Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI
Wissenschaftliche Erkenntnisse und biomedizinische Daten maschinell nutzbar machen
Die moderne biomedizinische Forschung erzeugt enorme Datenmengen. Dazu gehören klinische Daten, Daten aus Patientenkohorten, Multi-Omics-Daten sowie Versorgungsdaten, also sogenannte Real-World-Daten. Aus der Analyse dieser Daten lässt sich Real-World Evidence gewinnen. Gleichzeitig hat die wissenschaftliche Forschung über Jahrzehnte hinweg einen ebenso wertvollen Bestand an biologischem Wissen hervorgebracht, der in Publikationen, Patenten, Ontologien und Datenbanken gespeichert ist. Dennoch bleiben Daten und Wissen oft voneinander getrennt.
Daten und Wissen zusammenführen
Die Gruppe Angewandte Semantik verknüpft wissenschaftliches Wissen mit biomedizinischen Daten – und macht beides nutzbar. Semantische Technologien, Ontologien, Wissensgraphen und KI werden kombiniert, um fragmentierte Daten in strukturierte Ressourcen für Analyse und Erkenntnisgewinnung zu verwandeln. Die Arbeit folgt drei Prinzipien: FAIR-konformen und KI-fähigen Daten, semantischer Interoperabilität und multimodalen mechanistischen Wissensgraphen. Heterogene Datensätze werden harmonisiert und mit evidenzbasierten kausalen Wissensgraphen verknüpft. So lassen sich Zusammenhänge von der molekularen bis zur klinischen Ebene erkennen.
Von der Integration zur Entdeckung
Das Herzstück der Gruppe Angewandte Semantik ist die »Biomedical Discovery Engine«. Sie führt strukturiertes Wissen mit multimodalen Daten zusammen, um biologische Mechanismen aufzudecken. Durch die Verknüpfung vielfältiger Erkenntnisse über biologische und klinische Ebenen hinweg hilft sie KI-Modellen, über isolierte Korrelationen hinaus Hinweise auf mögliche Mechanismen zu gewinnen, die Phänotypen und Krankheitsprozessen zugrunde liegen. So hilft sie, Patientengruppen zu unterscheiden, Biomarker zu entdecken, Begleiterkrankungen zu analysieren, neue Einsatzmöglichkeiten für Medikamente zu finden und wissenschaftliche Erkenntnisse in die medizinische Praxis zu übertragen.
Drei spezialisierte Werkzeuge setzen diesen Ansatz in die Praxis um. KG-Orchestra kombiniert Multi-Agenten-KI, Datenabruf, Validierung und menschliches Fachwissen, um vertrauenswürdige Wissensgraphen zu erstellen. iMapper ordnet heterogene Daten semantisch zu und harmonisiert sie, während MMSig Multi-Omics-Patientendaten mit kausalen Wissensgraphen integriert, um mechanistische Signaturen zu erzeugen.
KI auf vertrauenswürdigem Wissen aufbauen
Die Arbeit der Gruppe folgt dem Grundsatz, dass wissenschaftliche Intelligenz auf vertrauenswürdigem Wissen beruhen muss. Daher wird die Skalierbarkeit von KI mit strukturierter Semantik, Belegen, Herkunftsnachweisen, Validierung und menschlicher Expertise kombiniert. KI wird nicht als Black Box behandelt. Stattdessen ermöglichen die daraus resultierenden Systeme ein Zusammenspiel von Daten, Wissen und Algorithmen. So sollen leistungsfähige Systeme entstehen, deren Ergebnisse sowohl biologisch aussagekräftig als auch wissenschaftlich interpretierbar sind.
Die übergeordnete Vision besteht darin, eine rechnergestützte Verbindung zwischen biologischen Daten und biologischem Verständnis zu schaffen. Ziel ist es, fragmentierte biomedizinische Informationen in mechanistische Erkenntnisse zu überführen, um Entdeckungen zu beschleunigen und fundiertere Entscheidungen in der Biomedizin zu ermöglichen.
