Durchschnittlich 12 Jahre dauert es, bis ein Arzneimittel auf den Markt kommt. Um der langwierigen Suche nach Wirkstoffen auf die Sprünge zu helfen, gilt es vor allem, die Flut an biomedizinischen Daten besser und schneller zu nutzen. Kein Wunder, dass die Pharmaforschung als eine der ersten zu neuen Technologien greifen, wie Knowledge Graphen.
Pharmaunternehmen verfügen über eine Unmenge an internen wie externen Daten. Doch Daten allein stellen noch kein Wissen dar und das Verknüpfen und Aktualisieren von unterschiedlichen Datenquellen kann schnell zur Sisyphusarbeit ausarten. Das liegt zum einen an der schieren Menge an Informationen. Zum anderen sind die Daten oft heterogen und liegen in unterschiedlichen Formaten vor.
Ohne technische Unterstützung ist es für Pharmaforscher heute schlichtweg unmöglich, mit dem Wissenswachstum Schritt zu halten. Zumal es in der Medizin verstärkt darum geht, interdisziplinäre Ansätze voranzutreiben, um Zusammenhänge zwischen verschiedenen Krankheiten und Fachgebieten aufzudecken. Viele Pharmaunternehmen sitzen zudem auf Legacy-Daten, die in Datensilos über Jahrzehnte hinweg ungenutzt bleiben.
Künstliche Intelligenz, Machine Learning und Natural Language Processing (NLP) haben in den letzten Jahren die Arbeitsweise in der Pharmaforschung grundlegend verändert. Doch auch diese Technologien brauchen zunächst ein Daten-Framework, um die vielfältigen Informationen zu einem Gesamtbild zusammenzufügen und aus reinen Daten Wissen zu generieren.
Knowledge Graph für mehr Kontext
Knowledge Graphen bieten genau ein solches Datenmodell. Anders als relationale Datenbanken sind sie darauf ausgelegt, Daten in ihrer ganzen Komplexität und Reichhaltigkeit abzubilden. Aus diesem Grund speichert der Knowledge Graph nicht nur einzelne Daten (Knoten), sondern auch die Beziehungen zwischen ihnen (Kanten) ab. Jedem Knoten und jeder Kante lassen sich dabei beschreibende Eigenschaften zuweisen. Das intuitive Knoten-Kanten-Prinzip macht es sehr einfach, neue Daten hinzuzufügen und selbst komplexe Zusammenhänge anschaulich zu visualisieren. Der Knowledge Graph ist unbegrenzt skalierbar, wächst mit jeder Abfrage und entwickelt sich so zum zentralen Wissenshub für Forscher innerhalb eines Unternehmens.
Vor allem schafft der Knowledge Graph den Kontext, den Pharmaforschern benötigen, um schneller und zielgerichteter Wechselwirkung von medizinischen Wirkstoffen und therapeutischen Angriffspunkten (Targets) zu erforschen. Als Data Scientist folgen sie den Verknüpfungen über mehrere Knoten hinweg, tauchen in Datengruppen ein, bewegen sich frei in alle Richtungen vor und zurück und haben dabei stets Zugriff auf die neusten biomedizinischen Daten.
