Trend 1: Einzelzelltranskriptomik in der vaskulären Medizin
Fokus auf die kleinste Einheit des Lebens
Neue Technologien zur Untersuchung von Zellen
Begriff | Erläuterung |
---|---|
Bulksequenzierung | Bestimmung der Nukleotidabfolge von RNA einer Probe (Gewebe, Zellsuspension), die mittels Hochdurchsatzmethoden (sog. Next-Generation-Sequencing-Methoden) erfolgt. Sie gibt Aufschluss über die Funktion von Zellen |
Cluster | Anonyme Klasse bzw. Gruppe von z. B. Zellen, die datengetrieben durch Gruppierung von Zellen anhand ihrer Ähnlichkeit ermittelt wird |
Drop-out | Nicht detektierte Genexpression. Wird in der Genexpressionsmatrix ebenfalls mit einer Null repräsentiert |
Expressionsprofil | Genexpression aller Gene einer Probe |
Genexpression | Information über den Ausdruck bzw. die Erscheinung eines Gens in einer Zelle oder einem Organismus. Sie gibt Information über die Funktion einer oder mehrerer Zellen |
Genexpressionsmatrix | Tabellarische Darstellung von Genexpressionen mehrerer Zellen. Da meist nicht alle Gene in allen Zellen exprimiert werden, sind diese Matrizen „dünn besetzt“ und weisen somit viele Einträge aus Nullen auf. Typische Größen von Genexpressionsmatrizen in Einzelzellstudium umfassen 100.000 Zellen × 20.000 Gene mit einer Besetzungsdichte von bis zu 5 % |
mRNA | Messenger RNA oder auch Boten-RNA genannt. Abgelesener transkribierter Abschnitt der DNA, der für die Synthese von Proteinen verwendet wird |
Single-Cell-Sequenzierung | Erweiterung der Bulksequenzierung zur Bestimmung der Nukleotidabfolge von RNA einer Zelle. Im Gegensatz zur Bulksequenzierung ermöglicht sie eine Auflösung auf Zellniveau |
Trajektorie | Allgemein Pfad einer zeitlichen Entwicklung im Raum. Hier zweidimensionale Darstellung des Entwicklungspfads von Zellen |
Transkript | Ein anhand einer gegebenen DNA synthetisiertes RNA-Molekül eines einzelnen Gens |
Transkriptom | Gesamtheit aller Transkripte in einer Zelle, die exprimiert werden |
Zelldifferenzierung | Entwicklungsmöglichkeit von Zellen in verschiedene Zelltypen |
Zelltyp | Distinkte Einheit von Zellen, wie z. B. einer Immunzelle (B-Zellen, T‑Zellen, Makrophage usw.) oder Epithelzellen |
Zellzustand | Zustand einer Zelle wie aktiv, nicht aktiv oder dem Zellzyklus etc. |
Zellzyklus | Abfolge von Aktivitätsphasen einer Zelle bei der Zellteilung (Mitose) |
Einzelzelltranskriptomik als neues Forschungsgebiet
Medizinische Forschung in der Einzelzelltranskriptomik
Trend 2: Künstliche Intelligenz als Wegbereiter für Medizin und Forschung
KI im Alltag und speziell in der Medizin
Begriff | Erläuterung |
---|---|
Big Data | Sammelbegriff für Algorithmen (z. B. ML-Verfahren) und Softwarelösungen (z. B. Datenbanken), welche mit extrem großen, heterogenen und ggf. verteilten Datenmengen umgehen können |
Cloud-Computing | Sammelbegriff für Software- und Hardware-Lösungen sowie Geschäftsmodelle, welche digitale Prozesse in standardisierter Weise in externe Rechenzentren auslagern |
Deep learning | Besondere Art von maschinellen Lernverfahren, welche auf Basis von neuronalen Netzen arbeitet. Häufig besonders erfolgreich, wenn große Datenmengen zum Lernen verfügbar sind |
Feature | Messbare Größe oder Eigenschaft observierter Systeme anhand derer Modelle trainiert werden. Dies kann eine Spalte einer gemessenen Datenmatrix (z. B. Höhe, Breite, Gewicht, Farbe) oder eine zusätzliche daraus abgeleitete Größe sein (z. B. Dichte) |
Künstliche Intelligenz (KI) | Im weitesten Sinne: Automatisierung von intelligentem Verhalten. Im Alltagsgebrauch bezeichnet der Begriff die digitale Automatisierung von Prozessen, insbesondere von repetitiven Aufgaben des menschlichen Handelns und Entscheidens |
Maschinelles Lernen (ML) | Maschinelles Lernen bezeichnet eine Reihe von mathematischen Verfahren, welche Muster, Regeln oder Entscheidungen aus Daten extrahieren und reproduzieren. Essenzielles Werkzeug der KI |
Modell | Das trainierte Regelwerk: Ergebnis des Algorithmus gepaart mit Trainingsdaten. Dies kann sowohl ein künstliches neuronales Netzwerk sein, dessen Ausmaß und Kopplungsgewichte durch das Training gesetzt sind als auch ein Entscheidungsbaum. Durch Anwendung des Models auf neue Daten kann eine zu den Trainingsdaten analoge Ausgabe bzw. Transformation erzeugt werden |
(Un‑)Supervised learning | Technik zur Erzeugung mathematischer Modelle mithilfe von Algorithmen und Trainingsdaten. Beim „supervised learning“ wird zu den Daten das gewollte Verhalten/die Ausgabe vorgegeben; beim „unsupervised learning“ erfolgt die Erzeugung rein datengetrieben |
Vorzüge von KI-Systemen gegenüber menschlichen Experten
Herausforderungen beim Einsatz von KI
Einsatz von KI in der medizinischen Forschung
Methoden der KI im Bereich der Einzelzellanalytik
Die Kombination der Trends
Beispiel 1: Vereinfachung der Datenräume (Dimensionsreduktion)
Beispiel 2: Gruppierung (Clustering)
Beispiel 3: Zeitliche Entwicklung (Mustererkennung)
Beispiel 4: Zelltypisierung (Modellbildung)
Kollaboration zwischen den Wissenschaften
Fazit für die Praxis
-
Einzelzellgenomik ist ein schnell voranschreitender Trend zur Analyse biomolekularer Vorgänge in Zellen in höchster Auflösung.
-
Künstliche Intelligenz hilft nicht nur in der Genomforschung, sondern in vielen Anwendungsbereichen der Biomedizin und Gesundheitsversorgung bei der Aufbereitung von digitalen Daten.
-
In Kombination liefern KI-basierte Algorithmen in der Einzelzelltranskriptomik Mehrwerte z. B. in der Vereinfachung von Daten oder der datengetriebenen Zelltyp- oder Zellzustandsbestimmung.
-
Beide Technologien, Einzelzellgenomik und künstliche Intelligenz, benötigen tiefes Expertenwissen und können nur im Austausch und intensiven Zusammenspiel beider Disziplinen erfolgreich sein.
-
Zum aktuellen Zeitpunkt erfordern die genannten Methoden häufig umfassende Programmierkenntnisse.
-
KI-Plattformen bieten eine gute Voraussetzung für die gemeinsame Arbeit.