Wissensgenerierung aus komplexen Datensätzen in der humanexperimentellen Schmerzforschung

Schmerz hat eine komplexe Pathophysiologie, die sich in komplexen und heterogenen klinischen Phänotypen ausdrückt. Dies macht die Erforschung von Schmerz und seiner Behandlung zu einem potenziell datenintensiven Thema, bei dessen Bearbeitung große Mengen komplexer Daten aufgenommen werden. Typische Quellen solcher Daten sind Untersuchungen mit funktioneller Magnetresonanztomographie, komplexen quantitativ-sensorischen Tests, DNA-Sequenzierung, insbesondere dem sog. „next generation sequencing“, oder funktionell-genomischen Forschungsansätzen wie zum Beispiel solchen, die auf die Entdeckung oder Repositionierung von bekannten Arzneimitteln als neue Analgetika gerichtet sind. Die Extraktion von Informationen aus solchen Big Data erfordert datenwissenschaftliche Methoden, die der Informatik mehr als der Statistik zuzuordnen sind. Derzeit richtet sich ein besonderes Interesse auf das maschinelle Lernen, welches Methoden zur Detektion interessanter, insbesondere biologisch aussagekräftiger Strukturen in hochdimensionalen Daten bereitstellt, um sog. Klassifikatoren zu erstellen, die klinische Phänotypen z. B. aus klinischen oder genetischen Merkmalen vorhersagen. Darüber hinaus können diese Methoden zur Wissensentdeckung in großen aus biomedizinischen Datenbanken ausgelesenen Datensätzen verwendet werden, um Hypothesen zu generieren und das derzeitige Wissen über Schmerz zur Entwicklung neuer Analgetika zu nutzen. Dies ermöglicht, in der Schmerzforschung sogenannte DIKW-Ansätze (Daten – Information – Wissen [„knowledge“] – Weisheit) zu verfolgen. In diesem Artikel wird anhand aktueller Beispiele aus der Schmerzforschung ein Überblick über die aktuellen datenwissenschaftlichen Methoden in diesem Forschungsbereich vermittelt.