Pressemeddelelse
21.3.2023 06:50:00 CET | Københavns Universitet – Det Sundhedsvidenskabelige Fakultet
”Med vores model integrerer vi for første gang en lang række meget forskellige data. Man kan kalde modellen for en ”bartender”, der er i stand til at blande forskellige ingredienser i form af data, så vi kan lære af dem alle sammen på én gang.”
Sådan forklarer professor Søren Brunak det nye studie, hvor han og kollegaer har offentliggjort en ny model til at kombinere mange forskellige typer sundhedsdata.
Ved at kombinere sundhedsoplysninger om en patient kan ’bartenderen’ potentielt give lægen unik indsigt i, hvordan den enkelte persons biologi vil respondere på behandling med et bestemt lægemiddel, eller om kostomlægning eller ændring i motionsvaner vil have den største effekt på markører for sygdom og sundhed.
Foruden at kunne give indsigt i effekten af det enkelte lægemiddel kan modellen også forudsige, hvad effekten af lægemiddelkombinationer vil være.
De sundhedsoplysninger, modellen kobler, er ikke kun genomdata, metabolitdata eller spørgeskemaundersøgelser, men mange typer dyb data for hver enkelt person. Tidligere har man mestendels arbejdet med kun ét datasæt ad gangen, men det bevæger man sig i stigende grad væk fra, forklarer Søren Brunak, der er forskningsleder på Novo Nordisk Foundation Center for Protein Research ved Københavns Universitet.
”Rigtigt mange processer er koblede til hinanden i et levende væsen, og det er værdifuldt at kunne sige noget om, hvordan for eksempel et enkelt individs gener påvirker metabolitterne, når personen har en bestemt form for livsstil,” siger han.
Modellen fra blandt andet Københavns Universitet er den til dato mest avancerede model til at kombinere mange forskellige typer patientdata.
Modellen er baseret på dybe data fra næsten 800 personer med type 2-diabetes og indeholder 12 forskellige typer data fra genomics, lipidomics, metabolomics og proteomics til kortlægninger af tarmmikrobiomet og spørgeskemaundersøgelser vedrørende kost, motion, rygevaner og medicinforbrug. Men også en stor mængde kliniske data som for eksempel blodsukker, insulin og scanning af organer er med.
Forskningen er offentliggjort i Nature Biotechnology.
Forsøgsdeltagerne i studiet har været med i en af de mest omfattende kortlægninger af sygdomsbiologi og har blandt andet fået lavet en ekstremt dyb karakteristik af deres lipidprofiler, metabolitprofiler, genomer, tarmmikrobiomer, m.m.
Kunstig intelligens har samlet data og lært fra dem, så modellen i dag er i stand til at tage redundansen fra de enkelte patienter ud af data og komme med forudsigelser vedrørende for eksempel, hvordan et givent lægemiddel vil påvirke en helt ny persons biologi.
“Først har modellen lært at forstå data, og så har vi bygget en slags rammeværk, så vi kan stille spørgsmål. Det er det helt nye i det her, at modellen blander data i én stor ”punch”, og vi så kan stille spørgsmål ind i data og få svar, som det ellers ikke er muligt at få. Vi kan for eksempel stille spørgsmål ind til, hvad der vil ske, hvis man giver en person et eller andet lægemiddel, som han eller hun ikke har fået før. Vi kan finde ud af, hvad det har af betydning for forskellige proteiner, lipider eller metabolitter, som vi er interesserede i at hæve eller sænke niveauerne af,” forklarer en anden ledende forsker bag studiet, lektor og gruppeleder Simon Rasmussen fra samme center som Søren Brunak.
Søren Brunak fortæller, at modellen indtil videre ikke kan bruges klinisk, fordi den kræver, at man har store mængder omics-data på den enkelte person. Men i takt med at det bliver billigere at karakterisere patienter dybt, vil det blive muligt at lave forudsigelser vedrørende effekten af medicin i en klinisk setting og derved pege på, hvad der vil være mest effektivt til den specifikke patient i den givne situation, og hvordan alternative lægemidler vil virke helt ned på det molekylærbiologiske plan.
Det gælder ikke bare for personer med diabetes, men også for personer med andre sygdomme, for eksempel kræft.
Det kan være, at en onkolog overvejer fire eller fem forskellige behandlinger til en patient. Her vil han eller hun så være i stand til at ”afprøve” alle lægemidlerne digitalt på patienten og finde ud af, hvad de hver især kan have af effekt på relevante biomarkører for kræft, inden lægen træffer en endelig beslutning vedrørende behandling.
Et andet potentiale er inden for forskning, hvor det bliver meget lettere for forskere fra både akademia og industrien at finde ud af, hvordan det enkelte lægemiddel indvirker på det molekylære plan på patienter med givne biologiske karakteristika.
“Det kan bruges til at forstå, hvordan det enkelte lægemiddel fungerer, eller pege i retning af biomarkører for sygdom eller lægemiddeleffekt eller nye mål for behandling,” siger Søren Brunak.
Simon Rasmussen fortæller, at modellen først og fremmest skal bruges til at vise, at man kan integrere meget forskellige data ved hjælp af kunstig intelligens.
Han sammenligner det med menneskets hjerne, der også er i stand til at integrere synsindtryk, lyd, smag, lugt og sensoriske inputs.
Hjernen samler alle data i én stor pærevælling og trækker så de informationer ud, som den skal bruge. Samme form for dataintegration foregår i modellen.
Fordi datamængden i de datasæt, som ligger til grund for modellen, er så enorme og komplekse, virker traditionel statistik ikke særligt godt. Derfor er der brug for kunstig intelligens.
“Det er ikke muligt at lave fornuftig statistik på 10.000 input-parametre, men det kan et kunstigt neuralt netværk gøre. Derved kan modellen også assistere for eksempel læger, for hvem det er umuligt at overskue alle tænkelige kombinationer af livsstil, metabolitprofiler, medicinsk behandling osv. for at komme med et bud på, hvad der vil være den mest effektive medicin til den enkelte patient,” siger Simon Rasmussen.
Faktisk er modellen indrettet således, at forskerne kan skrue på lige præcis de knapper, som de har lyst til.
I stedet for at spørge modellen om effekten af et givent lægemiddel kan forskerne også spørge, hvilken effekt det vil have på alle andre parametre, hvis en person for eksempel begynder at motionere, spiser flere grøntsager eller stopper med at ryge.
Nogle mennesker tackler rigtig dårligt at være rygere, mens andre som Lise Nørgaard bliver over 100 år gamle uden nogensinde i livet at lægge cerutterne fra sig.
“Vi lever i omics-tidsalderen, hvor vores forskelligheder kan beskrives meget detaljeret. Det ville være meget lettere, hvis vi alle sammen var ens og reagerede ens på den samme kost eller den samme medicin, men sådan er det ikke. Folk reagerer forskelligt, og med den her model kan vi forudsige, hvordan enkelte personers biologi vil reagere på ændringer på forskellige parametre,” siger Søren Brunak.
Andre læser også
