Enter Title

Künstliche Intelligenz:
Sicherheit in vielen Facetten

Künstliche Intelligenz: Sicherheit in vielen Facetten

ARTIKEL 1

Der große Beitrag eines Desinfektionsroboters

Von David Freedman für Mouser Electronics

Ein mobiles, KI-fähiges Desinfektionsgerät unterstützt Menschen, die von der Pandemie schwer getroffen sind

In zahlreichen Lebensmittelbanken der USA setzen sich ehrenamtliche Helfer und Mitarbeiter dafür ein, Bedürftige regelmäßig mit abgepackten Lebensmitteln zu versorgen. Vor allem Menschen, die von der Corona-Pandemie hart getroffen wurden, danken ihnen oftmals unter Tränen für ihr großes Engagement. In der Greater Boston Food Bank (GBFB), der größten Lebensmitteltafel im Großraum Boston, arbeitet ein Mitarbeiter jedoch ganz alleine – jede Nacht, die ganze Nacht hindurch – und niemand dankt ihm dafür. Dieser Mitarbeiter heißt Rey und fährt außerhalb der Öffnungszeiten der Lebensmitteltafel pflichtbewusst in den Gängen der Lagerhalle auf und ab. Dabei desinfiziert er die abgepackten Lebensmittel, damit sie am nächsten Tag bedenkenlos verteilt werden können. Erst im Morgengrauen ist Reys Schicht zu Ende und der ausgelaugte Arbeiter zieht sich in einen kleinen Raum in der Lagerhalle zurück. Bis die ersten Mitarbeiter der Tagesschicht eintreffen, schläft Rey schon tief und fest.

Rey ist ein Roboter, auf dessen Kopf vier Leuchtröhren angebracht sind, mit denen er Oberflächen desinfizieren kann. Entwickelt wurde Rey von einem KI-Forscherteam am Massachusetts Institute of Technology (MIT). Der hochmoderne Roboter ist ein Paradebeispiel dafür, wie sich Maschinen mithilfe von maschinellem Lernen die Fähigkeit aneignen können, in komplexen Umgebungen sicher und effizient zu navigieren und gleichzeitig wichtige Aufgaben zu erledigen – und das Ganze sogar autonom.

Noch beeindruckender ist jedoch die Tatsache, dass das MIT-Team Rey in einem Bruchteil der Zeit entwickelt hat, die normalerweise erforderlich ist, um einen Hochleistungsroboter zu konstruieren. Außerdem haben die Forscher den Roboter sozusagen zu Hause zusammengebastelt – hauptsächlich mit Materialien aus dem Baumarkt. „In nur zwei Monaten ist es uns gelungen, eine geniale Idee in die Wirklichkeit umsetzen“, so Alyssa Pierson, eine leitende KI-Forscherin des Teams. „Was uns motiviert hat, war die Dringlichkeit, mit der das Problem gelöst werden musste – und zwar am besten schon gestern.

Alyssa Pierson, KI-Forscherin am MIT. Mit freundlicher Genehmigung von Alyssa Pierson, MIT CSAIL).

Roboter „Rey“ tötet rund 90 Prozent der auf Oberflächen befindlichen COVID-19-Viren ab. (Mit freundlicher Genehmigung von Alyssa Pierson, MIT CSAIL)

Rey allein zu Hause

Als die COVID-19-Pandemie Anfang April Boston erreichte, legte sie den größten Teil der Stadt und der umliegenden Gemeinden lahm. Pierson und ihre Kollegen am bekannten US-Forschungslabor für Informatik, MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), fragten sich damals: Was können wir tun, um zu helfen?

Einer der Wissenschaftler hatte eine Idee: Er hatte gehört, dass die lokale Lebensmitteltafel dem enormen Bedarf an Lebensmitteln, vor allem für Familien, die durch die Pandemie ihre Arbeit verloren hatten, kaum nachkommen konnte. Dabei gab es insbesondere einen problematischen Aspekt, der die Verteilung der Lebensmittel verlangsamte: Alle abgepackten Lebensmittel mussten desinfiziert werden. „Dies schien mir die perfekte Aufgabe für einen Roboter zu sein“, so Pierson. „Wenn wir es schaffen würden, einen Desinfektionsroboter im Lager der Lebensmitteltafel erfolgreich einzusetzen, dann könnte dieses Konzept auch vor der Wiedereröffnung von Schulen und anderen Einrichtungen zum Einsatz kommen, um dort die Oberflächen zu desinfizieren.“

Da das MIT-Forschungslabor aufgrund der Pandemie geschlossen war, musste das Projekt im digitalen Raum abgewickelt werden. Der erste Schritt war die Zusammenarbeit mit Ava Robotics, einem regionalen Unternehmen, das eine mobile Roboterbasis mit integrierter Kamera anbietet. Ein guter Anfang – doch nun standen die Forscher vor der großen Herausforderung, den Roboter in ein intelligentes Desinfektionsgerät zu verwandeln, das autonom durch ein volles Lagerhaus navigieren kann. Zudem hatten die Wissenschaftler nicht viel, mit dem sie arbeiten konnten. „Wir mussten das nehmen, was wir zu Hause hatten oder in den wenigen Läden fanden, die noch geöffnet waren“, so Pierson.

Die Forscher beschlossen, zur Desinfektion ultraviolettes Licht, und zwar UV-C-Licht, einzusetzen. Studien hatten nachgewiesen, dass Viren durch UV-C wirksam abgetötet werden. Außerdem konnten die Leuchtmittel online bestellt werden. Um vier Leuchtstoffröhren vertikal auf der Roboterbasis anbringen zu können, bauten sie einen Rahmen aus normalen PVC-Kunststoffrohren, die sie im Baumarkt kauften. Der Gleichstrom aus der Batterie des Roboters musste in Wechselstrom für die Leuchtmittel umgewandelt werden. Hierfür nutzte das Team handelsübliche Bauteile, die in einer Sperrholzkiste unter den Leuchtstoffröhren untergebracht wurden.

Als der Roboter schließlich Gestalt angenommen hatte, gaben die Forscher ihm den Namen „Rey“ – in Anlehnung an die Heldin der letzten drei Star-Wars-Filme. „Wir haben uns für diesen Namen entschieden, weil die Leuchtmittel wie Lichtschwerter aussehen. Außerdem klingt ‚Rey‘ wie das englische Wort ‚Ray‘, das auf Deutsch ‚Strahl‘ bedeutet und an einen Lichtstrahl erinnert“, so Pierson.

Eine effizientere Route

Als nächstes kam der komplizierte Teil: Es musste eine Software für maschinelles Lernen entwickelt werden, welche die Navigation des Roboters übernehmen sollte. Die Forscher konnten allerdings nicht einfach eine festgelegte Route durch das Lager programmieren, denn in den fünf Gängen der Halle standen jeden Tag Paletten, Kisten, Gabelstapler und Transportwagen an unterschiedlichen Stellen. Es war aber auch nicht möglich, den Roboter einfach so zu programmieren, dass er irgendeine Route verfolgt, denn bei einer ineffizienten Route wäre sein Akku leer, bevor die Desinfektion abgeschlossen ist.

Pierson fand eine Lösung: Die Software für das maschinelle Lernen wurde mit Bildern von beweglichen Hindernissen, wie etwa Paletten, und unbeweglichen Hindernissen, zum Beispiel Wänden oder Regalreihen, wiederholt trainiert. So lernte sie, die unterschiedlichen Blockaden voneinander zu unterscheiden. Als der Roboter dann in der Lagerhalle seinen ersten Einsatz hatte, konnte er einfach herumfahren und dank seiner Kamera allen Hindernissen ausweichen. Gleichzeitig erstellte er eine Karte der Hindernisse und erkannte, welche von ihnen beweglich und welche unbeweglich waren. Anschließend war er in der Lage, auf Basis der unbeweglichen Hindernisse eine möglichst effiziente Route durch die Gänge zu planen. Wenn er auf ein bewegliches Hindernis stieß, umging Rey dieses und wählte den Weg, der am wenigsten von seiner normalen Route abwich. „So konnte Rey Umwege effizient meistern, ohne dass er eine ganz neue Route planen musste“, so Pierson.

Reinigungsroboter im Walmart, August 2020. (Quelle: Orlowski Designs LLC / shutterstock.com)

Auch die Geschwindigkeit war ein entscheidender Faktor. Veröffentlichte Studien hatten gezeigt, wie viele Sekunden erforderlich sind, damit UV-C-Licht in einer bestimmten Intensität und einem bestimmten Abstand Viren auf Oberflächen fast vollständig abtöten kann. Anhand der Leistungsstärke von Reys Leuchtröhren konnten die Forscher somit berechnen, mit welcher Geschwindigkeit der Roboter durch die 10 Meter langen Gänge fahren musste, damit gewährleistet ist, dass alle abgepackten Lebensmittel in den Regalen genug Licht für eine wirksame Desinfektion erhalten.

Die Berechnungen ergaben, dass der Roboter in der Sekunde 10 Zentimeter zurücklegen musste, was jedoch bedeutete, dass Rey kaum genügend Zeit für seine Arbeit hatte, bevor er wieder aufgeladen werden musste. Um die verfügbare Zeit also effizienter zu nutzen, brachte Pierson dem Roboter einen weiteren Machine-Learning-Trick bei: Er lernte, leere Regale zu erkennen, damit er daran schneller vorbeifahren und mehr Zeit mit der Desinfektion von Gegenständen verbringen konnte, die dies benötigten. „Menschen erkennen selbstständig, wenn ein Bereich leer ist, aber ein Roboter muss dieses Konzept erst erlernen“, so Pierson.

Kein Job für Menschen

Das Risiko, dass ihm der Saft ausgehen könnte, war allerdings nicht der einzige Grund, warum es wichtig war, dass Rey in der Morgendämmerung wieder zurück in seine Aufladestation musste. UV-C-Strahlung ist ausgesprochen schädlich für Menschen und zerstört unsere Zellen. Schon wenige Sekunden Strahlung aus Reys Leuchtröhren würden die empfohlene maximale Expositionsdauer des Menschen überschreiten. Um sicherzustellen, dass Mitarbeiter, die abends länger arbeiten oder morgens früher anfangen, Rey nicht aus Versehen über den Weg laufen, programmierte das MIT-Team die Alarmanlage des Gebäudes daher so, dass Rey eine Benachrichtigung erhält, wenn der Alarm ein- oder ausgeschaltet wird. So wird Rey nur dann aktiviert, wenn die letzten Person, die abends das Gebäude verlässt, den Alarm einschaltet. Und sobald die erste Person, die morgens eintrifft, den Alarm wieder ausschaltet, wird der Roboter deaktiviert. Das bedeutet: Solange der Alarm ausgeschaltet ist, sich also noch jemand im Gebäude befindet, kann Rey seine desinfizierenden Strahlen nicht aussenden.

Das Lichtspektrum nach Wellenlängen. (Quelle: ritsalak - stock.adobe.com)

Der Roboter wird nun seit mehreren Monaten erfolgreich in der Greater Boston Food Bank eingesetzt und verrichtet seine Arbeit perfekt. Vor kurzem zeigten die Mitarbeiter, wie sehr sie Reys Arbeit schätzen, indem sie ein Bild des Roboters an der Fotowand des Personals im Eingangsbereich aufhängten. Mittlerweile setzen sich die MIT-Forscher zusammen mit Ava dafür ein, auch anderen Organisationen bei Bedarf Desinfektionsroboter zur Verfügung zu stellen, so beispielsweise Schulen und Krankenhäusern. „In diesem Fall nimmt der Roboter niemandem den Job weg, denn Menschen könnten diese Arbeit gar nicht risikofrei ausführen“, so Pierson. „Hier geht es vielmehr darum, die Gesellschaft mithilfe von KI-Algorithmen und Robotik zu unterstützen.“

ARTIKEL 2

KI zur Stärkung der Seniorensicherheit

Von David Freedman für Mouser Electronics

Sturzrisiken mithilfe der KI am Gangbild älterer Menschen erkennen

Die Bewohner einer Senioreneinrichtung in Ocala, im US-Bundesstaat Florida, legen sich jeden Morgen ein buntes Armband an. Auch wenn das kleine Accessoire eher unbedeutend aussieht, so ist es für die älteren Menschen doch sehr wertvoll, denn es senkt ihre Wahrscheinlichkeit, im Laufe des Tages zu stürzen.

Das Armband ist Bestandteil eines Systems, das mittels maschinellem Lernen erkennt, wenn ein älterer Mensch eine untypische Gangart aufweist, die auf ein mögliches Sturzrisiko hinweist. In einem solchen Fall alarmiert das System die zuständigen Pflegekräfte.

William Kearns, Forscher an der University of South Florida und Mitentwickler des Systems erklärt: „Bislang gab es keine zuverlässige Methode, die erkannte, wann ein älterer Mensch einem erhöhten Sturzrisiko ausgesetzt ist. Mithilfe einer neuen Technologie erhalten wir nun jedoch präzise Messwerte in Echtzeit, die anhand der Gangart der Person Hinweise auf ein Sturzrisiko geben können.“ In diesem Beitrag erfahren Sie, wie diese Technologie mittels maschinellem Lernen eine Lösung für ein altbekanntes Problem bietet.

William Kearns, Forscher, University of South Florida. (Bildrechte: William Kearns).

Herumwandern – ein typisches Anzeichen

Das Sturzrisiko stellt für ältere Menschen ein großes Problem dar. Nach Schätzungen der US-Gesundheitsbehörde CDC (Centers for Disease Control) müssen jedes Jahr alleine in den USA rund drei Millionen Senioren nach einem Sturz die Notaufnahme aufsuchen. Häufig führen solche Stürze zu langfristigen Mobilitätseinschränkungen und verursachen für das Gesundheitswesen jährliche Kosten in Höhe von 50 Milliarden US-Dollar. Viele Stürze haben eine Hüftfraktur zur Folge, was bei älteren Menschen zu einer Sterblichkeitsrate von bis zu 58 Prozent innerhalb eines Jahres führt.

Als Kearns 2011 mit seiner Arbeit an dem Trackingsystem begann, ging es ihm nicht vorrangig um Sturzrisiken. Vielmehr wollte er eine Lösung finden, um Anzeichen zunehmender Demenz bei Bewohnern von Altenpflegeeinrichtungen zu erkennen. Die Diagnose einer Demenzerkrankung erfolgt meist mithilfe von Tests und Fragebögen. Daher wollte eine Reihe von Wissenschaftlern diagnostische Hilfsmittel entwickeln, die sich auf das veränderte Gangbild von Senioren in Altenwohnheimen oder Pflegeheimen stützen. Zu den typischen Störungen im Bewegungsmuster, die mit dem Abbau der kognitiven Fähigkeiten einhergehen, gehört etwa ein eher absichts- oder zielloses Umhergehen. So können Betroffene bisweilen herumwandern, repetitiv im Kreis gehen oder ständig die Richtung wechseln.

Illustration of feet with a wandering path

Der Versuch, jemanden zu finden, der ziellos umherwandert (Quelle: PaHa - stock.adobe.com)

Doch wie sollte man dieses Herumwandern erfassen? „Die Standardmethode bestand bislang darin, dass ein Doktorand mit einem Klemmbrett in der Einrichtung saß und notierte, wenn ein Bewohner offensichtlich herumwanderte“, so Kearns. „Es gab jedoch keine einheitliche Definition für diese Verhaltensstörung des Herumwanderns. Außerdem bestand das Risiko, dass der Studierende abgelenkt war und bestimmte Verhaltensweisen unter Umständen gar nicht wahrnahm“, führt Kearns aus. Der Wissenschaftler erkannte, dass eine effiziente Methode erforderlich war, mit der sich das Bewegungsmuster mehrerer Bewohner jederzeit genau verfolgen lässt.

Kearns ist führender Forscher auf dem Gebiet der Gerontotechnologie, die sich mit der Nutzung von Technik zur Verbesserung gesundheitlicher Beschwerden bei älteren Menschen befasst. Schon bald entwickelte der Wissenschaftler einen praktikablen Lösungsansatz bestehend aus kleinen, kostengünstigen Low-Power-Radarsensoren, die sich an den Wänden von Pflegeeinrichtungen anbringen lassen. Das System umfasst zudem Transponder-Armbänder mit Funkchips, die von den Bewohnern getragen werden. Die Sensoren senden bis zu hundert Mal pro Sekunde ein Signal aus, das von den Armbändern automatisch beantwortet wird. Anhand der Zeit bis zum Empfang des Antwortsignals und der Richtung, aus der dieses kommt, ermitteln die Sensoren die Positionen aller Bewohner in Echtzeit und mit einer Genauigkeit von bis zu 15 Zentimetern. Mittels des integrierten Funkchips sendet jedes Armband eine eindeutige Kennung, die eine Ortung der einzelnen Bewohner ermöglicht. Gleichzeitig gewährleistet das System die Anonymität der Träger, da nur die ID des Funkchips, nicht aber personenbezogene Daten übermittelt werden.

Die Zufälligkeit des Bewegungsmusters messen

Das System von Kearns wurde im Rahmen von Studien in zwei Senioreneinrichtungen getestet und meisterte seine Aufgabe mit Bravour. Es stellte dem Forscher eine Fülle an fundierten Daten zur Verfügung, die die genauen Bewegungsabläufe der einzelnen Bewohner im Verlauf eines Tages aufwiesen. Die nächste Herausforderung bestand darin, diese Daten zu analysieren, um Anzeichen einer Demenz zu erkennen. Hierzu entwickelte Kearns zusammen mit Kollegen ein Datenanalyseverfahren, mit dem sich die Zufälligkeit des Bewegungsmusters messen lässt. Wie sich herausstellte, weist ein Anstieg des ziellosen Umherwanderns bei älteren Menschen relativ zuverlässig auf eine zunehmende Demenz hin. „Studien zeigen, dass Menschen mit zunehmendem Alter immer öfter Gangstörungen aufweisen und Schwierigkeiten haben, geradeaus zu gehen“ so Kearns. „Je unregelmäßiger das Gangbild eines Menschen wird, desto höher ist die Wahrscheinlichkeit einer Demenz-Diagnose.“

Im Laufe der Jahre veränderte Kearns das vorrangige Ziel des Systems und konzentrierte sich ab 2015 verstärkt auf die Prognose eines erhöhten Sturzrisikos. „Wir stellten fest, dass Menschen, die Mühe haben, geradeaus zu gehen, wahrscheinlich auch eher stürzen – was nicht wirklich überraschend ist“, so Kearns. Studien, die er in Senioreneinrichtungen durchführte, stützten seine Vermutung, dass ein zunehmend abnormales Gangbild in Zusammenhang mit Stürzen stand. Um ein wirklich praxistaugliches Instrument zu entwickeln, musste er jedoch eine Möglichkeit finden, ein erhöhtes Sturzrisiko präziser vorhersagen zu können. Sollte das Gerät zu oft einen Fehlalarm auslösen oder es zu vielen Stürzen kommen, die es nicht vorhergesagt hatte, dann war es unwahrscheinlich, dass Senioreneinrichtungen sich auf die Prognosen des Systems verlassen würden.

In Zusammenarbeit mit Intec Health, einem Gerontotechnologie-Unternehmen mit Erfahrung auf dem Gebiet der KI, wollte Kearns das System schließlich mit Verfahren des maschinellen Lernens optimieren. Hierzu wurden die anonymisierten Positionsdaten von Hunderten Bewohnern in eine Software für maschinelles Lernen eingespeist, verbunden mit Informationen dazu, ob die einzelnen Bewohner zu irgendeinem Zeitpunkt gestürzt waren. Die Software ermittelte anhand der Daten nun Muster, mit denen sich Bewohner, die vor kurzem einen Sturz erlitten hatten, von denjenigen unterscheiden, die nicht gestürzt waren.

Old ladies hands holding photos with the faces blurred out

Es kristallisiert sich der Trend heraus, dass ältere Menschen, die öfter ziellos umherwandern, eher eine Demenz entwickeln (Quelle: Gabriele Rohde - stock.adobe.com).

Laut Kearns korrelieren diese Muster nicht eindeutig mit sichtbaren Anzeichen, die wir mit dem menschlichen Auge wahrnehmen können – eine für das maschinelle Lernen typische Erkenntnis. Die Ergebnisse seien jedoch genauer und nicht davon abhängig, wie aufmerksam die Pflegekräfte von Senioreneinrichtungen sind oder wie vertraut sie mit dem normalen Verhalten der Bewohner sind. Das stellt nämlich ein großes Problem dar, denn die Personalfluktuation in diesen Einrichtungen beträgt durchschnittlich 150 Prozent im Jahr. Darüber hinaus verbessert sich die Prognosegüte beim maschinellen Lernen mit der Zeit, denn die Technik analysiert kontinuierlich über Monate hinweg aufgezeichnete Daten über Personen, die einen Sturz erlitten haben, und sucht nach neuen Musterelementen, die vielleicht übersehen wurden.

Fazit

Laut Kearns wird die mittels maschinellem Lernen optimierte Technologie schon bald in der Lage sein, die aktuelle Pilotprojektphase abzuschließen und für den Einsatz in weltweiten Senioreneinrichtungen zur Verfügung zu stehen. „Mit diesem System kann man täglich eine Liste erstellen, die Sturzwarnungen für bestimmte Bewohner aufzeigt, und diese Übersicht auf dem Dashboard anzeigen lassen“, so Kearns. „Im nächsten Schritt werden aller Voraussicht nach kostengünstigere Versionen des Systems in Privathaushalten zum Einsatz kommen, die vielen Senioren die Möglichkeit bieten, so lange wie möglich sicher und geschützt in den eigenen vier Wänden zu verbleiben.“ Auch wenn ältere Menschen am liebsten zuhause altern möchten: Die Angst, zuhause zu stürzen und alleine zu sein, ist für viele der ausschlaggebende Grund, frühzeitig in eine Pflegeeinrichtung zu ziehen, auch wenn sie ansonsten noch keine zusätzliche Pflege benötigen.

Angesichts der aktuellen Corona-Pandemie bietet das Trackingsystem noch eine weitere Funktion, die potenziell von Bedeutung sein könnte: die Überwachung von Einrichtungen oder Räumlichkeiten zur Kontrolle der Einhaltung von Abstandsregeln. Das System lernt, Abstände zu identifizieren und erkennt, wenn sich Personen zu nahe kommen. In einem solchen Fall erhalten beide Personen, sofern sie eine spezielle Version des Armbands tragen, eine Warnung in Form eines Vibrationssignals. „Unser System findet selbst bei 300 Personen am Arbeitsplatz immer einen sicheren Weg“, so Kearns.

Was Kearns jedoch wirklich motiviert, ist die Möglichkeit, die Sturzquote älterer Menschen ein wenig zu senken. „Unsere Daten zeigen eindeutig, dass sich das Sturzrisiko von Tag zu Tag unterscheidet“, so der Forscher. „Wenn ich weiß, dass mein Sturzrisiko heute hoch ist, dann kann ich sehr viel tun, um genau einen solchen Sturz zu verhindern.“

ARTIKEL 3

KI und Zellen – eine effiziente Kombination für bessere und preiswertere Medikamente

Von David Freedman für Mouser Electronics

Biosynthese bereitet den Weg zur Arzneimittelherstellung aus Zellen. Und KI macht das Ganze kostengünstig.

An der University of Illinois Urbana-Champaign steht ein halbes Dutzend Edelstahlmaschinen in einem großen Raum. Zwei Arbeiter eilen zwischen den kreisförmig angeordneten Gerätschaften hin und her, öffnen und schließen Türen, fügen Wirkstoffe hinzu, entnehmen Wirkstoffe und betätigen Knöpfe und Hebel.

Man könnte fast meinen, es handele sich um eine hochmoderne Küche, wenn da nicht ein paar ungewöhnliche Details wären. Zum einen sind die Arbeiter keine Menschen, sondern Roboter, die auf Schienen fahren, welche die Maschinen verbinden. Und zum anderen befinden sich alle Zutaten in Reagenzgläsern.

Bei dieser Ansammlung miteinander verbundenen Maschinen handelt es sich um BioAutomata – ein vollständig automatisiertes System, dass mithilfe lebender Zellen Medikamente und andere wichtige organische Verbindungen herstellt. Mit seiner autonomen Arbeitsweise übertrifft BioAutomata den Automatisierungsgrad der meisten anderen in der Produktion eingesetzten Robotersysteme bei Weitem. Das liegt daran, dass das System nicht nur klar definierte Schritte selbstständig ausführt, sondern mithilfe von maschinellem Lernen auch erkennt, wie diese Schritte aussehen sollten.

Saurabh Sinha, Computerbiologe an der University of Illinois Urbana-Champaign. (Bildrechte: Saurabh Sinha)

„Das System lernt, analysiert und gestaltet Prozesse“, so Saurabh Sinha, Computerbiologe an der University of Illinois Urbana-Champaign und eine der Schlüsselpersonen im Entwicklerteam des Systems.

Saurabh Sinha und das BioAutomata-Team. (Bildrechte: Saurabh Sinha)

Hier übernehmen Zellen die Arbeit

Vor drei Jahren setzte sich Sinha zusammen mit Kollegen daran, eine Lösung für ein drängendes Problem zu finden: Die Produktion einiger Medikamente und anderer für das Gesundheitswesen und die Biotechnologie wichtiger Chemikalien ist in der Regel ein langsamer und kostenintensiver Prozess. Die Forscher wollten daher eine Lösung finden, mit der sich Kosten sparen, die Produktion beschleunigen und in vielen Fällen auch die Ergebnisse verbessern lassen. Hierzu bedienten sie sich der Biosynthese, bei der lebende Zellen in der Produktion zum Einsatz kommen und die erforderlichen Verbindungen als Nebenprodukte sezernieren. Da es von der Natur jedoch nicht vorgesehen ist, dass Zellen auf Abruf große Mengen an organischen Verbindungen bilden, werden die Zellen entsprechend gentechnisch verändert.

Die Biosynthese ist ein komplexer Prozess, der eine Kette von biologischen Schritten umfassen kann, um die benötigte Verbindung zu erhalten. Entscheidend für jeden einzelnen Schritt ist die Anwesenheit eines bestimmten Enzyms, einer Art Molekül, das von den Zellen produziert wird, um biochemische Reaktionen auszulösen und zu beschleunigen. Zellen können weit über tausend verschiedene Enzyme produzieren, und jede Reaktion erfordert genau das richtige Enzym.

Faktoren, die die Aktivität von Enzymen auslösen. (Quelle: BigBearCamera / shutterstock.com)

Es stellte sich daher die Frage, in welchen Mengen die Zellen einzelne Enzyme produzieren sollten. „Normalerweise geht man ja davon aus, dass mehr immer besser ist. Doch dafür sind Zellen zu komplex“, so Sinha. „Wenn man zu viel von einem Enzym produziert, kann das für eine Phase des Prozesses hilfreich sein, für eine andere jedoch schädlich. Man muss daher bei jedem Schritt die optimale Menge jedes Enzyms finden.“

Und genau dieser Schritt, bei dem es darum geht, die jeweils erforderliche Enzymkonzentration zu ermitteln, stellt bei der Entwicklung eines effizienten Biosyntheseprozesses einen großen Engpass dar. Das liegt daran, dass die Biosynthese in der Regel mindestens drei Verfahrensschritte umfasst, in denen Forscher üblicherweise jeweils 10 mögliche Enzymwerte in Betracht ziehen. In einem dreistufigen Prozess sind also insgesamt 1.000 mögliche Kombinationen von Enzymkonzentrationen zu untersuchen, um letztlich diejenige zu finden, mit der sich das Endprodukt am effizientesten herstellen lässt.

Exploration und Exploitation

TBislang gab es keine Möglichkeit zur analytischen Bestimmung der optimalen Kombination von Enzymspiegeln. Daher erfolgten die Untersuchungen überwiegend durch Ausprobieren, was mitunter bis zu 1.000 verschiedene Tests erforderte. Heutzutage lassen sich mit automatisierten Roboteranlagen zum Glück bis zu 100 Tests gleichzeitig durchführen, sodass 1.000 Untersuchungen in 10 Batches realisierbar sind. Da die einzelnen Batches jedoch mehrere Stunden in Anspruch nehmen, kann es eine Woche oder länger dauern, bis die erforderliche Antwort vorliegt. Das ist ein hoher Zeitaufwand, wenn man bedenkt, dass währenddessen ein kostenintensives System in Anspruch genommen wird und Fachkräfte zur Vorbereitung neuer Batches verfügbar sein müssen.

Und genau hier kamen Sinha und seine Kollegen mit ihrer Software für maschinelles Lernen ins Spiel. Um die Software im Hinblick auf die Beschleunigung von Abläufen zu trainieren, wurden Daten aus Hunderten von Durchläufen in verschiedenen biosynthetischen Prozessen eingespeist. Zudem wurde die Software mit Daten aus abschließenden Ergebnissen versorgt, die aufzeigen, welche Kombinationen von Enzymkonzentrationen letztlich für jeden Prozess am besten geeignet sind.

Anhand von Mustern in den Durchläufen lernte die Software schließlich, Prognosen dahingehend zu erstellen, welche Kombinationen von Enzymkonzentrationen die größte Wahrscheinlichkeit für beste Ergebnisse aufwiesen. Hierzu setzten sie eine bestimmte Strategie ein, die als „Exploration versus Exploitation“ bezeichnet wird und sich als Entwicklung von neuem Wissen versus Nutzung von vorhandenem Wissen beschreiben lässt.

„In der anfänglichen Phase geht es ausschließlich um die Entwicklung von neuem Wissen, denn die Software muss eine Vielzahl verschiedener Zufallskombinationen betrachten, um herauszufinden, welche dieser Kombinationen funktionieren“ so Sinha. „Mithilfe der Ergebnisse dieser Phase kann sie sich in der zweiten Phase dann auf bestimmte Kombinationen konzentrieren. Mit jeder zusätzlichen Phase werden die Möglichkeiten weiter eingegrenzt, indem die Software Daten aus der vorherigen Phase auswertet.

Sinha und seine Kollegen wollten beweisen, dass ihre Machine-Learning-Software Teil eines vollautomatischen und zeitsparenden Biosynthesesystems sein kann und entwickelten daher BioAutomata. Dann übertrugen sie BioAutomata die Aufgabe, die beste Möglichkeit zur Biosynthese von Lycopin zu finden. Bei Lycopin handelt es sich um eine Verbindung, die Zellschäden beim Menschen verhindert und mit einem verringerten Risiko von Herzkrankheiten und einigen Krebsarten in Verbindung gebracht wird. Lycopin ist in Tomaten und vielen anderen Pflanzen enthalten, allerdings nur in geringer Konzentration. Zudem ist die Extraktion von Lycopin kostspielig. Es könnte daher eine sinnvolle Lösung sein, Lycopin mittels Biosynthese herzustellen – sofern die Enzymwerte genau richtig sind.

Wenn Maschinen die Arbeit erledigen

Die Machine-Learning-Software von BioAutomata funktionierte perfekt: Sie ermittelte in nur drei Durchläufen die optimalen Enzymwerte für die Synthese von Lycopin – und das an einem einzigen Tag. Mit dieser Lösung lässt sich 77 Prozent mehr Lycopin herstellen als das beste Ergebnis aus drei Durchläufen mit Zufallskombinationen aufzeigte. Doch das war noch nicht alles: BioAutomata fand die optimale Lösung selbst dann, wenn das System nur ein Hundertstel aller möglichen Kombinationen von Enzymkonzentrationen testen konnte. Dies deutet darauf hin, dass BioAutomata den Zeitaufwand für die Suche nach optimalen Konzentrationen in komplexeren Biosyntheseprozessen mit vier oder mehr Schritten noch drastischer reduzieren könnte. Bei solchen Prozessen kann die schiere Anzahl der möglichen Kombinationen die Suche nach optimalen Konzentrationen nahezu unmöglich machen.

Durch die automatisierte Ermittlung von idealen Enzymkonzentrationen in der Biosynthese lässt sich auch ein weiterer Engpass in der Arzneimittelproduktion beheben – nämlich die begrenzte Anzahl an Fachpersonal zur Überwachung des Prozesses. „Wir hoffen seit Langem, einen zu Weg finden, diese Prozesse ganz ohne Unterstützung durch Menschen durchführen zu können, denn wir haben einfach nicht genügend qualifiziertes Personal“, so Sinh. „Dank BioAutomata können sich die verfügbaren Arbeitskräfte nun Problemen widmen, die sich mit maschinellem Lernen nicht lösen lassen ... zumindest noch nicht.“

Sinha und sein Team sind bereits damit beschäftigt, die Funktionen von BioAutomata auf weitere Aspekte des Prozesses der Biosynthese zu erweitern. So könnte das System vielleicht schon bald herausfinden, welche Biochemikalien in den Zellen für den Biosyntheseprozess am nützlichsten sind. Oder es könnte ermitteln, welche Gene verändert werden sollten, damit die Zellen diese Chemikalien bilden können.

„Im Moment muss jede einzelne Idee getestet werden. Dann muss ein Experte hinzugezogen werden, der die Ergebnisse analysiert und herausfindet, was als nächstes zu testen ist“, so Sinha. „Je umfassender sich diese Schritte mittels maschinellem Lernen ausführen lassen, desto mehr kann die Biosynthese dazu beitragen, bessere Medikamente und andere Chemikalien für die Allgemeinheit zur Verfügung zu stellen.“

Biographie des Autors

Biographie: David H. Freedman ist ein in Boston ansässiger Wissenschaftsjournalist. Seine Artikel erscheinen unter anderem in The Atlantic, Newsweek, Discover, Marker by Medium und Wired. Er ist der Autor von fünf Büchern. Sein neuestes „Wrong“ befasst sich mit mangelnden Fachkenntnisssen.

Bildrechte (in der Reihenfolge der Abbildung)

Halfpointe - stock.adobe.com, goami - stock.adobe.com, Rainer Fuhrmann - stock.adobe.com, Pixsooz - stock.adobe.com, Lightspring / shutterstock.com, Zapp2Photo / shutterstock.com

Startseite

Künstliche Intelligenz: Sicherheit in vielen Facetten

Weiter