KI für die genetische Forschung

Genomdatensätze enthielten mehr potenzielle Signale, als Forschungsteams einzeln prüfen konnten. Manuelle Skripte und Filter hingen stark von der Erfahrung ab und skalierten nicht mit den wachsenden Datenmengen.

• Große Datensätze erzeugten zahlreiche mögliche Befunde.
• Forschenden fehlte Zeit für eine manuelle Vorauswahl.
• Priorisierung beruhte auf Skripten und individueller Erfahrung.
• Das Datenvolumen wuchs schneller als die Teams.

KI-gestützte Mustererkennung kann große Genomdatensätze wiederholbar vorprüfen. Sie priorisiert Kandidaten für die Untersuchung, ohne die wissenschaftliche Interpretation zu ersetzen.

• Signale mit Mustern zur Forschungsfrage vergleichen.
• Eine priorisierte Auswahlliste statt einer offenen Suche erstellen.
• In bestehende bioinformatische Werkzeuge integrieren.
• Interpretation und Schlussfolgerungen den Forschenden überlassen.

Wir entwickelten eine Analysepipeline, die Genombefunde nach ihrer Relevanz für die Forschungsfrage ordnet. Forschende prüfen die Liste und wählen Kandidaten für eine vertiefte Analyse aus.

• Daten mit für das Fachgebiet geeigneten Modellen verarbeiten.
• Kandidaten und Signale für die weitere Prüfung priorisieren.
• Bestehende bioinformatische Werkzeuge und Formate integrieren.
• Wissenschaftliche Validierung dem Forschungsteam überlassen.