Bioinformatiker entschlüsseln Protein, das abnehmende kognitive Leistung im Alter zurückdrehen kann

Pressemitteilung der Universität des Saarlandes vom 11.05.2022

Im hohen Alter lässt die Gedächtnisleistung bei den meisten Menschen nach, oft so stark, dass dies ihren Alltag massiv beeinflusst. Bioinformatiker der Universität des Saarlandes haben nun in einer gemeinsamen Studie mit der Stanford University ein Protein mit verjüngender Wirkung identifiziert, das den Prozess der abnehmenden Hirnleistung im Alter beeinflusst. Ihre Forschungsergebnisse wurden heute online in der Fachpublikation „Nature“ veröffentlicht. Auch die New York Times hat berichtet.

Es gibt vielfältige Ursachen für altersbedingte Krankheiten – und oft führen diese zu erheblichen Einschränkungen im Alltag Betroffener. Eine der meistverbreiteten Symptome ist eine schleichend abnehmende kognitive Kapazität, die später oft gepaart mit Altersdemenz auftritt. Forscher der Universität des Saarlandes interessieren sich daher für die Frage, welche neuen Stoffe uns neben einer gesunden Lebensweise dabei helfen können, so lange wie möglich fit im Gehirn zu bleiben. Sie suchen zudem nach Wirkstoffen, die Beschwerden bei bereits betroffenen Patienten wieder heilen können.

In einer Studie zusammen mit Forschern der Gruppe von Professor Tony Wyss-Coray aus dem Bereich Neurologie der Stanford University in den USA, die nun im renommierten Fachmagazin „Nature“ publiziert wurde, beschreiben die Bioinformatiker Andreas Keller und Fabian Kern die Entdeckung eines solchen physiologisch wirksamen Stoffes. Andreas Keller ist Professor für Klinische Bioinformatik der Universität des Saarlandes, sein wissenschaftlicher Mitarbeiter Fabian Kern forscht seit kurzem eigenständig am Helmholtz-Institut für Pharmazeutische Forschung Saarland (HIPS). Zusammen haben sie wesentlich dazu beigetragen, den eigentlichen Mechanismus hinter der Wirkweise des sogenannten Signalproteins Fgf17 zu entschlüsseln. Dieses entstammt einer Familie von zellulären Wachstums- und Entwicklungsfaktoren. Das in der Gehirnflüssigkeit (auch bekannt als Cerebrospinalflüssigkeit – CSF) lösliche Protein dockt spezifisch an entsprechende Rezeptoren der Gehirnzellen, insbesondere den sogenannten Oligodendrozyten aus der Familie der Gliazellen, an. Diese sind für die elektrische Signalleitung unserer Neuronen unentbehrlich, können jedoch mit zunehmendem Alter an Anzahl und Funktion verlieren. Eine der bekanntesten Autoimmunkrankheiten, die unmittelbar auf einen Verlust der Oligodendrozytenfunktion zurückzuführen ist, ist die Multiple Sklerose. CSF enthält ein komplexes Gemisch an vielzähligen Nährstoffen, welches die Zellen im zentralen Nervensystem versorgt, sowie diverse Proteine mit nach wie vor unbekannter Funktionsweise.

Das in der Studie beschriebene, natürlich vorkommende Protein führt zu einer teilweisen Umkehrung der beobachteten Alterungsprozesse durch eine Reaktivierung von Oligodendrozyten und darüber hinaus zu einer signifikanten Verbesserung der kognitiven Schwächen. Dies konnte nachgewiesen werden, indem Rückenmarksflüssigkeit von jungen Labormäusen an ihre älteren Artgenossen per Transfusion übertragen wurde. Die Saarbrücker Bioinformatiker haben die an diesem konkreten molekularen Prozess beteiligten Transkriptionsfaktoren und Gene genauer beschrieben. Bis zu einer möglichen Therapie im Menschen sind jedoch noch viele weitere Fragen zu klären. Zum Einstieg ging es erst einmal darum, geeignete Wirkstoffkandidaten zu identifizieren, was sich in der Regel als überaus schwierig und aufwändig erweist. Die Bioinformatiker konnten in diesem Fall eine solche Entdeckung mit ihrem methodischen Wissen, wie unter anderem in der Hochdurchsatzsequenzierung, erst möglich machen.

„Fachübergreifende Forschung dieser Art mit ausgesuchter Nähe und Potential zur klinischen Nutzung gehören zu den Zielen der Universität im Bereich NanoBioMed. Damit werden richtungweisende Innovationen vom Campus in die ganze Welt getragen“, sagt Professor Andreas Keller mit Blick auf die nun im Nature-Magazin veröffentlichte Studie. Die Printausgabe des Artikels erscheint in der Ausgabe vom 19. Mai.

Externer Link: www.uni-saarland.de

Fehlender Baustein für Quantenoptimierung entwickelt

Medieninformation der Universität Innsbruck vom 25.03.2022

Optimierungsaufgaben in Logistik oder Finanzwesen gelten als erste mögliche Anwendungen von Quantenrechnern. Innsbrucker Physiker haben nun ein Verfahren entwickelt, mit dem Optimierungsprobleme auf heute bereits existierender Quanten-Hardware untersucht werden können. Sie haben dazu ein spezielles Quantengatter entwickelt.

Weltweit wird die Entwicklung von Quantencomputern vorangetrieben, und es gibt unterschiedliche Konzepte, wie das Rechnen mit den Möglichkeiten der Quantenwelt umgesetzt werden kann. Viele davon sind experimentell schon in Bereiche vorgestoßen, die auf klassischen Computern nicht mehr nachgeahmt werden können. Doch noch sind die Technologien nicht so weit, dass größere Rechenprobleme damit gelöst werden können. Die Wissenschaft sucht deshalb aktuell nach Anwendungen, die auf bereits existierenden Plattformen umgesetzt werden können. „Wir suchen nach Aufgaben, die wir auf der vorhandenen Hardware rechnen können”, sagt Rick van Bijnen vom Institut für Quantenoptik und Quanteninformation der Österreichischen Akademie der Wissenschaften in Innsbruck. Ein Team um Rick van Bijnen und Wolfgang Lechner schlägt nun ein Verfahren vor, mit dem Optimierungsaufgaben mit Hilfe von neutralen Atomen gelöst werden können.

Software-Lösung

Um in naher Zukunft wissenschaftlich und industriell relevante Anwendung für existierende Quanten-Hardware zu entwickeln, suchen Wissenschaftler nach speziellen Algorithmen, die strukturell mit den Stärken einer Quantenplattform übereinstimmen. „Durch dieses Co-Design von Algorithmen und experimentellen Plattformen funktionieren diese Systeme auch ohne die heute noch schwierige Fehlerkorrektur“, erläutert Wolfgang Lechner vom Institut für Theoretische Physik der Universität Innsbruck. Die Physiker setzen ihren Optimierungsalgorithmus auf neutralen Atomen um, die in optischen Pinzetten gefangen und angeordnet sind. Über die Wechselwirkung hoch angeregter Rydberg-Zustände können diese programmiert werden. Um die Grenzen bisheriger Ansätze zu vermeiden, implementieren die Physiker den Algorithmus nicht direkt, sondern verwenden die sogenannte Parity-Architektur, einen skalierbaren und problemunabhängigen Hardware-Entwurf für kombinatorische Optimierungsprobleme, den Wolfgang Lechner gemeinsam mit Philipp Hauke und Peter Zoller in Innsbruck entwickelt hat. Auf diese Weise sind für den Optimierungsalgorithmus nur problemabhängige Rechenoperationen auf einzelnen Quantenbits sowie problemunabhängige Operationen auf mehreren Quantenbits notwendig. Für diese Vier-Qubit-Operationen eine direkte und einfache Umsetzung zu finden, war die größte Herausforderung für die Innsbrucker Forscher. Sie haben dafür ein spezielles Quantengatter entwickelt. „Wir haben den Algorithmus direkt in der Sprache des Experiments umgesetzt”, erklärt Erstautor Clemens Dlaska. „So kann der Algorithmus auf aktueller Quanten-Hardware realisiert werden, indem einfach die Dauer von Laserpulsen in einer Rückkopplungsschleife optimiert wird“.

Beliebig erweiterbar

Mit dem vorgeschlagenen Konzept kann die Leistungsfähigkeit bestehender Quantenhardware bei der Lösung relevanter Optimierungsprobleme für Problemgrößen untersucht werden, die derzeit auf klassischen Supercomputern nicht simuliert werden können. Dass sowohl die Hardware-Plattform als auch die Software-Lösung ohne Modifikationen weitgehend beliebig erweitert werden kann, ist ein wichtiger Vorteil des neuen Verfahrens.

Das Innsbrucker Team hat sein neues Konzept nun in der Fachzeitschrift Physical Review Letters vorgestellt. Finanziert wurde die Forschung vom österreichischen Wissenschaftsfonds FWF, der Europäischen Union im Rahmen des PASQuanS-Projekts und der Hauser-Raspe-Stiftung.

Originalpublikation:
Quantum optimization via four-body Rydberg gates. Clemens Dlaska, Kilian Ender, Glen Bigan Mbeng, Andreas Kruckenhauser, Wolfgang Lechner, Rick van Bijnen. Phys. Rev. Lett. 128, 120503 – Published 24 March 2022

Externer Link: www.uibk.ac.at

Tennis-Training im Wohnzimmer

Presseaussendung der TU Wien vom 14.03.2022

TU Wien und VR Motion Learning entwickeln gemeinsam einen virtuellen Tennistrainer. Dieser soll zukünftig nicht nur Bewegungsabläufe analysieren, sondern den Spielenden auch Feedback geben können.

Bislang fanden Trainingseinheiten im Tennis vorwiegend auf dem Tennisplatz statt. Mit der Entwicklung eines virtuellen Tennistrainers soll es künftig möglich sein, Zuhause zu trainieren. Bereits seit März 2020 arbeiten die Partner, TU Wien und VR Motion Learning, an der Entwicklung ihres virtuellen Tennistrainers. Während bislang vor allem die Erkennung und Bewertung von Bewegungsabläufen analysiert und automatisiert wurde, konzentriert sich das Team nun auf die didaktische Komponente, um den Nutzer_innen hilfreiche Rückmeldung zu geben. Gefördert wird dieses Vorhaben durch die Österreichische Forschungsförderungsgesellschaft FFG, welche die Projektverlängerung Ende Jänner bekannt gab.

Training der KI

Mit dem entwickelten „Tennis-Simulator“ (Tennis Esports) können Nutzer_innen virtuelles Tennis erleben und physikalisch richtige Schläge durchführen. Der darauf aufbauende Tennistrainer richtet sich an Personen, die neu in den Sport einsteigen oder ihre Technik verbessern möchten. Denn richtig ausgeführt bringt Tennis nicht nur mehr Spaß, es lassen sich auch Verletzungen verhindern. Damit die angehenden Tennisspieler_innen von einem virtuellen Trainer lernen können, muss dieser zunächst mit entsprechenden Fähigkeiten ausgestattet werden. Um zu analysieren, wie verschiedene Schläge wie Vorhand-Topspin, Rückhand-Slice oder Aufschlag korrekt ausgeführt werden, lud das Team zunächst erfahrene Tennisspieler_innen ein, um ihre Bewegungsabläufe – ebenso wie die Führung des Schlägers – mit Kameras aufzuzeichnen. Die so entstandene Datenbank an verschiedensten Schlägen konnte anschließend genauestens mit einer eigens entwickelten Künstlichen Intelligenz analysiert und verglichen werden.

„Am Ende der ersten Projektphase konnte der virtuelle Tennistrainer, basierend auf den als korrekt aufgezeichneten Schlägen, neue Bewegungsabläufe der Spieler_innen vollautomatisiert erfassen und bewerten“, sagt Hannes Kaufmann, Leiter der Gruppe Virtual und Augmented Reality und Professor für Virtual- und Augmented Reality an der TU Wien. „Die Herausforderung, vor der wir jetzt stehen, ist die Implementierung einer Feedbackfunktion. Schließlich soll der Simulator auch zu einer verbesserten Spielleistung beitragen“. Die Feedbackfunktion gilt es nicht nur technisch umzusetzen, es sind auch Überlegungen notwendig, wie Lern- und Trainingseffekte am größten ausfallen. „Ein Vorteil, den uns die virtuelle Umgebung dabei bietet, ist, dass dieselbe Situation mehrfach durchlebt werden kann. Das Feedback zu einem Schlag kann folglich direkt umgesetzt werden“, erklärt Peter Kán vom Forschungsbereich Computer Graphics der TU Wien. Wird virtuell trainiert, stehen die Spielenden auf einem (virtuellen) Tennisplatz, auf dem sie sich frei bewegen können.

Auf dem Tennisplatz oder Zuhause?

Das Programm kann als Erweiterung zum klassischen Training auf dem Tennisplatz gesehen werden. Die Idee ist, menschlichen Trainer_innen ein Werkzeug an die Hand zu geben, um den Spielenden das Trainieren abseits vom Platz, alleine oder auch zu zweit, an verschiedenen Orten zu ermöglichen. „Damit zukünftig aber auch Zuhause trainiert werden kann, entwickeln wir in der kommenden Projektphase eine Version, die die Schlaganalyse ausschließlich anhand von vorhandenen VR Sensordaten vornimmt. Ein zusätzliches Kamerasysteme zur Bewegungserkennung ist dann nicht notwendig“, berichtet Peter Kán. Die Spielenden würden dann nur noch ein VR-Headset sowie einen Tennisschläger benötigen – die zuvor benötigte Tiefenkamera würde überflüssig. Trainiert werden kann bereits auf einer Fläche von 2×2 Metern, die sich auf bis zu 10×10 Meter erweitern lässt.

Mit Entwicklung einer Version für Zuhause reagiert das Team auf Hemmnisse wie das Fehlen eines_einer Trainingspartner_in oder mangelnder zeitlicher Flexibilität. Wichtig ist dem Entwicklungsteam dabei, eine Anwendung für Personen zu schaffen, die sich für den Sport Tennis interessieren, nicht primär für E-Sports. Der virtuelle Tennistrainer soll bereits Ende des Jahres für die Oculus Quest verfügbar sein. (Sarah Link)

Externer Link: www.tuwien.at

Smartes selbstlernendes Assistenzsystem für die Produktion

Presseinformation (Forschung Kompakt) der Fraunhofer-Gesellschaft vom 01.03.2022

Die Effizienz von Produktionsmaschinen liegt oft weit unter den technischen Möglichkeiten. Der Grund: Erfahrene Mitarbeitende sind im Fall einer Störung häufig nicht verfügbar, anderen Arbeitskräften wiederum fehlt das Know-how, um die tatsächliche Fehlerursache zu beheben. Hier setzt das selbstlernende Assistenzsystem MADDOX an: Mit Methoden des maschinellen Lernens analysiert es Maschinen- und Prozessdaten, sucht per Mustererkennung nach ähnlichen Störungen in der Vergangenheit und präsentiert die Lösung auf dem Tablet. Entwickelt wurde das System von der Peerox GmbH, einem Spin-off des Fraunhofer-Instituts für Verfahrenstechnik und Verpackung IVV.

Bei einem Maschinenstillstand wird das Wissen erfahrener Kolleginnen und Kollegen benötigt. Doch diese sind häufig genau dann nicht vor Ort. Das weniger erfahrene Personal muss dann die Störung in Eigenregie beheben. Doch auch wenn umfangreiche Dokumentationen vorhanden sind, ist es im Fehlerfall und unter Zeitdruck eine große Herausforderung, die passenden Informationen zu finden. In der Folge wird nur selten die tatsächliche Ursache der Störung beseitigt, sodass sie in kurzen Abständen erneut auftritt. Ziel der Peerox GmbH ist es, dieses Alltagsszenario in Produktionsbetrieben zu vermeiden. Mit ihrem intelligenten, selbstlernenden Assistenzsystem MADDOX will sie die Effizienz in Produktionsunternehmen steigern, Ausschuss reduzieren und so einen Beitrag für die ökonomische und ökologische Produktion etwa von Lebensmitteln, Kosmetika und Pharmaprodukten leisten. Das Spin-off aus dem Fraunhofer IVV in Dresden wurde im Sommer 2019 mit Unterstützung des EXIST-Forschungstransfers, einem Förderprogramm des Bundesministeriums für Wirtschaft und Klimaschutz, von Andre Schult und Markus Windisch gegründet. Heute zählt das Unternehmen 17 Mitarbeitende.

»Viele Produktionsbetriebe haben eine Effizienz von kaum mehr als 60 Prozent, da ist noch Luft nach oben. Das liegt zum großen Teil daran, dass die Ursache der Störung an der Maschine nicht behoben wird. Der Bediener erkennt nicht, ob ein Einschieber klemmt, der Sauger verstopft ist oder ein anderer Fehler vorliegt«, sagt Andre Schult, CEO der Peerox GmbH. Das Erfahrungswissen ist zwar vorhanden, aber die Mitarbeitenden mit der gewünschten Expertise sind im Notfall oft nicht greifbar. Mit Blick auf den demographischen Wandel, den Fachkräftemangel und die stärkere Fluktuation der Mitarbeitenden ist die Abhängigkeit von menschlichem Erfahrungswissen in der Produktion zunehmend ein großes Problem, das die Peerox GmbH mit MADDOX adressieren will, indem sie das Erfahrungswissen der Beschäftigten digitalisiert.

Wissenskarten mit Störungs- und Lösungshilfen

»Oftmals weiß der Mitarbeitende gar nicht, mit welchen Begriffen er nach der Fehlerursache suchen soll. Löst beispielsweise ein zerquetschter Joghurtbecher den Maschinenstillstand aus, kann man in der Dokumentation nach Band, Becher, Riemen oder einem anderen Schlagwort suchen. Wer dann nicht schnell fündig wird, gibt in der Regel auch auf zu suchen. Daher suchen wir mit MADDOX datenbasiert und nutzen Maschinendaten wie Druckverläufe, Temperaturen, Lichtschrankensignale oder Fehlercodes«, erläutert Schult. Ein eigens entwickelter selbstlernender Suchalgorithmus analysiert die Maschinendaten mithilfe von Algorithmen des maschinellen Lernens und bildet Klassen ähnlicher Datenmuster. Diese werden mit digitalen Wissenskarten verknüpft. Vergleichbar einer Wiki-Seite werden durch die Mitarbeitenden auf diesen Wissenskarten Störungs- und Lösungsbeschreibungen visuell mit Texten, Bildern und Videos dokumentiert. Geht die Maschine in Störung, analysiert der Algorithmus die Datenmuster, sucht nach ähnlichen Klassen und schlägt dem User die verknüpfte Wissenskarte über ein plattformunabhängiges Tablet vor – so das Prinzip der Assistenzlösung. Trat das Problem – etwa eine verschmutzte Düse – vor vier Wochen schon einmal auf, wird ein Lösungsweg vorgeschlagen, den der Bediener ablehnen oder bestätigen kann. In Abhängigkeit davon lernt MADDOX dazu, welche Einträge aus der Datenbank in welcher Situation hilfreich waren. Der Algorithmus wird entsprechend trainiert und lernt sehr schnell dazu. Durch eine spezielle Form der Datenvorverarbeitung und Merkmalsreduktion lernt der Algorithmus besonders schnell.

Digitaler Helfer mit psychologischem Fachwissen

»MADDOX ist im Prinzip ein digitaler Kollege, der helfend zur Seite steht«, sagt der Ingenieur. Wichtig ist die psychologische Komponente. Das linuxbasierte Wissensmanagementsystem enthält viele Features, die menschliche Triebkräfte wie Hilfsbereitschaft und Wertschätzung berücksichtigen und die dazu anregen, es gern zu benutzen. Sie motivieren zum Bestätigen, Ablehnen, Korrigieren und Erweitern der Einträge und zum Teilen des Erfahrungswissens. Die entsprechenden Features konnten durch langjährige Zusammenarbeit mit Ingenieurpsychologen der TU Dresden in das System eingebunden werden. »Das unterscheidet unsere Kommunikationsplattform auch von anderen Wissensmanagementsystemen. Wir beziehen den psychologischen Faktor ein und können so das Engagement erhöhen, die Dokumentation verbessern und Betriebskosten senken«, resümiert Schult. Inzwischen ist die Kompetenz der Ingenieurpsychologie auch Teil des Forschungsteams Digitalisierung und Assistenzsysteme am Fraunhofer IVV.

Zunächst konzentriert sich das Unternehmen mit seinem Produkt auf den Markt für Verarbeitungs- und Verpackungsmaschinen, langfristig sollen auch andere Branchen wie die Halbleiter-, Automotive- und Chemieindustrie avisiert werden. Aktuell wird MADDOX in der Pharmaverpackung der Bayer AG in Leverkusen eingesetzt.

Die Peerox GmbH war 2020 mit ihrem selbstlernenden Assistenzsystem Preisträger beim sächsischen Gründerpreis. 2021 würdigte die Jury den erfolgreichen Überführungsprozess vom Fraunhofer-Institutsteil Verarbeitungstechnik des IVV in die Peerox GmbH mit dem 3. Platz des Sächsischen Transferpreises für Prof. Jens-Peter Majschak, Institutsleiter des Fraunhofer IVV.

Externer Link: www.fraunhofer.de

Wie künstliche Intelligenz beim Kampf gegen Doping helfen kann

Pressemitteilung der Universität des Saarlandes vom 10.02.2022

Künstliche Intelligenz könnte in Zukunft dazu beitragen, dass sportliche Wettkämpfe sauber und fair bleiben: Professor Wolfgang Maaß forscht mit seinem Team daran, Dopingverstöße mit selbstlernenden Computersystemen schneller und einfacher zu entlarven. In Projekten mit der Welt-Anti-Doping-Agentur Wada arbeitet der Wirtschaftsinformatiker daran, Datensysteme, die er für die Industrie 4.0 entwickelt hat, mit Daten aus Doping-Kontrollen zu trainieren, um sportlichen Betrug effizient aufzudecken.

Ungleiche Chancen, unfairer Wettkampf, unsauberer Sport – wird gedopt, bleibt nicht nur die Gerechtigkeit auf der Strecke. Sportlerinnen und Sportler setzen auch ihre Gesundheit aufs Spiel. Der Kampf gegen Doping ist ein schwieriges Unterfangen. Sportbetrug zu entlarven, ist komplex und aufwändig. Künstliche Intelligenz könnte die Doping-Kontrolleure bei dieser Aufgabe unterstützen, ist Professor Wolfgang Maaß überzeugt. „Methoden künstlicher Intelligenz können die Doping-Kontrollverfahren beschleunigen und effizienter machen“, erklärt der Wirtschaftsinformatiker. Normalerweise sorgen Maaß und sein Team mit ihren intelligenten Datensystemen an der Universität des Saarlandes und am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) für Transparenz in der Industrie 4.0: Sie sagen früh und zuverlässig voraus, ob etwa Störungen an Anlagen oder in Lieferketten drohen und finden passende Lösungen. Jetzt will Maaß die smarten Computer-Algorithmen auch gegen Doping einsetzen. „Unsere Datensysteme sind auch über den Wirtschaftsbereich hinaus aufschlussreich“, erklärt er.

Die Ergebnisse von bislang drei Projekten, bei denen Maaß mit der Welt-Anti-Doping- Agentur Wada kooperiert, liefern deutliche Hinweise darauf, dass die mit Wirtschaftsdaten vortrainierten Saarbrücker KI-Systeme auch bei Doping funktionieren und Sportbetrugsfälle verschiedener Art schnell und zuverlässig erkennen können. „Unsere bisherigen Forschungsarbeiten verlaufen vielversprechend. Die KI-basierten Analysen von biochemischen und weiteren Daten aus Doping-Kontrollen liefern sehr gute Ergebnisse“, sagt Maaß. Seine Vision ist, die Arbeit der Doping-Labore in Zukunft durch Analysen im virtuellen Labor zu unterstützen.

Bei Doping-Kontrollen fallen zahlreiche Daten an. So werden in Trainings- und Wettkampfzeiten teils über längere Zeiträume Blut- und Urinproben genommen, in Laboren analysiert und auf verbotene Substanzen und Methoden hin untersucht. Auch weitere Informationen rund um die Athletinnen und Athleten kommen hinzu. Da die Kontrollen immer und überall erfolgen können, melden die Sportler zum Beispiel auch ihren aktuellen Aufenthaltsort. Mit allen solchen Daten können die angelernten KI-Datensysteme gefüttert werden, um Manipulationen auf die Spur zu kommen.

Mithilfe maschineller Lernmethoden und Deep Learning bringen die Forscherinnen und Forscher dem System bei, Doping treffsicher an typischen Mustern zu erkennen. Es lernt, winzigste, aber charakteristische Doping-Merkmale wie Puzzleteile zu identifizieren. Hierfür trainiert Maaß‘ Team das Computer-System mit den Daten aus Doping-Kontrollen vieler Athletinnen und Athleten. Das System ist in der Lage, alle möglichen Verknüpfungen in den Daten zu durchleuchten, das heißt, es begreift, wie die einzelnen Puzzleteile des mehrdimensionalen Puzzles eines Doping-Falles zusammenhängen.

Das KI-System erfasst und gewichtet etwa Blutmarker oder Steroidprofil-Daten in Urin, bezieht kausale und zeitliche Abläufe bei mehreren Proben ebenso mit ein wie die chemischen Umwandlungen der Stoffe im Körper oder auch die Wirk-Zusammenhänge des Dopingmittels. Mit etwas Training findet es in den digitalen Daten und Zahlenkolonnen Muster und kleinste Nuancen, die auf Abweichungen hindeuten und typisch für Dopingfälle sind. Auf diese Weise sagt es voraus, wie wahrscheinlich es bei einer bestimmten Puzzle-Konstellation ist, dass jemand verbotene Substanzen eingesetzt oder die Tests anderweitig verfälscht hat.

„Um komplexe Modelle trainieren zu können, brauchen wir sehr viel Datenmaterial, insbesondere zu positiven Dopingfällen. Mit sogenannten generativen maschinellen Lernverfahren – wir sprechen abgekürzt von ‘GAN‘ – können wir unseren Datenpool anreichern. Erst ein tiefes Verständnis der Daten und der zugrundeliegenden, biologischen Zusammenhänge erlaubt es uns, derartige KI-Modelle zu entwickeln und zu testen“, erklärt Wolfgang Maaß.

2015 testete Maaß in Kooperation mit der Wada erstmals, ob seine Datensysteme generell in der Lage sind, anhand einer anonymisierten Auswahl biochemischer Analyse-Daten Doping mit dem Mittel Erythropoetin, kurz „EPO“, aufzuspüren. Bei dieser Methode des Blutdopings wird die Zahl an roten Blutkörperchen erhöht, um mehr Sauerstoff zu transportieren und so die Leistung zu steigern. „Wir verwendeten als Datensatz für das Training mehrere Blutindikatoren und eine Reihe von Fragebögen über Aktivitäten der Sportlerinnen und Sportler“, erläutert Maaß. Beim Vergleich mit den tatsächlichen Ergebnissen der Dopingkontrollen zeigte das Datensystem bereits in diesem ersten, noch nicht spezifisch weiterentwickelten Stadium eine sehr gute Trefferquote.

Ein weiteres Projekt mit der Wada bestätigte die sehr gute Vorhersage-Qualität: Diesmal arbeiteten Maaß und sein Forschungsteam mit dem Fachbereich für Ernährung, Bewegung und Sport der Universität Kopenhagen im Rahmen einer Studie ebenfalls zu EPO-Doping zusammen. Ohne weitere Hintergrundinformationen werteten die Saarbrücker Forscherinnen und Forscher mithilfe ihres Datensystems bestimmte Blutmarker und Blutwerte aus verschiedenen Trainingsgruppen mit insgesamt 50 Probandinnen und Probanden aus: Die Computer-Algorithmen erkannten die EPO-Doping-Gruppe und filterten diese aus den Vergleichsgruppen heraus – darunter auch eine Gruppe Sportler, deren Blutkörperchen-Zahl wegen Trainings in großer Höhe natürlich erhöht war.

Im jüngsten Projekt mit der Wada und dem Institut für Biochemie der Sporthochschule Köln, dessen Ergebnisse das Team im Dezember vorgelegt hat, erkannten die Computer-Algorithmen durch spezielle Trainings auch anderweitige Manipulation über die klassischen Dopinganalysen hinaus: „Unser System kommt auch dem Austausch von Urinproben auf die Spur“, sagt Maaß. Diese Art des Betrugs, bei dem die Urinprobe eines gedopten Sportlers mit einer „sauberen“ Urinprobe vertauscht wird, ist für Doping-Kontrolleure extrem schwer nachzuweisen und mit höchst aufwändigen Analysen verbunden. Mit Deep-Learning-Trainings erkennt das Saarbrücker Datensystem auch die typischen Muster solcher Manipulationen. „Die Sensitivität und Spezifität unserer Methoden erreicht bereits jetzt hohes Niveau; wir können dies aber auch noch weiter verbessern. Dies lässt darauf schließen, dass der Einsatz von KI-Methoden im Doping die Kontrollen effektiv unterstützen kann“, sagt Maaß, der jetzt die Zusammenarbeit mit der Wada und der Sporthochschule Köln weiter intensivieren will.

Aktuell arbeitet Wolfgang Maaß daran, die Forschungsaktivitäten gegen Doping grenzüberschreitend auszuweiten: Er leitet den Aufbau eines deutsch-französischen Netzwerks, das den Einsatz von künstlicher Intelligenz im Kampf gegen Doping intensivieren soll: Beteiligt hieran sind das französische Anti-Doping Labor in Paris (Laboratoire AntiDopage Français, LADF, Université Paris-Saclay), das französische Nationale Forschungsinstitut für Informatik und Automatisierung INRIA (Institut national de recherche en informatique et en automatique), die Sporthochschule Köln sowie Maaß‘ Lehrstuhl an der Saar-Universität und seine Forschungsgruppe „Smart Service Engineering“ am Deutschen Forschungszentrum für Künstliche Intelligenz, DFKI.

Externer Link: www.uni-saarland.de