Wie unterscheiden sich Krebszellen von gesunden? Ein neuer Algorithmus für maschinelles Lernen kennt die Antwort. Das Programm hat eine charakteristische genetische Signatur gefunden.
Um Krebszellen zuverlässig von gesunden zu unterscheiden, hat das Team um Dr. Altuna Akalin, Leiterin der Technologieplattform „Bioinformatics and Omics Data Science“ am Max-Delbrück-Centrum für Molekulare Medizin der Helmholtz-Gemeinschaft (MDC), hat ein maschinelles Lernprogramm namens „ikarus“ entwickelt. Das Programm fand ein Kreuzkrebsmuster in Tumorzellen, das aus einer charakteristischen Kombination von Genen besteht. Der Algorithmus entdeckte in dem Muster auch Gentypen, die zuvor nicht eindeutig mit Krebs in Verbindung gebracht worden waren, schreibt die Forschungsgruppe im Fachblatt Genome Biology.
Maschinelles Lernen bedeutet im Grunde, dass ein Algorithmus anhand von Trainingsdaten selbstständig lernt, bestimmte Fragen zu beantworten. Seine Strategie besteht darin, in den Daten nach Mustern zu suchen, die ihm helfen, das Problem zu lösen. Nach der Trainingsphase kann das System das Gelernte verallgemeinern und so unbekannte Daten auswerten. „Eine wichtige Herausforderung bestand darin, geeignete Lerndatensätze zu erhalten, in denen Spezialisten bereits eine genaue Einteilung der Zellen in ‚gesund‘ und ‚krebsartig‘ vorgenommen hatten“, sagt Jan Dohmen, Erstautor der Studie.
Eine überraschend gute Erfolgsquote
Darüber hinaus sind einzellige Sequenzierungsdatensätze oft verrauscht. Das bedeutet, dass Informationen über die molekularen Eigenschaften einzelner Zellen nicht ganz genau sind, weil zum Beispiel in jeder Zelle unterschiedlich viele Gene erkannt werden oder Proben nicht immer gleich aufbereitet werden. Dohmen und sein Kollege und Co-Autor Dr. Vedran Franke. Schließlich trainierte das Team den Algorithmus mit Daten von Lungen- und Dickdarmkrebszellen, bevor es ihn auf Datensätze anderer Tumorarten anwendete.
In der Trainingsphase musste die KI eine Liste mit charakteristischen Genen finden, anhand derer das Programm Zellen klassifizieren konnte: „Wir haben verschiedene Ansätze getestet und verfeinert“, sagt Dohmen. „Ausschlaggebend war, dass ‚ikarus‘ schließlich zwei Listen verwendet hat: eine für Krebsgene und eine für Gene aus anderen Zellen“, erklärt Franke.
Nach der Lernphase konnte der Algorithmus auch bei anderen Krebsarten zuverlässig zwischen gesunden und Krebszellen unterscheiden, beispielsweise in Gewebeproben von Leberkrebs oder Neuroblastomen. Ihre Erfolgsquote beträgt meist nur einen kleinen prozentualen Rabatt. Das überraschte auch die Forschungsgruppe: „Wir hatten nicht erwartet, dass es eine gemeinsame Signatur gibt, die Tumorzellen verschiedener Krebsarten so genau definiert“, sagt Akalin. „Allerdings können wir noch nicht sagen, dass die Methode bei allen Krebsarten funktioniert“, ergänzt Dohmen. Damit der Algorithmus zuverlässig bei der Krebsdiagnose helfen kann, wollen Forscher ihn an anderen Tumorarten testen.
KI als vollautomatische Diagnosehilfe
Die Einstufung „gesund“ versus „Krebs“ ist keineswegs das Ende des Projekts. In ersten Tests konnte die KI zeigen, dass die Methode auch zwischen anderen Zelltypen oder bestimmten Subtypen von Tumorzellen unterscheiden kann. „Wir wollen den Ansatz verallgemeinern“, sagt Akalin, „also so weiter entwickeln, dass er alle möglichen Zelltypen in einer Biopsie unterscheiden kann.“
Folgen Sie dem Krebsflavour-Kanal für weitere onkologische Themen. Folgen
Interessieren Sie sich auch für Neuigkeiten aus anderen medizinischen Bereichen? Entdecken Sie hier weitere DocCheck-Kanäle.
In der Klinik betrachten Pathologen meist nur mikroskopische Proben von Tumorgewebe und identifizieren so die unterschiedlichen Zelltypen. Es ist mühsam und zeitraubend. Mit dem neuen Tool konnte dieser Schritt vollständig automatisiert werden. Außerdem lassen sich einige Daten auch aus der unmittelbaren Nähe des Tumors ableiten, sagt Akalin. Dies wiederum könnte den Ärzten bei der Auswahl der optimalen Therapie helfen. Denn oft geben die Zusammensetzung des Krebsgewebes und die Mikroumgebung an, ob eine bestimmte Behandlung oder ein bestimmtes Medikament wirkt oder nicht.
Außerdem kann KI helfen, neue Medikamente zu entwickeln: „Mit ‚ikarus‘ können wir Gene identifizieren, die potenzielle Krebstreiber sind“, sagt Akalin. Auf diese molekularen Zielstrukturen könnten dann neue Wirkstoffe aufgebracht werden.
Dieser Artikel basiert auf einer Pressemitteilung der Charité Berlin. Wir haben den Originalbeitrag hier und zum Text verlinkt.
Bildquelle: Ty Kent, unsplash