Digitale Zwillinge für Medizin

Durch die fortschreitende Digitalisierung in der medizinischen Praxis und Forschung entstehen zunehmend umfangreiche und komplexe Datensätze von ein und demselben biologischen Individuum (Patient, Versuchstier, Modell) oder desselben biologischen Systems (z.B. der Herzoder Gehirnfunktion). Für sich genommen bietet jeder Datensatz und jede Datenmodalität einen komplementären, jedoch unvollständigen Blickwinkel auf die zu untersuchende physikalische Einheit. Diese Gruppe arbeitet an Methoden, um diese verschiedenen Blickwinkel in einem Modell, dem sog. digitalen Zwilling, zu vereinen. Hierfür werden mit Hilfe von maschinellem Lernen hochpräzise phänomenologische Modelle von komplexen, nichtlinearen biologischen Prozessen entwickelt und aus den Daten gelernt. Mit Hilfe dieser digitalen Zwillinge können dann datengetrieben spezifische (personalisierte) Fragestellungen in-silico untersucht und neue Hypothesen entwickelt werden. Beispielsweise kann so der Suchraum bei der Wirkstoffentwicklung massiv verkleinert werden: Statt „brute force“ mit Hilfe von Hochdurchsatz-Screening tausende Substanzen auf Zellkulturen zu testen, können deutlich gezielter Substanzen identifiziert werden, die sich in einem digitalen Zwilling als vielversprechend herausgestellt haben. Dieser Ansatz wurde bereits erfolgreich in den Neurowissenschaften sowie den Ingenieurswissenschaften verwendet und hat großes Potenzial für die Wirkstoffentwicklung und personalisierte Medizin. Methodische Herausforderungen bestehen in der Integration verschiedener Messungen, der optimalen Nutzung anderer Datenquellen und verfügbarem Vorwissen, um bestmögliche personalisierte Modelle aus den limitierten Daten für ein einzelnes Individuum zu lernen (Transfer Learning, Meta Learning), sowie der effizienten Extrahierung von verifizierbaren und kausalen Vorhersagen