Nutzen Sie innovative KI-Lösungen in Ihrem Labor

Holden Galusha ist Mitherausgeber von Lab Manager. Er war freiberuflicher Autor für Lab Manager, bevor er eingeladen wurde, sich dem Team hauptberuflich anzuschließen. Zuvor war er der...

Künstliche Intelligenz (KI) war in den letzten Monaten ein vorherrschendes Thema im Nachrichtenzyklus. KI, bei der es sich im Wesentlichen um die Fähigkeit eines Computers handelt, menschliche Intelligenz nachzuahmen, und maschinelles Lernen (ML), eine Teilmenge der KI, die die Genauigkeit ihrer Ergebnisse autonom durch „Training“ anhand von Datensätzen verbessern kann, haben das Potenzial, ganze Branchen auf den Kopf zu stellen. Einige sind skeptisch und denken, dass die Technologie überbewertet wird. Unterdessen glauben viele zur Ehrfurcht einiger und zur Besorgnis anderer, dass KI eine größere Revolution sein wird als das Internet. Eines ist sicher: Wie der Pioniergeist der Wissenschaftler ist, finden auch viele Laborfachkräfte Wege, KI-Lösungen in ihre Arbeitsabläufe zu integrieren.

Der Einsatz innovativer KI- und ML-Lösungen hat neue Türen in der Datenanalyse, Bildverarbeitung und Laborüberwachung geöffnet – doch mit der Öffnung dieser Büchse der Pandora gehen auch erhebliche Herausforderungen einher, denen sich die wissenschaftliche Gemeinschaft stellen muss.

Derzeit bieten Datenanalyseprozesse wahrscheinlich die meisten Möglichkeiten, den Arbeitsablauf Ihres Labors mit KI/ML zu verbessern. KI eignet sich besonders gut zur Erweiterung der Analyse. Es kann Muster in Daten erkennen, die für Menschen schwer, wenn nicht gar unmöglich, zu erkennen sind. Daraus ergeben sich zwei Hauptvorteile: (1) KI kann den Labordurchsatz steigern, indem sie den Analyseprozess beschleunigt, und (2) KI bietet eine zusätzliche Inspektionsebene – Menschen und Maschinen arbeiten zusammen, um die Arbeit des anderen zu überprüfen und etwaige Lücken zu schließen.

Bei der Analyse experimenteller Daten wurden verschiedene Formen der KI eingesetzt, beispielsweise Datenverarbeitung und Bildanalyse.

KI und ML haben sich in Analysetechniken wie Chromatographie, Massenspektrometrie und Spektroskopie als besonders nützlich erwiesen. Hersteller von wissenschaftlichen Instrumenten wie METTLER TOLEDO, Agilent Technologies und JEOL haben KI-Lösungen kommerziell auf den Markt gebracht, die die Analysefähigkeiten derjenigen verbessern, die diese Techniken verwenden.

Eine solche Lösung ist die MassHunter-Software von Agilent. MassHunter ist eine Reihe von Programmen, die eine effiziente Datenerfassung, qualitative und quantitative Analyse, Berichterstellung und andere Funktionen im Zusammenhang mit der Gas- und Flüssigkeitschromatographie ermöglichen. Im Sommer 2023 stellte Agilent ein neues Modul für MassHunter vor: AI Peak Integration. AI Peak Integration nutzt ML, um die Integration chromatographischer Peaks während der Datenanalyse zu automatisieren und so die Gesamtverarbeitungszeit zu reduzieren. Benutzer können das Modell individuell trainieren, indem sie manuelle Integrationen durchführen, damit es es beobachten kann, und es wird weiterhin selbst lernen und sich verbessern.

In ähnlicher Weise verwendet die KI-Software msFineAnalysis von JEOL, die für die Verwendung mit dem Massenspektrometer JMS-T2000GC AccuTOF GC-Alpha entwickelt wurde, zwei integrierte KI-Modelle, um hochauflösende GC-/Elektronenstoßdaten, hochauflösende GC-/weiche Ionisationsdaten und Strukturanalysefunktionen zu synthetisieren detaillierte qualitative Analysen automatisch ausgeben. Laut JEOL kann msFineAnalysis 100 Komponenten in vier Sekunden analysieren, während ein erfahrener Analyst durchschnittlich 30 Minuten benötigt, um nur vier Komponenten zu analysieren. Mit msFineAnalysis kann ein Analyst seine Bandbreite erheblich erweitern.

...Aber mit der Öffnung dieser Büchse der Pandora gehen auch erhebliche Herausforderungen einher, denen sich die wissenschaftliche Gemeinschaft stellen muss.

Schließlich nutzt die AIWizard-Lösung von METTLER TOLEDO ein neuronales Netzwerk, eine Art ML, das biologische Gehirne nachahmt, für die intelligente, automatisierte Auswertung thermischer Effekte, die mit einem direkt scannenden Kalorimeter gemessen werden. Das Netzwerk ist auf Tausenden von Datenpunkten vorab trainiert, die aus Expertenbewertungen stammen. Wie ein echtes Gehirn lernt das Netzwerk im Laufe seiner Nutzung weiter und verbessert sich. Mit AIWizard können Benutzer ihre Energie auf die Gewinnung von Erkenntnissen aus den KI-ausgewerteten Daten konzentrieren und so Zeit und Aufwand sparen.

Eine in Laboren häufig verwendete Form der KI ist die Bildanalyse- und Erkennungstechnologie. Diese Technologie wird häufig verwendet, um interessante Elemente in mikroskopischen Fotografien, medizinischen Scans, Echtzeit-Kamerabildern usw. zu identifizieren. Ein Beispiel wären automatisierte Zellzähler, die Zellen in Mikroplattenvertiefungen unabhängig zählen können. In ähnlicher Weise nutzten Forscher in einer Studie aus dem Jahr 2022 ML, um isolierte Zellen automatisch zu identifizieren, was den Menschen entlasten würde, sie in biomedizinischen Technikprozessen zu identifizieren.1

Ein ehrgeiziges Projekt, das auf dieser Technologie basiert, ist FathomNet, eine Sammlung von Meeresbildern. Diese Bilder sind für das Training von ML-Modellen in ozeanografischen Anwendungen gedacht. FathomNet wurde im Oktober 2022 angekündigt und basiert auf mehr als einer Million Bildern und mehr als 28.000 Stunden Video, alle kommentiert und beigesteuert vom Monterey Bay Aquarium Research Institute. Weitere Daten der National Geographic Society und der National Oceanic and Atmospheric Administration wurden ebenfalls hinzugefügt. Idealerweise wird FathomNet unter anderem die Meeresforschung beschleunigen und eine effektivere Überwachung der Meeresgesundheit ermöglichen.2

Viele kommerzielle KI/ML-Lösungen sind auf dem neuesten Stand der Technik, aber im Bereich Open-Source-Software werden weiterhin weitere Entwicklungen vorgenommen. Open-Source-Software ist Software, deren Quellcode jeder kostenlos herunterladen, ändern und ausführen kann. Derzeit befinden sich zahlreiche KI-gestützte Open-Source-Laborsoftwarelösungen in der Entwicklung, von denen einige in Fachzeitschriften vorgestellt wurden. Während möglicherweise nur wenige davon für den Produktionseinsatz bereit sind, können sie doch einen Hinweis darauf geben, wie die Zukunft der KI-Analysesoftware aussieht.

In einem 2022 in Bioinformatics veröffentlichten Artikel wurde beispielsweise PeakBot vorgestellt, ein ML-Modell, das die chromatographische Peak-Auswahl automatisiert.3 Den Ergebnissen der Studie zufolge „erreichte PeakBot bei Trainings- und unabhängigen Validierungsdatensätzen, die für die Entwicklung verwendet wurden, eine hohe Leistung in Bezug auf die Unterscheidung.“ zwischen chromatographischen Peaks und Hintergrundsignalen (Genauigkeit von 0,99).“ Während algorithmusgesteuerte Lösungen zur chromatographischen Peakerkennung wie XCMS und MS-Dial bereits existieren, automatisiert PeakBot, das von Forschern der Universität Wien entwickelt wurde, die Peakauswahl weiter, da es anhand von Benutzerreferenzdaten trainiert werden kann, was die Genauigkeit erhöht. Der zum Erstellen des Modells verwendete Code ist auf GitHub, einem cloudbasierten Code-Repository, öffentlich verfügbar.

KI eignet sich besonders gut zur Erweiterung der Analyse. Es kann Muster in Daten erkennen, die für Menschen schwer, wenn nicht gar unmöglich, zu erkennen sind.

Ein weiterer Artikel aus dem Jahr 2022, der in Nature Machine Intelligence veröffentlicht wurde, beschreibt detailliert die Erstellung von LC-MS2Struct, einem ML-Modell, das Metaboliten strukturell genauer annotiert als herkömmliche Flüssigchromatographie-Tandem-Massenspektrometrie-Scorer (LC-MS2).4 Die Autoren der Studie erstellten das Modell durch öffentliche Zusammenstellung Verfügbare Umkehrphasen-LC-MS2-Daten aus der öffentlichen Referenzdatenbank MassBank. Diese Trainingsdaten bestanden aus 4.327 Molekülen, die unter 18 einzigartigen LC-Bedingungen in 16 verschiedenen Labors gemessen wurden. LC-MS2Struct wurde auf der Grundlage einer so großen Bandbreite an Daten aus so vielen verschiedenen Labors geschult und kann stereochemische Varianten genau unterscheiden, was keine andere Lösung zur Metabolitenidentifizierung kann. Der Code für dieses Projekt ist wie PeakBot auf GitHub verfügbar.

Da Open-Source-KI-Programme auf Zusammenarbeit und Forschungsinteresse basieren, bieten sie eine Agilität in der Entwicklung, die kommerzielle Lösungen möglicherweise nur schwer erreichen können. Wenn die Open-Source-Programme voranschreiten, können sie als Prognose für die Funktionen dienen, die auf proprietäre Lösungen warten.

KI kann zur Überwachung von Laborressourcen und ihrer Umgebung eingesetzt werden. Ein Paradebeispiel sind Ultratiefkühlschränke (ULT). Temperaturschwankungen von mehr als ein paar Zehntel Grad innerhalb eines Ultratiefkühlgeräts können die Proben verschlechtern. Allerdings sind diese Abweichungen für das menschliche Auge bei der manuellen Überprüfung von ULT-Temperaturprotokollen nicht offensichtlich. Eine KI ist viel besser geeignet, diese Muster zu erkennen. Sobald die integrierte KI ein Muster erheblicher Temperaturschwankungen erkennt, kann das Überwachungssystem eines Gefrierschranks den Benutzer auf die drohende Fehlfunktion oder den bevorstehenden Ausfall aufmerksam machen, so dass dieser präventiv dagegen vorgehen und sicherstellen kann, dass seine wertvollen Proben unversehrt bleiben. KI kann auch analysieren, wie Proben in einem Gefrierschrank angeordnet sind, und verschiedene Platzierungen empfehlen, um die Temperaturkonsistenz aller Proben aufrechtzuerhalten.

Das Aufkommen der generativen KI hat eine Diskussion darüber ausgelöst, welche Arten von Arbeitnehmern durch die Technologie ersetzt werden. Verständlicherweise hat dies dazu geführt, dass Arbeitnehmer in allen Branchen Bedenken gegenüber KI haben. Bei wissenschaftlicher Arbeit müssen sich Wissenschaftler jedoch noch keine Sorgen machen – selbst wenn KI manuelle Analysen effizienter durchführt als Menschen, müssen ihre Ergebnisse dennoch von Menschen überprüft werden, um Genauigkeit zu gewährleisten und Verantwortlichkeit durchzusetzen.

Dies bedeutet zwar Arbeitsplatzsicherheit, stellt aber auch eine Herausforderung dar, die mit der Automatisierung von Analysen einhergeht: die Überprüfung der Ergebnisse. KI/ML-Modelle sind alles andere als narrensicher. Es wäre unverantwortlich und wohl auch unethisch, ihre Schlussfolgerungen nicht genau zu prüfen. Die Herausforderung besteht darin, ein Gleichgewicht zwischen einer angemessenen Verifizierung der Ergebnisse zu finden und gleichzeitig nicht so viel Zeit in die Verifizierung zu investieren, dass die durch die KI erzielten Einsparungen zunichte gemacht werden. Während einige Organisationen Maßnahmen ergreifen, um dieses Problem anzugehen, wie beispielsweise die Bildung eines Ausschusses durch das College of American Pathologists zur Festlegung von Laborstandards für KI-Anwendungen, gibt es noch keine Richtlinien zur Überprüfung von KI-Modellen, die in Laboren verwendet werden.5

Eine weitere Hürde, mit der Labore bei der Integration von KI/ML-Lösungen konfrontiert sein könnten, ist der Mangel an technischem Fachwissen. Wenn ein Labor ein KI-Modell anhand seiner eigenen Daten trainieren möchte, anstatt ein vorab trainiertes Modell zu verwenden, benötigt es eine oder mehrere Personen mit dem technischen Wissen, um diese Daten zusammenzustellen, für das Training vorzubereiten, das Training durchzuführen und dann umzusetzen dieses trainierte Modell auf einer benutzerfreundlichen, zuverlässigen digitalen Plattform. Aus diesem Grund sollten Labore, die nicht über internes Fachwissen oder das Budget verfügen, um einen Auftragnehmer mit der Ausführung dieser Arbeiten zu beauftragen, bei sofort einsatzbereiten KI-Lösungen bleiben. Auch wenn diese Lösungen die internen Daten des Labors nicht umfassen, können sich die Zugänglichkeit und Benutzerfreundlichkeit dennoch als wertvoll erweisen.

KI hat das Potenzial, die Art und Weise, wie Labore arbeiten, zu revolutionieren – und für einige Anwendungen hat sie dies bereits getan. Angesichts der aktuellen Explosion der KI-Fortschritte können wir damit rechnen, dass weitere Innovationen vorgestellt werden. Allerdings müssen Herausforderungen wie Datenüberprüfung, Zugänglichkeit und die Erstellung klarer, allgemein anwendbarer Richtlinien für die Implementierung dieser Technologie angegangen werden, bevor diese Technologie ihr volles Potenzial entfalten kann.

Verweise:

1. Debnath et al. „Automatisierte Erkennung strukturierter Einzelzellen im Hydrogel mithilfe von Deep Learning.“ Wissenschaftliche Berichte. 31. Oktober 2022. https://www.nature.com/articles/s41598-022-22774-0. Zugriff am 5. Juli 2023.

2. „FathomNet.“ mbari.org/data/fathomnet. Zugriff am 7. Juli 2023.

3. Bueschl et al. „PeakBot: Auf maschinellem Lernen basierende chromatographische Peakauswahl.“ Bioinformatik. 23. Mai 2022. https://academic.oup.com/bioinformatics/article/38/13/3422/6590644. Zugriff am 2. Juni 2023.

4. Bach et al. „Gemeinsame Strukturanmerkung kleiner Moleküle mithilfe der Retentionsreihenfolge der Flüssigkeitschromatographie und Tandem-Massenspektrometriedaten.“ Naturmaschinenintelligenz. 19. Dezember 2022. https://www.nature.com/articles/s42256-022-00577-2. Zugriff am 19. Juni 2023.

5. Blum, Karen. „Ein Statusbericht zur KI in der Labormedizin.“ Amerikanische Vereinigung für klinische Chemie. 1. Januar 2023. https://www.aacc.org/cln/articles/2023/janfeb/a-status-report-on-ai-in-laboratory-medicine. Zugriff am 17. Juni 2023.