Best Practices KI-Potenziale für Life Science erkennen und nutzen

Life-Science-Unternehmen werden in den nächsten Jahren verstärkt mit Technologien der Künstlichen Intelligenz (KI) in ihren Arbeitsabläufen experimentieren. Dafür sind verschiedene Use Cases für Teilbereiche wie der Forschung, Entwicklung von Medikamenten und der Vermarktung bereits angedacht oder schon im Einsatz.

Anbieter zum Thema

Die KI eröffnet der Life-Sciences-Branche bahnbrechende Möglichkeiten. Jedoch fehlen häufig die notwendigen Fachleute.
Die KI eröffnet der Life-Sciences-Branche bahnbrechende Möglichkeiten. Jedoch fehlen häufig die notwendigen Fachleute.
(Bild: gemeinfrei / Pixabay )

Die Künstliche Intelligenz (KI) ist in der Lage, große Mengen an Daten auszuwerten und unterstützt Forscher dabei, wiederkehrende Muster zu erkennen und deutlich schneller präzise Schlussfolgerungen zu ziehen. Gegenwärtig konzentriert sich die Verwendung der KI-Technologien in dem Bereich der Biowissenschaften meist auf Experimente und Pilotprojekte.

Use Case 1: Pipettier-Roboter automatisiert Prozesse

Die flexible Architektur des Pipettier-Roboters „Andrew+“ mit Cloud-basierter proprietärer Software OneLab soll dank einer Machine-Vision-Lösung den Übergang von mühsamen manuellen Pipettier-Vorgängen zu fehlerfreien, voll robotisierten Laborabläufen ermöglichen. Bei Machine-Vision handelt es sich um eine KI-Technologie, mit der bildgebende automatische Inspektionen und Analysen für Prozesssteuerungen und Roboterführungen bereitgestellt werden können. Ein Plus: Für den Anwender sind keine Kenntnisse in Programmierung, Laborrobotik oder Automatisierungstechnik erforderlich.

Auf diese Weise lassen sich in der Molekularbiologie, Immunologie, Zellbiologie, Mikroskopie und anderen Forschungslabors der Biowissenschaften Flüssigkeiten mit größerer Genauigkeit und konsistenter Wiederholbarkeit für Experimente handhaben und messen. Wobei der Pipettier-Roboter Andrew+ nicht nur den Liquid-Handling-Prozess automatisiert, sondern dem Anwender auch die vollständige Kontrolle über den Arbeitsablauf durch die OneLab-Softwareplattform gibt. Das heißt, Reproduzierbarkeit und vollständige Rückverfolgbarkeit der Probenvorbereitung durch eine intuitive Browser-basierte Softwareumgebung.

Zusätzlich erlaubt OneLab es dem Anwender, eigene Pipettier-Protokolle in wenigen Minuten grafisch zu entwerfen und sie weltweit in jedem Labor auszuführen. Laufende Experimente können sogar über Fernüberwachung begleitet werden. Mit dem Andrew+ Pipettier-Roboter und seinem integrierten Portfolio aus Hardware und intuitiver Software wird es Pharmaunternehmen letztlich ermöglicht, ihre F&E-Prozesse deutlich zu beschleunigen.

Use Case 2: KI-gestützte Suchmaschine zu Antikörpern

Die BenchSci-Plattform wurde zu dem Zweck entwickelt, um sowohl die Wissenschaft als auch Pharmaunternehmen dabei zu unterstützen, ihre Forschungen durch den Einsatz von Modellen für Maschinelles Lernen (ML) zu beschleunigen. Die Plattform hilft Wissenschaftlern dabei, ihr Experimentdesign zu optimieren und somit die Produktivität zu verbessern. Diese maschinellen Lernmodelle sind dazu in der Lage, wichtige Erkenntnisse aus wissenschaftlichen Daten sowie den internen Datenbanken von Pharmaorganisationen zu extrahieren. Ferner können sie die biomedizinische Bedeutung extrahierter Daten analysieren und Beziehungen zwischen den einzelnen biologischen Einheiten herstellen.

Der Anwender kann die Plattform nutzen, indem er eine Suchanfrage in die Suchleiste eingibt und nach Protein-, Gen- oder Klon-IDs sucht. Die Anwendung zeigt dann allgemeine Hyperlinks an, die zu Informationen über Antikörper führen, die sich als wirksam erwiesen haben. Laut BenchSci wurde das der Software zugrundeliegende maschinelle Lernmodell auf 5,1 Millionen Antikörperprodukten, mehr als die Millionen von Herstellern gelieferten Daten und 45.000 Daten von Drittanbietern trainiert. Wobei die Datenbank jeden Monat mit Informationen aus neuen Veröffentlichungen sowie über neue Produkte aktualisiert wird.

Use Case 3: Software zur Krebsfrüherkennung

Das Biotechnologie- und Pharmaunternehmen Grail entwickelte eine Software zur Krebsfrüherkennung im Blutkreislauf, die medizinische Forschungszentren bei der Durchführung von Studien unterstützen kann. Dadurch sollen die Überlebensraten bei Krebs erhöht und die Krebssterblichkeit sowie das Krebsleiden mithilfe des maschinellen Lernens verringert werden. Das der Software zugrundeliegende maschinelle Lernmodell wurde auf klinischen Daten bzw. Sequenzierungsdaten von Krebspatienten wie beispielsweise zellfreien Nukleinsäuren, die von Tumoren ins Blut abgegeben werden, trainiert.

Die Software soll daher in der Lage sein, die Existenz von Krebszellen im Frühstadium vorherzusagen. Dafür ist es geboten, dass der Anwender zuvor Daten über die körperlichen Krebssymptome in die Software hochlädt. Zusätzlich organisiert Grail selbst verschiedene klinische Studien. Eine dieser Studien, die Circulating Cell-free Genome Atlas (CCGA)-Studie, zielt darauf ab, genomische Krebssignale im Blut von Menschen mit Krebs zu entdecken und sie mit krebsfreien Studienteilnehmern zu vergleichen.

Use Case 4: Vermarktung von Arzneimitteln

Die Decision Support Engine von Aktana unterstützt Vertriebs- und Marketingmitarbeiter von Pharmaunternehmen dabei, mithilfe von Maschinellem Lernen relevante Informationen und Handlungsvorschläge für die Kontaktaufnahme mit Zielpersonen im Gesundheitswesen und den Gesundheitsorganisationen zu liefern. Wobei das maschinelle Lernmodell, das der Software zugrunde liegt, auf Daten des Kundenbeziehungsmanagements (CRM) trainiert wurde.

Die Algorithmen sind in der Lage, segmentierte Arztgruppen mit ähnlichen Merkmalen zu erstellen. Dies hilft den Marketingteams bei der Personalisierung ihrer Botschaften und Kommunikationskanäle. Solche segmentierte Arztgruppen könnten beispielsweise jene sein, die ihre Kommunikation lieber per E-Mail oder Telefon pflegen, die gleichen Spezialisierungen aufweisen oder auch dazu tendieren, neue Behandlungen für ihre Patienten in Betracht zu ziehen.

Das System erteilt den Vertriebsmitarbeitern des Kundenunternehmens dann eine Reihe von Empfehlungen, wie und wann sie auf der Grundlage des bevorzugten Kanals, der geografischen Nähe, der Verfügbarkeit und der Anrufhistorie mit ihren Zielpersonen idealerweise kommunizieren sollten.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

(ID:47970493)