Forscher in der Quantenmechanik setzen Maple zur gezielteren Krebstherapie ein

Die Möglichkeit, komplexe Daten als strategische Assets zu nutzen, wird immer wichtiger.

Im derzeitigen Labormarkt fehlen jedoch Ressourcen zur Analyse großer Datenmengen. Die Unternehmen stehen wegen der unzureichenden Ressourcen für die Datenverarbeitung vor einer Reihe von Herausforderungen. Marvin Weinstein, ein langjähriger Maple-Anwender und Forscher auf dem Gebiet der Quantenmechanik beschreibt das Problem, aus großen Datensätzen verwertbare Erkenntnisse zu destillieren, so:

„Wie finden wir eine Nadel in einem mehrdimensionalen Heuhaufen, wenn wir nicht wissen, was eine Nadel ist und ob sie sich überhaupt im Heuhaufen befindet?“

Dynamic Quantum Clustering (DQC) löst diese Aufgabe. Dazu erstellt sie mit Hilfe der proprietären DQC-Maple-Bibliothek und der leistungsfähigen Visualisierungswerkzeuge in Maple eine Dichtekarte. Das Ergebnis der DQC-Analyse ist eine Maple-Animation zur visuellen Darstellung der komplexen Berechnungen, die im Hintergrund stattfinden.

Laut Marvin Weinstein haben Maple-Animationen einen großen Anteil am Erfolg von DQC, denn sie machen Antworten ohne die komplexe Mathematik verständlich. „Diese Animationen verkaufen unser Produkt, denn sie nutzen die menschliche Fähigkeit, Muster zu erkennen, die sich in Zeit und Raum entwickeln“, so Weinstein.

Mit Hilfe der Prototyping-Fähigkeiten von Maple und den individuell anpassbaren Features konnte er DQC innerhalb einer Woche einrichten und zum Laufen bringen. „Wenn ich es vermeiden kann, etwas von Hand zu tun, dann nutze ich diese Möglichkeit.“ Mit der kompilierten DQC-Bibliothek in Maple konnte er für Quantum Insights eine leistungsfähige GUI erstellen, ohne die gesamte Schnittstelle von Grund auf programmieren zu müssen.

Weinstein glaubt, dass mit unnötigen Arbeiten zur Programmierung und Analyse sehr viel Zeit verschwendet wird, und er nutzt viele der eingebauten Features von Maple, um Zeit zu sparen und seine Forschung voranzubringen.

Kern des DQC ist ein Algorithmus, der ein Problem der unüberwachten Clusteranalyse mit Hilfe der Quantenmechanik angeht. Er nutzt Quantenevolution zur Erkennung korrelierter Informationen und arbeitet die Einzelheiten des Vorgangs mit einer Maple-Animation heraus. Diese Animation liefert gewöhnlich bisher nicht sichtbare und unerwartete Einblicke in komplexe Daten. Weinstein sieht das Ziel der DQC darin, „die Daten für sich selbst sprechen zu lassen“.

Die Vorteile einer Arbeitsweise ohne Annahmen oder Hypothesen, ohne Bereinigung der Daten und ohne die Notwendigkeit von Expertenwissen machen DQC zu einer Datenerkennungsmethode, die schneller, kostengünstiger und effizienter ist, als alle anderen heutigen Methoden.

Eine der bisher wichtigsten Leistungen der DQC ist die Identifizierung verschiedener Biomarker mit einer starken Korrelation zu verschiedenen Krebsarten. Laut Weinstein wurde die TCGA-Analyse als erster Schritt zur Krebsforschung gewählt, weil Krebs etwas ist, das jeder als großes Problem ansieht und „wir alle geliebte Menschen wegen Krebs verloren haben“.

Die Hoffnung war, dass bessere Clustering-Methoden es ermöglichen würden, mit mRNA aus verschiedenen Tumorproben die Tumore besser in biologisch relevante Gruppen einzuteilen. Die Studie hat aus den 73.000 mRNA-Expressionen 48 isoliert, die alle fünf verschiedenen Krebsarten definieren.

Diese in Nature Scientific Reports veröffentlichte Analyse hat die Möglichkeit einer genauen Diagnose des Krebstyps, allein ausgehend von molekularen Informationen, nachgewiesen und darüber hinaus wichtige Untertypen von Krebszellen erkannt. Das geht wesentlich über das hinaus, was die Pathologie bisher leisten konnte.

Diese Empfindlichkeit bei der Erkennung verschiedener mRNA-Expressionsmuster ist der „heilige Gral“ der Präzisionsmedizin, denn sie verspricht Erkenntnisse dazu, welche Tumore wahrscheinlich auf ein Medikament ansprechen werden und welche nicht. Darüber hinaus hat die Analyse gezeigt, dass DQC dem tSNE-HDBScan – dem aktuellen Goldstandard unter den in der Analyse von Krebsdaten eingesetzten Clustering-Methoden – deutlich überlegen ist.

Weinstein arbeitet nun in der Pharmakogenomik, um bessere Diagnose- und Behandlungsmethoden für Krebs und andere Krankheiten anbieten zu können. Sein Unternehmen, Quantum Insights, arbeitet an der Entwicklung effektiver, datenbasierter Strategien. Auch wenn sich Quantum Insights zu Beginn auf Krebs konzentriert hat, will man die Forschung auf andere Anwendungen im Gesundheitswesen ausweiten.

Weinstein glaubt, dass die DQC-Technik überall dort helfen wird, Leben zu retten, wo bessere Analysemethoden benötigt werden. Andere erfolgreiche Anwendungen seiner Forschung sind Daten zu Alzheimer, das Aufspüren von geschmuggeltem Nuklearmaterial, die Analyse von Daten aus der Sloan Digital Sky Survey und anderen Bereichen, in denen mit großen Datenmengen gearbeitet wird.

www.maplesoft.com

  Fordern Sie weitere Informationen an…