Mit Algorithmen gegen Krebs

Um Krebs früher diagnostizieren und die Krankheit effektiver bekämpfen und behandeln zu können, kommen in der Krebsforschung immer häufiger Machine-Learning-Verfahren (ML-Verfahren) zum Einsatz. Rebekka Burkholz, seit September leitende Forscher:in am CISPA, arbeitet unter anderem an der Weiterentwicklung von ML-Modellen, damit diese Entstehung und Verlauf der Krankheit künftig immer genauer vorhersagen können. Einen innovativen Ansatz stellt sie im Paper „Scaling up Continuous-Time Markov Chains Helps Resolve Underspecification“ vor, das auf der renommierten Konferenz NeurIPS 2021 (Conference on Neural Information Processing Systems) präsentiert werden wird.

Die Ursache für Krebserkrankungen sind außer Kontrolle geratene Zellen, die sich unkontrolliert vermehren, ins umliegende Gewebe ausbreiten und es zerstören, erklärt das Deutsche Krebsforschungszentrum in der Helmholtz-Gemeinschaft (dkfz). Eine normale Zelle wird zur Tumorzelle, wenn zuvor einige schädliche Veränderungen in und an der Erbinformation stattfinden. Solche Mutationen können laut dkfz durch erbliche Veranlagung aber auch durch Umwelteinflüsse wie UV-Strahlung oder schädliche Verhaltensweisen wie das Rauchen begünstigt werden. Nicht jede Mutation führt zwangsläufig zu Krebs. Oft müssen erst mehrere Genveränderungen zusammenkommen, bevor die Krankheit ausbricht.

„Ein wichtiger Aspekt bei der Entstehung von Krebs ist, wie verschiedene Genmutationen zusammenwirken und in welcher Reihenfolge sie auftreten“, sagt Rebekka Burkholz. Sie ist Expertin für Machine-Learning-Verfahren und beschäftigt sich unter anderem mit deren Anwendung im medizinischen Bereich. „Zu bestimmen, wann welche Mutation hinzukommt, ist bislang sehr schwierig, weil wir fast immer erst dann Daten sammeln können, wenn der Krebs bereits fortgeschritten ist“, erklärt die 34-Jährige. In den Tumoren können dann viele verschiedene Mutationen nachgewiesen werden. Wo die Kette ihren Anfang nahm und welche Abhängigkeiten bestehen, war bisher nur für wenige Mutationen nachvollziehbar. „Das bisher gängige Modell, das wir uns angeschaut haben, hat nur rund 20 von über tausend Mutationen in seine Prognose einbezogen“, sagt Burkholz. Zusammen mit Kolleg:innen vom MIT und der Harvard University hat die Forscherin einen Ansatz entwickelt, mit dem bestehende ML-Modelle so verbessert werden, dass sie die Krebsentwicklung künftig sehr viel genauer vorhersagen können. „Unser Ansatz erlaubt es, das Verfahren auf hunderte Mutationen auszuweiten und ist deutlich schneller.“

Beim Machine Learning kommen Algorithmen zum Einsatz, die aus der Beobachtung von Daten Muster und Gesetzmäßigkeiten ableiten und so statische Modelle bauen, die automatisierte Vorhersagen ermöglichen. „Es gibt beim Maschinellen Lernen viele unterschiedliche Ansätze. Viele Menschen denken dabei sofort an neuronale Netze, die sehr viele Daten brauchen, um trainiert werden zu können. Im medizinischen Bereich arbeiten wir aber oft mit sehr überschaubaren Datenmengen“, sagt Burkholz. ML-Verfahren helfen den Forscher:innen in diesen Bereichen Prognose-Modelle zu verfeinern und so nützlichere Informationen zu sammeln. So lassen sich die vorhandenen Daten besser auswerten und letztlich über das Verstehen von Zusammenhängen neue Behandlungsverfahren entwickeln.

Die 34-Jährige ist im Sommer von der Harvard University ans CISPA gewechselt und beschäftigt sich vor allem mit den Themen künstliche Intelligenz und maschinelles Lernen. Promoviert hat die gebürtige Frankfurterin nach ihrem Mathe- und Physikstudium an der ETH Zürich, wo sie für ihre Arbeit den Zürich Dissertationspreis erhalten hat. „Ich bin sehr gespannt, was mich am CISPA erwartet und freue mich schon auf den Austausch mit den neuen Kolleg:innen. Die Perspektive der Cybersicherheitsexpert:innen hier ist eine ganz andere als meine eigene. Wir können einander sicher bereichern. “