Eine neue Studie hat ergeben, dass maschinelles Lernen die Entdeckung von Pflanzen mit potenziellen Eigenschaften zur Malariabekämpfung beschleunigen könnte. Forscher, unterstützt durch ML-Modelle, die von Daniele Silvestro von der SIB an der Universität Freiburg entwickelt wurden, untersuchten 21.000 Arten aus drei Pflanzenfamilien. Sie schätzen, dass über ein Drittel davon Malaria-Eigenschaften haben könnte und eine weitere Untersuchung unter Verwendung des vorgeschlagenen Vorhersagemodells verdient. Experten glauben, dass mit herkömmlichen Ansätzen mindestens 1.300 aktive Anti-Plasmodium-Arten übersehen worden sein könnten.
Die weltweite Bedrohung durch Malaria
Malaria ist eine der tödlichsten Krankheiten der Menschheit und nach wie vor eine große globale Herausforderung für die öffentliche Gesundheit. Malaria wird durch den ParasitenPlasmodiumverursacht , der durch den Stich infizierter Mücken auf den Menschen übertragen wird. Im Jahr 2021 gab es laut Weltgesundheitsorganisation weltweit schätzungsweise 247 Millionen Malariafälle. Die Resistenz gegen bestehende Malariamedikamente stellt eine wachsende Herausforderung dar. Daher empfiehlt die WHO, die Forschung im Bereich der Malariamedikamente zu beschleunigen, um die globalen Malaria-Ziele zu erreichen.
Eine neue Studie, die in Frontiers von Forschern des Royal Botanic Gardens, Kew (Großbritannien), des SIB und der Universität Freiburg (Schweiz) sowie weiteren Partnern veröffentlicht wurde, hat gezeigt, dass der Einsatz von maschinellem Lernen die Suche nach Pflanzen mit malariabekämpfenden Eigenschaften (siehe Kasten) beschleunigen könnte.
Pflanzen haben als reichhaltige Quelle bioaktiver Verbindungen die Entwicklung zahlreicher Arzneimittel ermöglicht oder inspiriert. So stammen beispielsweise zwei wichtige Medikamente zur Behandlung von Malaria, Chinin und Artemisinin, aus Pflanzen. Angesichts der geschätzten 343.000 Arten von Gefäßpflanzen kann die Identifizierung von Pflanzen, die Wirkstoffe gegen Plasmodium enthalten, jedoch zeitaufwändig und kostspielig sein.
Im Rahmen der neuen Studie wollten Wissenschaftler untersuchen, ob maschinelle Lernmodelle anhand von Daten zu Pflanzenmerkmalen trainiert werden können, um die Anti-Plasmodium-Aktivität von Pflanzen vorherzusagen. Dazu untersuchten sie drei Familien von Blütenpflanzen – Apocynaceae, Loganiaceae und Rubiaceae –, die zusammen 21.100 Arten umfassen. Die Forscher untersuchten eine Reihe von Methoden, um die Wirksamkeit von Algorithmen des maschinellen Lernens zu demonstrieren, und verglichen deren Leistung mit anderen Ansätzen, die häufig zur Auswahl von Pflanzen für die Suche nach bioaktiven Verbindungen verwendet werden.
Die Experten kamen zu dem Ergebnis, dass die Techniken einen vielversprechenden Ansatz zur Verbesserung der Vorhersagbarkeit von Pflanzen mit Anti-Plasmodium- Eigenschaften darstellen, was die Suche nach neuen pharmazeutisch interessanten Verbindungen erheblich beschleunigen könnte. Die Forscher schätzen, dass 7.677 Arten in den drei Familien weitere Untersuchungen rechtfertigen und dass mindestens 1.300 aktive Anti-Plasmodium-Arten mit herkömmlichen Ansätzen möglicherweise übersehen wurden.
„Unsere Studie zeigt, dass maschinelles Lernen die Werkzeuge bietet, um wissenschaftliche Erkenntnisse über Pflanzen und ihre traditionelle Verwendung in einem leistungsstarken Vorhersagemodell zu kombinieren, das als Leitfaden für zukünftige Tests und Forschungen dienen kann. Die Biodiversität birgt wahrscheinlich Lösungen für bestehende und zukünftige globale Gesundheitsprobleme, und maschinelles Lernen in Verbindung mit kontinuierlicher, rigoroser Forschung in der Biologie kann dazu beitragen, dieses Potenzial zu erschließen“, sagt Co-Autor Daniele Silvestro, Gruppenleiter am SIB an der Universität Freiburg.
Adam Richard-Bollans, Forschungsstipendiat am Royal Botanic Gardens in Kew, sagt: „Unsere Ergebnisse unterstreichen das enorme unerschlossene Potenzial von Pflanzen für die Herstellung neuartiger Medikamente. Es gibt schätzungsweise 343.000 bekannte Gefäßpflanzenarten, die wissenschaftlich noch weitgehend unerforscht sind, und wir hoffen, dass unser maschineller Lernansatz eingesetzt werden kann, um diese Pflanzen effizient nach neuen medizinischen Wirkstoffen zu durchsuchen. Diese Ergebnisse unterstreichen auch, wie wichtig es ist, die Biodiversität zu schützen und natürliche Ressourcen nachhaltig zu nutzen, um diese wertvolle Ressource zu erhalten.“
Reference(s)
Richard-Bollans A. et al. Maschinelles Lernen verbessert die Vorhersage von Pflanzen als potenzielle Quellen für Malariamedikamente. Frontiers in Plant Science.
