Erschienen in:
08.03.2018 | Leitthema
Bedeutung von Big Data für die molekulare Diagnostik
Erschienen in:
Zeitschrift für Rheumatologie
|
Ausgabe 3/2018
Einloggen, um Zugang zu erhalten
Zusammenfassung
Big Data wird mit der Vision verknüpft, aus unüberschaubaren Datenmengen durch computerbasierte Analysemethoden neue Erkenntnisse zu gewinnen. Welche Analysekonzepte stehen hinter dieser Big-Data-Diskussion? Im Grunde sind mit dem Einsatz von Hochdurchsatztechnologien in der molekularen Forschung in der Rheumatologie schon seit ca. 15 Jahren Big Data vorhanden und Analysen in Entwicklung bzw. im Gebrauch. Hierzu gehören insbesondere die Omics-Technologien, wie z. B. Genomics, Transcriptomics oder Cytomics. Einige Basismethoden der Datenanalyse werden mit der Technologie geliefert. Dagegen müssen für die funktionelle Auswertung und Interpretation Softwarelösungen entwickelt bzw. an die Fragestellungen angepasst werden. Dabei sind die Strukturierung und Auswertung nach biologischen Zusammenhängen enorm wichtig und kein alleiniges mathematisches Problem. Dieser Aspekt muss bei molekularen Big Data noch weit mehr berücksichtigt werden als z. B. bei Big Data aus Gesundheitsökonomie und Epidemiologie. Molekulare Daten sind durch die Technologie der Erhebung in sich strukturiert und folgen in ihrer quantitativen Ausprägung biologischen Gesetzmäßigkeiten. Diese Zusammenhänge müssen in Softwarelösungen abgebildet werden, zum Teil auch durch die Vernetzung zwischen molekularen Big Data der gleichen oder auch unterschiedlichen Technologien, um technologieübergreifende Bestätigung zu erzielen. Mit immer umfangreicherer Erfassung molekularer Vorgänge in individuellen Patienten entstehen Big Data auch personenbezogen und stellen neue Anforderungen an die Bearbeitung, um datengetriebene individualisierte Lösungskonzepte zu entwickeln. Damit sind für die Umsetzung von Informationen aus Big Data im molekularen Bereich auch neue Anforderungen an Ausbildung und Berufskompetenzen zu erwarten.