Inden for medicinsk biologisk forskning gør forskere i højere og højere grad brug af flere forskellige typer data på samme tid for at blive klogere på blandt andet sygdom og behandling.

Det kan dreje sig om, at forskere integrerer genomiske data med proteindata, eller at de sammenholder data for brug af medicin med spørgeskemaundersøgelser angående helbred.

I et nyt forskningsarbejde har forskere med hjælp fra kunstig intelligens udviklet en ny model, der ikke bare kan sammenholde to eller tre datakilder på samme tid, men kan skabe mening i en suppe af data fra 12 forskellige datakilder fra spørgeskemaundersøgelser, tarmbakteriesammensætning og medicinforbrug til genomiske data, proteomics, metabolics og lipidomics.

Resultatet er en model, som for eksempel kan forudsige, hvordan forskellige lægemidler vil påvirke en persons tarmbakterier eller lipidprofiler eller forudsige, hvordan ændringer i kost eller motion vil påvirke to personer forskelligt.

»Vi arbejder ind mod en udvikling, hvor flere og flere personer bliver beskrevet meget dybt med forskellige teknologier, og hvor vi derfor har adgang til en masse data, som kan benyttes til at finde sammenhænge mellem for eksempel brug af medicin og effekter på kroppens biologi. Det her handler om at integrere alle disse data til noget, der kan fortælle os noget om, hvordan en enkelt person bør behandles,« siger en af forskerne bag udviklingen af modellen, professor og forskningsleder Søren Brunak fra Novo Nordisk Foundation Center for Protein Research ved Københavns Universitet.

Forskningen er offentliggjort i Nature Biotechnology.

Dyb karakteristik af 789 danskere med diabetes

For at kunne lave den nye model har forskerne ladet kunstig intelligens hitte hoved og hale i en næsten absurd mængde data fra 789 personer med type 2-diabetes.

De 789 personer har været deltagere i et europæisk forskningssamarbejde, hvor de har fået foretaget en hel ekstraordinær kortlægning af deres biologi.

De har blandt andet fået lavet en dyb karakteristik af deres lipidprofiler, metabolitprofiler, genomer, tarmbakteriesammensætning osv., ligesom de har svaret på spørgeskemaer angående medicinforbrug, kost, motion mm.

Vi reagerer alle sammen forskelligt på den kost, som vi spiser, og hvor meget motion vi dyrker, og med den her model kan vi på forhånd fortælle individuelle patienter, hvad det vil have af effekt, hvis de begynder at træne mere eller spiser flere grøntsager

Søren Brunak, professor, Københavns Universitet

Forskerne fodrede en kunstig intelligens med den enorme mængde data og bad computerprogrammet om at forstå sammenhængene.

Efter modellen havde lært data at kende, kunne forskerne stille spørgsmål ind til, hvordan forskellige ændringer i inputparametre hos den enkelte person påvirker alle andre data.

Det kan som eksempel dreje sig om, hvordan et givent lægemiddel vil påvirke en person med en bestemt genetik eller lipidprofil eller metabolitprofil.

»Modellen danner et rammeværk for at stille spørgsmål. Modellen tager samtidig redundansen ud af de enkelte personers data og blander det hele i én stor ‘punch’, som vi kan trække svar ud af. Så kan vi som eksempel finde ud af, hvordan en persons biologi vil blive påvirket af at blive behandlet med et lægemiddel, som personen ikke har været behandlet med før. Vi kan se, hvordan det vil påvirke deres metabolitter, lipider, tarmbakteriesammensætning eller sygdomsbiologi,« forklarer en anden af forskerne bag studiet, lektor og gruppeleder Simon Rasmussen fra samme center som Søren Brunak.

Kan assistere i valget af medicin

Sigtet med modellen er, at den på et tidspunkt i fremtiden skal støtte op om lægers behandlingsbeslutninger til enkelte patienter.

Det kræver dog, at der er store mængder omics-data tilgængelige på patienterne, hvilket der ikke er på mange patienter i dag. Men det vil der givet være i fremtidens sundhedsvæsen.

Teknologien til at lave fuldstændige kortlægninger af lipidprofiler, tarmmikrobiomet, metabolitter mm. bliver billigere og billigere, og derfor forventer Søren Brunak og Simon Rasmussen også, at der på mange patienter i fremtiden vil eksistere en masse dybe data, der kan fodres ind i denne slags modeller.

Med modellen kan læger fra en lang række specialer afgøre, om deres patienter har mest gavn af at blive behandlet med det ene eller det andet lægemiddel, og hvad man kan forvente af bivirkninger. Alt sammen kan undersøges, inden lægen udskriver den første recept.

»Modellen leder ikke efter én person, der ligner den givne patient, men udnytter data fra alle de personer, hvis data er benyttet til træning af modellen, for at samle noget, der faktisk går langt videre end det, man i dag kalder for en digital tvilling. Her er det så muligt at lave digitale eksperimenter på den digitale tvilling, inden man beslutter sig for valg af behandling,« siger Simon Rasmussen.

Så er der selvfølgelig også den vinkel, at modellen kan bruges inden for forskning, hvor modellen kan gøre forskere klogere på virkningen af forskellige lægemidler på det molekylære plan. Det kan muligvis være med til at give indsigt i nye mål for lægemidler eller identificere biomarkører for lægemiddeleffekt.

Modellen kan også pege på, hvad effekten af lægemiddelkombinationer vil være.

»Foruden at kunne sige noget om effekten af lægemidler kan modellen forudsige, hvordan individuelle personers biologi vil reagere på andre ting, for eksempel ændringer i kost, motion eller rygning. Vi reagerer alle sammen forskelligt på den kost, som vi spiser, og hvor meget motion vi dyrker, og med den her model kan vi på forhånd fortælle individuelle patienter, hvad det vil have af effekt, hvis de begynder at træne mere eller spiser flere grøntsager. Alt findes i omics-data, og vi kan skrue på lige akkurat de parametre, der er relevante,« siger Søren Brunak.

Som en avanceret form for menneskehjerne

Simon Rasmussen sammenligner modellen med menneskets hjerne, der også er i stand til at integrere data fra forskellige kilder. Hjernen kan integrere blandt andet synsindtryk med lyd, smag, lugt og sensoriske inputs, som den samler i en bunke og så hiver de relevante informationer ud af pærevællingen af data.

Den model, som forskerne har udviklet, kan det samme. Den samler også de uhyggeligt store mængder data i én stor pærevælling, som den kan trække information ud af. Forskellen er bare, at modellen kan gøre det i datamængder, der er for store og komplekse til, at en læge kan sige noget meningsfuldt om den enkelte patient ud fra dem.

»Et neuralt netværk kan lave statistik på data med 10.000 inputparametre og gøre det muligt at finde sammenhænge mellem livsstil, metabolitprofiler, medicinsk behandling osv., samtidig med at den fjerner redundansen i data fra det enkelte individ,« siger Simon Rasmussen.