idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Eine neue Künstliche Intelligenz zur Reduktion von Tierversuchen haben Forschende der Goethe-Universität und der Philipps-Universität Marburg in Zusammenarbeit mit dem Fraunhofer-Institut für Translationale Medizin und Pharmakologie ITMP entwickelt. Die KI namens genESOM wurde darauf trainiert, die Struktur kleiner Datensätze zu “lernen“. Das Gelernte nutzt die KI, um neue Datenpunkte zu generieren. Diese Datenpunkte geben die Eigenschaften der im Versuch erhobenen Daten so korrekt wieder, als ob sie ebenfalls im Laborexperiment erhoben worden wären. Künftig könnten mittels „genESOM“ bei der Testung neuer Wirkstoffe zwischen 30 und 50 Prozent weniger Versuchstiere benötigt werden.
FRANKFURT. In frühen Phasen der Arzneimittelentwicklung werden neue Wirkstoffe – neben zahlreichen anderen Versuchsmethoden – auch in Tieren getestet. Dabei stehen die Forschenden vor einem Dilemma: Einerseits halten sie aus ethischen Gründen die Zahl der Tiere, die in einem Experiment verwendet werden, möglichst klein. Andererseits müssen Tierversuche genug Tiere einschließen, damit das Experiment zu verlässlichen und repräsentativen Ergebnissen führt, die zum Beispiel darauf schließen lassen, ob ein neuer Arzneimittelkandidat eine bestimmte Wirkung erzeugt oder nicht.
Prof. Jörn Lötsch, Datenwissenschaftler und klinischer Pharmakologe an der Goethe-Universität, hat in Kooperation mit dem Informatiker Prof. Alfred Ultsch von der Philipps-Universität Marburg, die beide selbst nicht tierexperimentell arbeiten, eine generative Künstliche Intelligenz namens genESOM entwickelt. genESOM basiert auf einem Netzwerk Tausender künstlicher Neuronen, dass die innere Struktur eines Datensatzes „erlernt“. Dadurch kann sie das experimentell gewonnene Datenvolumen vergrößern und simulieren, dass die Zahl der Tiere im Versuch größer war als in Wirklichkeit.
Integrierte Fehlerüberwachung
Zum Training der KI nutzten die Wissenschaftler vorhandene Daten aus einer am Fraunhofer ITMP in Mäusen durchgeführten und bereits veröffentlichten Studie. Dabei gelangen dem Forschungsteam zwei entscheidende Innovationsschritte: Zum einen die KI darauf zu trainieren, neue Datenpunkte auf Grundlage der Studiendaten zu generieren, die sich so in die erlernte Datenstruktur einfügen, als wären sie in echten Experimenten gewonnen worden.
Der zweite Innovationsschritt war die Integration einer Fehlerüberwachung direkt in den Generierungsprozess der neuen Datenpunkte. Generative KI-Methoden riskieren generell, neben dem relevanten Signal auch Rauschen und Zufallsvariation zu verstärken. Dieses Problem ist als Fehlerinflation bekannt und kann dazu führen, dass eigentlich nicht bedeutsame Variablen fälschlicherweise als behandlungsrelevant erscheinen (so genannte falsch-positive Variablen).
Durch eine gezielte Trennung der Lernphase von der Synthesephase ist es möglich, ein künstliches Fehlersignal in den Prozess einzuspeisen, dessen Ausbreitung präzise gemessen wird. Daraus ergibt sich ein datengesteuertes Abbruchkriterium, das die Datengenerierung stoppt, bevor die wissenschaftliche Validität beeinträchtigt wird.
KI-Training mit veröffentlichten Studiendaten
Einen Praxistest bestand genESOM mit Daten aus einer präklinischen Studie zum Multiplen Sklerose-Modell. In der Originalstudie waren 26 Mäuse in drei Behandlungsgruppen aufgeteilt worden, um die Effekte eines experimentellen Wirkstoffs zu untersuchen. Lötsch und Ultsch reduzierten den Datensatz auf 18 Tiere (sechs pro Gruppe), um ein kleineres Experiment zu simulieren. Als sie diesen reduzierten Datensatz auswerteten, verschwanden alle zuvor nachgewiesenen Behandlungseffekte vollständig: Statistische Tests signalisierten nichts Signifikantes, und maschinelle Lernverfahren konnten die Behandlungsgruppen nicht voneinander unterscheiden. Nachdem der reduzierte Datensatzes mithilfe von genESOM weitere Datenpunkte erhalten hatte, traten alle Effekte des vollständigen Experiments auf dem ursprünglichen Signifikanzniveau wieder auf, ohne das relevante falsch positive Befunde dazu kamen. Alternative KI-Methoden bis hin zu komplexen „deep-learning“ neuronalen Netzwerken, die die Forscher testeten, versagten hier.
Lötsch erläutert: „Wir haben mittlerweile eine Reihe von Datensätzen ähnlich getestet und können heute sagen: Mit genESOM lässt sich die die Zahl genutzter Tiere bei explorativen Forschungsfragen um 30 bis 50 Prozent reduzieren, und die Ergebnisse bleiben wissenschaftlich valide.“ Der Datenwissenschaftler weist jedoch darauf hin, dass genESOM nur aus den Daten lernen könne, die in realen Tierexperimenten gewonnen worden seien. Auch lasse sich die Zahl der Versuchstiere nicht beliebig reduzieren: „Wenn man zu wenige Tiere ins Experiment aufnimmt und die Anzahl dann durch generative KI einfach ergänzt, könnte das Experiment wegen der Verstärkung von Zufallsbefunden sehr schnell wissenschaftlich wertlos werden.“ Trotzdem ist Lötsch überzeugt: „Mit genESOM können wir einen wichtigen Beitrag zur Reduktion der Tierversuchszahlen in großen Bereichen der präklinischen Forschung leisten.“
Das Projekt wurde durch die Deutsche Forschungsgemeinschaft (DFG) unter dem Titel „Generative artificial intelligence-based algorithm to increase the predictivity of preclinical studies while keeping sample sizes small“ gefördert.
Prof. Dr. Dr. Jörn Lötsch
Data Science | Klinische Pharmakologie
Institut für Klinische Pharmakologie
Goethe-Universität Frankfurt
Tel. +49 (0)69 6301-4589
j.loetsch@em.uni-frankfurt.de
Jörn Lötsch, Benjamin Mayer, Natasja de Bruin, Alfred Ultsch: Self-organizing neural network-based generative AI with embedded error inflation control enhances effective knowledge extraction from preclinical studies with reduced sample size. Pharmacological Research (2026) https://doi.org/10.1016/j.phrs.2026.108159
Jörn Lötsch, André Himmelspach, Dario Kringel: Dimensionality-modulated generative AI for safe biomedical dataset augmentation. iScience (2026) https://doi.org/10.1016/j.isci.2025.114321
Alfred Ultsch, Jörn Lötsch: Augmenting small biomedical datasets using generative AI methods based on self-organizing neural networks Open Access. Briefings in Bioinformatics (2024) https://doi.org/10.1093/bib/bbae640
Merkmale dieser Pressemitteilung:
Journalisten, Wissenschaftler
Biologie, Chemie, Medizin, Tier / Land / Forst
überregional
Forschungsergebnisse, Wissenschaftliche Publikationen
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
