"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen | \u00dcber Meta\",\"isPartOf\":{\"@id\":\"https:\/\/about.fb.com\/de\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"datePublished\":\"2021-04-19T06:51:41+00:00\",\"dateModified\":\"2021-04-19T07:06:46+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/\"]}],\"author\":\"\u00dcber Meta\"},{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage\",\"url\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"contentUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"width\":1920,\"height\":1080},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/about.fb.com\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/about.fb.com\/de\/#website\",\"url\":\"https:\/\/about.fb.com\/news\/\",\"name\":\"\u00dcber Meta\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/about.fb.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/about.fb.com\/de\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de-DE\",\"alternateName\":[\"Meta Newsroom\",\"Meta\"]},{\"@type\":\"Organization\",\"@id\":\"https:\/\/about.fb.com\/de\/#organization\",\"name\":\"Meta\",\"url\":\"https:\/\/about.fb.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500\",\"contentUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500\",\"width\":8000,\"height\":4500,\"caption\":\"Meta\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen | \u00dcber Meta","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/","og_locale":"de_DE","og_type":"article","og_title":"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen | \u00dcber Meta","og_description":"Der Einsatz bew\u00e4hrter Medikamente f\u00fcr neue Anwendungsgebiete sowie die Kombination verschiedener schon verf\u00fcgbarer Pr\u00e4parate bieten einen erfolgversprechenden Ansatz bei der Behandlung komplexer Erkrankungen. Wirkstoffe, die zur Behandlung einer bestimmten Krebsart eingesetzt werden, bilden beispielsweise auch eine Grundlage f\u00fcr die Behandlung anderer Krebszellen. Komplexe b\u00f6sartige Tumoren m\u00fcssen oft mit einer Kombination aus verschiedenen Medikamenten behandelt werden, damit gleichzeitig mehrere Zellarten gezielt erreicht werden. Diese Pr\u00e4paratkombinationen helfen nicht nur, Arzneimittelresistenzen zu vermeiden, sondern k\u00f6nnen auch sch\u00e4dliche Nebenwirkungen minimieren. Allerdings ist es sehr schwierig, eine wirksame Kombination der richtigen Medikamente in der richtigen Dosierung zu finden. Das liegt zum Teil daran, dass es nahezu unendlich viele Kombinationsm\u00f6glichkeiten gibt. Heute stellen Facebook und das Helmholtz Zentrum M\u00fcnchen eine neue Methode vor, um die Entdeckung erfolgreicher Wirkstoffkombinationen zu beschleunigen. Wir haben das erste KI-Modell entwickelt, das die Wirkung verschiedener Medikamentenkombinationen, Dosierungen und Verabreichungszeiten vorhersagen und sogar andere Wechselwirkungen ber\u00fccksichtigen kann, etwa Gen-Knockouts oder -deletionen. Dieses \u201eCompositional Perturbation Autoencoder (CPA)\u201c-Modell stellen wir mitsamt einer benutzerfreundlichen API und einem Python-Paket unter einer Open-Source-Lizenz zur Verf\u00fcgung. Unsere Arbeit ist Gegenstand eines Forschungspapiers, das der wissenschaftlichen Gemeinschaft auf bioRxiv als Vorabver\u00f6ffentlichung zur Verf\u00fcgung steht. Diese Arbeit reichen wir au\u00dferdem bei einer Peer-Review-Zeitschrift zur Ver\u00f6ffentlichung ein. Die Verarbeitung komplexer Ver\u00e4nderungen auf Molekularebene, etwa bei der Dosierung oder dem Zeitpunkt der Verabreichung, stellt computergest\u00fctzte Methoden zur Erforschung neuer Kombinationen bislang vor unl\u00f6sbare Herausforderungen. Sie k\u00f6nnen nur Wechselwirkungen zwischen Pr\u00e4paraten ber\u00fccksichtigen, wenn diese bereits Teil des Trainingsdatensatzes waren. CPA nutzt stattdessen eine neuartige Technik zur Eigen\u00fcberwachung. Durch die Beobachtung von Zellen, die mit einer begrenzten Anzahl von Wirkstoffkombinationen behandelt werden, kann die Wirkung anderer Kombinationen vorhergesagt werden. Dazu ein vereinfachtes Beispiel: Angenommen, es liegen folgende Daten zur Wirkung von Medikamenten auf verschiedene Zellarten vor: A, B, C und A+B. Das Modell kann nun die zellspezifische Wirkung jedes Wirkstoffs (also die Wirkung auf verschiedene Zellarten) identifizieren und neu zusammensetzen, um so die Wirkungen anderer Kombinationen wie A+C oder B+C zu extrapolieren. Sogar das Zusammenspiel von A+B und C+D kann so simuliert werden. Anhand von CPA k\u00f6nnen Arzneimittelforscher Thesen aufstellen, Versuchsanordnungen entwerfen und aus Milliarden m\u00f6glicher Kombinationen diejenigen ausw\u00e4hlen, die es sich im Labor zu untersuchen lohnt. Bislang bedurfte es beispielsweise jahrelanger Forschung und zahlloser Zelllinien-Experimente, um verschiedene Kombinationen von 100 Wirkstoffen und Dosierungen zu testen. Nun k\u00f6nnen Forscher alle m\u00f6glichen Kombinationen \u201ein silico\u201c (also virtuell) \u00fcberpr\u00fcfen \u2013 und das in nur wenigen Stunden. Aus den erfolgreichsten Ergebnissen lassen sich dann Hypothesen ableiten, die es zu \u00fcberpr\u00fcfen und weiter zu erforschen gilt. Dar\u00fcber hinaus ist dies ein gro\u00dfer Schritt im Hinblick auf KI-Entwicklung, die zur kompositorischen Beweisf\u00fchrung f\u00e4hig ist. Neben der Biomedizin er\u00f6ffnet das auch weitere Anwendungsbereiche \u2013 eine solche KI k\u00f6nnte etwa ein besseres Sprachverst\u00e4ndnis entwickeln. So lie\u00dfe sich die Bedeutung von Sprache besser abbilden und sprachliche Konzepte w\u00e4ren differenzierter darstellbar. Selbst\u00fcberwachung f\u00fcr die Untersuchung von Milliarden von Arzneimittel-Wechselwirkungen In den letzten Jahren hat die Biologie gro\u00dfe Fortschritte bei der RNA-Sequenzierung individueller Zellen gemacht. Heute sind deshalb mehr und genauere Daten verf\u00fcgbar als je zuvor. Forscher und Wissenschaftler nutzen die RNA-Sequenzierung individueller Zellen heute, um die Genexpression einzelner Zellen auf Molekularebene zu analysieren und die Auswirkungen m\u00f6glicher St\u00f6reinfl\u00fcsse auf biologische Systeme (etwa durch Wirkstoffkombinationen oder Gendeletionen) zu untersuchen. Die biomedizinische Forschung nutzt \u00f6ffentlich verf\u00fcgbare Datens\u00e4tze aus der Einzelzell-RNA-Sequenzierung, die von akademischen Forschern und Wissenschaftlern ver\u00f6ffentlicht wurden. Diese Datens\u00e4tze enthalten Milliarden von Zellen und bis zu 20.000 Werte pro Zelle. Diese hohe Informationsdichte stellt eine ideale Testumgebung f\u00fcr das maschinelle Lernen (ML) dar, um kombinatorische Vorhersagen zu verbessern. Bislang gab es keinen leistungsf\u00e4higen Ansatz, um die Wirkung neuer Pr\u00e4paratkombinationen oder anderer St\u00f6reinfl\u00fcsse vorherzusagen. Wirkungsvorhersagen auf Basis dieser Daten sind besonders schwierig. KI-Modelle m\u00fcssen hierf\u00fcr lernen, anhand von relevanten Aspekten der Datenstruktur zu pauschalisieren und zu extrapolieren, ohne auf bereits erforschte Trainingsdaten zur\u00fcckzugreifen. Dieses Problem l\u00f6sen wir durch eine neue Technik zur Eigen\u00fcberwachung. Mithilfe des sogenannten \u201eAuto Encoding\u201c werden Daten \u201ekomprimiert\u201c und \u201edekomprimiert\u201c. Bei diesem Prozess muss die Maschine die Daten zusammenfassen. So entstehen Muster, die f\u00fcr die Vorhersage genutzt werden k\u00f6nnen. Im vorliegenden Fall lernt der Autoencoder anhand unmarkierter genetischer Expressionsvektoren aus verschiedenen Bedingungen. Unser Modell isoliert und untersucht zun\u00e4chst die wichtigsten Eigenschaften einer Zelle, etwa die Wirkung eines bestimmten Medikaments, die Kombination, die Dosierung, die Verabreichungszeit, m\u00f6gliche Gendeletionen oder die Zellart. Diese Eigenschaften kombiniert es dann eigenst\u00e4ndig neu, um die Wirkung auf die Genexpressionen einer Zelle vorherzusagen. Die Funktionsweise des CPA-Modells l\u00e4sst sich folgenderma\u00dfen veranschaulichen: Die verschiedenen Zelleigenschaften, etwa die Wirkung eines Pr\u00e4parats, die Kombination, die Dosierung und die Verabreichungszeit, entsprechen in unserem Beispiel dem \u201eOutfit\u201c der Zelle. Dieses Outfit kann aus H\u00fcten, Schals, Brillen und M\u00fctzen bestehen. Beim Training analysiert das CPA-Modell das vollst\u00e4ndige Outfit der Zelle. Dann entfernt es Kleidungsst\u00fccke und f\u00fcgt sie einzeln wieder hinzu, um mehr \u00fcber die jeweiligen Elemente und die Zelle selbst zu erfahren. W\u00e4hrend eines Tests trifft das Modell nun Vorhersagen zu den besten Outfits (oder wirksamsten Pr\u00e4paratkombinationen) \u2013 also beispielsweise dazu, wie ein Hut mit einem bestimmten Schal aussehen w\u00fcrde. Genauer gesagt betrachtet unser CPA-Modell den RNA-Seq-Einzelzell-Datensatz von Zellen, die mit verschiedenen Wirkstoffen und Dosierungen behandelt wurden. Die Analyse umfasst dann die folgenden drei Schritte: Zuerst wandelt ein Encoder-Netz die Genexpression einzelner Zellen aus dem Datensatz in eine \u201eZell-Repr\u00e4sentation\u201c um. Ein Embedding-Netz wandelt die medikament\u00f6se Behandlung dieser Zelle in eine \u201eBehandlungs-Repr\u00e4sentation\u201c um. Zus\u00e4tzlich stellt ein Diskriminator-Netz sicher, dass die Zell- und Behandlungs-Repr\u00e4sentationen keine Informationen \u00fcber die jeweils andere Repr\u00e4sentation erhalten. Im n\u00e4chsten Schritt kombinieren wir die Zell- und Behandlungs-Repr\u00e4sentationen zu einer \u201eBottleneck-Repr\u00e4sentation\u201c. Zuletzt kommt ein Decoder-Netz zum Einsatz, das die Bottleneck-Repr\u00e4sentation wieder in einen Genexpressionsvektor \u00fcbertr\u00e4gt. Das Modell ist so trainiert, dass die Ergebnisse des Decoders sich mit der Genexpression des urspr\u00fcnglichen Datensatzes decken. Im Schritt 1 des Trainingsprozesses versuchen wir, die Wirkung einer Zellbehandlung \u201er\u00fcckg\u00e4ngig\u201c zu machen. In den Schritten 2 und 3 versuchen wir, die gleiche Behandlung f\u00fcr die gleiche Zelle \u201ewiederherzustellen\u201c. Im Training wird immer die gleiche Behandlung \u201er\u00fcckg\u00e4ngig\u201c gemacht und dann \u201ewiederhergestellt\u201c. Hier setzen wir aber mit unserem CPA-Modell an und versuchen, kontrafaktische Fragen zu beantworten \u2013 etwa: \u201eWie h\u00e4tte sich die Genexpression dieser Zelle ver\u00e4ndert, w\u00e4re sie mit Wirkstoff B statt Wirkstoff A behandelt worden?\u201c. Hierzu machen wir in Schritt 1 Behandlung A \u201er\u00fcckg\u00e4ngig\u201c und wenden dann in Schritt 2 und 3 Behandlung B an. Das CPA-Modell ist allerdings nicht auf die Einzelzell-RNA-Sequenzierung angewiesen und findet auch dar\u00fcber hinaus Anwendung. Es kann auch ganz einfach auf traditionelle Bulk-RNA-Seq-Daten angewendet oder etwa f\u00fcr multimodale genomische Analysen erweitert werden. Verl\u00e4ssliche Vorhersagen zu neuen Wirkstoffkombinationen Um das CPA-Modell zu testen, nutzten wir es mit f\u00fcnf \u00f6ffentlich verf\u00fcgbaren Datens\u00e4tzen aus der RNA-Sequenzierung. Diese Datens\u00e4tze enthalten Messwerte und Ergebnisse verschiedener Behandlungen, Dosierungen und anderer St\u00f6reinfl\u00fcsse auf Krebszellen. Jeder Datensatz wurde dabei in Training, Test und Out-of-Distribution (OOD) unterteilt. Wir untersuchten die Leistungsf\u00e4higkeit unseres Modells im Hinblick auf das Bestimmtheitsma\u00df R2. Diese Kennzahl bezeichnet die Zuverl\u00e4ssigkeit unserer Vorhersagen bei der Expression einzelner Gene. Der R2-Wert blieb bei allen Datens\u00e4tzen im Training und beim Testen konstant und auch f\u00fcr OOD konnten wir hohe Werte erzielen. Die Vorhersagen des CPA-Modells zur Wirkung wichtiger Pr\u00e4paratkombinationen und Dosierungen auf Krebszellen stimmte also zuverl\u00e4ssig mit den Beobachtungen aus dem Testdatensatz \u00fcberein. Um die Leistung unseres Modells weiter auf die Probe zu stellen, reduzierten wir den Umfang der Trainingsdaten und erh\u00f6hten gleichzeitig die Menge der OOD-Daten. Zwar lie\u00df die Performance sp\u00fcrbar nach, die Vorhersagen waren aber qualitativ noch immer weit von Zufallswerten entfernt. Das Modell ist nicht f\u00fcr den Einsatz in solchen extremen Anwendungssituationen gedacht. Es ist aber aufschlussreich, seine Lernf\u00e4higkeit dahingehend zu untersuchen. Blick in die Zukunft Wir hoffen, dass dieses Open-Source-Tool in der pharmazeutischen und akademischen Forschung sowie in der Biologie helfen kann, schneller optimale Wirkstoffkombinationen f\u00fcr verschiedene Krankheitsbilder zu identifizieren. Die gebrauchsfertige Ausstattung mit API und Python-Paket erm\u00f6glicht es Forschern, auch ohne Hintergrundwissen zu maschinellem Lernen ihre Datens\u00e4tze einzupflegen und Vorhersagen zu treffen. Indem wir pharmazeutischen Laboren KI-Tools zur Verf\u00fcgung stellen, wollen wir dabei helfen, die Suche nach optimalen Wirkstoffkombinationen und anderen Ma\u00dfnahmen drastisch zu beschleunigen. Das k\u00f6nnte letztlich zur Entwicklung besserer Behandlungsm\u00f6glichkeiten f\u00fcr komplexe Erkrankungen wie Krebs oder neuartige Krankheiten wie COVID-19 beitragen. Eines Tages k\u00f6nnte das CPA-Modell sogar v\u00f6llig neue M\u00f6glichkeiten bei der Entwicklung medikament\u00f6ser Behandlungen er\u00f6ffnen. Zuk\u00fcnftig k\u00f6nnte es nicht nur helfen, schneller neue Anwendungsm\u00f6glichkeiten f\u00fcr vorhandene Wirkstoffe zu identifizieren. Irgendwann k\u00f6nnte es auch in der Lage sein, personalisierte Behandlungen zu entwickeln und diese sogar auf einzelne Zellantworten abzustimmen. Dieses Forschungsgebiet gilt heute als eines der wichtigsten f\u00fcr die Medizin der Zukunft.","og_url":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/","og_site_name":"\u00dcber Meta","article_published_time":"2021-04-19T06:51:41+00:00","article_modified_time":"2021-04-19T07:06:46+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?resize=1024,576","type":"image\/jpeg"}],"author":"Trilligent","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Meta","Est. reading time":"7 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#article","isPartOf":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/"},"author":"Facebook company","headline":"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen","datePublished":"2021-04-19T06:51:41+00:00","dateModified":"2021-04-19T07:06:46+00:00","mainEntityOfPage":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/"},"wordCount":1530,"publisher":{"@id":"https:\/\/about.fb.com\/de\/#organization"},"image":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage"},"thumbnailUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","articleSection":["Uncategorized"],"inLanguage":"de-DE"},{"@type":"WebPage","@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/","url":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/","name":"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen | \u00dcber Meta","isPartOf":{"@id":"https:\/\/about.fb.com\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage"},"image":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage"},"thumbnailUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","datePublished":"2021-04-19T06:51:41+00:00","dateModified":"2021-04-19T07:06:46+00:00","breadcrumb":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/"]}],"author":"\u00dcber Meta"},{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#primaryimage","url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","contentUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","width":1920,"height":1080},{"@type":"BreadcrumbList","@id":"https:\/\/about.fb.com\/de\/news\/2021\/04\/schneller-im-kampf-gegen-komplexe-krankheiten-ki-fuer-wirksame-kombinationen-von-medikamenten\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/about.fb.com\/de\/"},{"@type":"ListItem","position":2,"name":"Schneller im Kampf gegen komplexe Krankheiten: KI f\u00fcr wirksame Medikamentenkombinationen"}]},{"@type":"WebSite","@id":"https:\/\/about.fb.com\/de\/#website","url":"https:\/\/about.fb.com\/news\/","name":"\u00dcber Meta","description":"","publisher":{"@id":"https:\/\/about.fb.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/about.fb.com\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-DE","alternateName":["Meta Newsroom","Meta"]},{"@type":"Organization","@id":"https:\/\/about.fb.com\/de\/#organization","name":"Meta","url":"https:\/\/about.fb.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500","contentUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500","width":8000,"height":4500,"caption":"Meta"},"image":{"@id":"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/"}}]}},"jetpack_featured_media_url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","jetpack-related-posts":[],"jetpack_sharing_enabled":true,"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts\/25809","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/users\/116743763"}],"replies":[{"embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/comments?post=25809"}],"version-history":[{"count":4,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts\/25809\/revisions"}],"predecessor-version":[{"id":25813,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts\/25809\/revisions\/25813"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/media\/25812"}],"wp:attachment":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/media?parent=25809"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/categories?post=25809"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/tags?post=25809"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}