Wissenschaftler nutzen maschinelles Lernen, um einen noch nie dagewesenen Blick auf kleine Moleküle zu werfen

Tausende verschiedener kleiner Moleküle, sogenannte Metaboliten, transportieren Energie und übertragen zelluläre Informationen im gesamten menschlichen Körper. Da sie so klein sind, lassen sich Metaboliten in einer Blutprobenanalyse nur schwer voneinander unterscheiden. Die Identifizierung dieser Moleküle ist jedoch wichtig, um zu verstehen, wie sich Bewegung, Ernährung, Alkoholkonsum und Stoffwechselstörungen auf das Wohlbefinden auswirken.

Metaboliten werden normalerweise durch Analyse ihrer Masse und Retentionszeit mit einer Trenntechnik namens Flüssigkeitschromatographie und anschließender Massenspektrometrie identifiziert. Bei dieser Technik werden zunächst Metaboliten getrennt, indem die Probe durch eine Säule geleitet wird, was zu unterschiedlichen Flussraten – oder Retentionszeiten – durch das Messgerät führt. Mithilfe der Massenspektrometrie wird dann der Identifizierungsprozess verfeinert, indem die Metaboliten nach ihrer Masse sortiert werden. Forscher können Metaboliten auch in kleinere Stücke zerlegen, um ihre Zusammensetzung mithilfe einer Technik namens Tandem-Massenspektrometrie zu analysieren.

„Selbst die besten Methoden können nicht mehr als 40 % der Moleküle in Proben identifizieren, ohne zusätzliche Annahmen über die Kandidatenmoleküle zu treffen“, sagt Professor Juho Rousu von der Aalto-Universität.

Nun hat Rousus Gruppe ein neuartiges maschinelles Lernmodell zur Identifizierung kleiner Moleküle entwickelt. Es wurde kürzlich in veröffentlicht Naturmaschinenintelligenz.

„Dieses neue Open-Source-Modell bietet der gesamten Forschungsgemeinschaft einen erweiterten Blick auf kleine Moleküle.“ „Es wird bei der Erforschung von Methoden zur Erkennung von Stoffwechselstörungen wie Diabetes oder sogar Krebs helfen“, sagt Rousu.

Der neue Ansatz umgeht auf elegante Weise eine der Herausforderungen, denen herkömmliche Methoden gegenüberstehen. Da die Retentionszeiten von Molekülen von Labor zu Labor variieren, können die Daten nicht zwischen Laboren verglichen werden. Eric Bach, ein Doktorand bei Aalto, entwickelte während seiner Doktorarbeit eine Alternative, die das Problem löste.

„Unsere Untersuchungen zeigen, dass die absoluten Retentionszeiten zwar variieren können, die Retentionsreihenfolge jedoch über Messungen verschiedener Labore hinweg stabil ist“, erklärt Bach. „Dadurch konnten wir zum ersten Mal alle öffentlich verfügbaren Daten zu Metaboliten zusammenführen und in unser maschinelles Lernmodell einspeisen.“

Durch die Einbeziehung von Daten aus Dutzenden von Laboren auf der ganzen Welt ist das Modell des maschinellen Lernens genau genug, um zwischen spiegelbildlichen Molekülen, sogenannten stereochemischen Varianten, zu unterscheiden. Bisher waren Identifizierungstools nicht in der Lage, stereochemische Varianten voneinander zu unterscheiden, und es wird erwartet, dass die neue Fähigkeit neue Wege im Arzneimitteldesign und in anderen Bereichen eröffnen wird.

„Die Tatsache, dass der Einsatz von Stereochemie die Identifizierungsleistung verbesserte, ist eine Offenbarung für alle Entwickler von Metaboliten-Identifizierungsmethoden“, sagt Emma Schymanski, außerordentliche Professorin am Luxembourg Centre for Systems Biomedicine (LCSB) der Universität Luxemburg. „Diese Methode könnte auch dazu beitragen, Mikroschadstoffe in der Umwelt zu identifizieren und aufzuspüren oder neue Metaboliten in Pflanzenzellen zu charakterisieren.“