Making Accelerating Medicines Partnership Data Findable and Interoperable through a Common Data Model: Extending OMOP for Multi-Source Multimodal Data

Die moderne Medizin wird zunehmend durch die Fähigkeit vorangetrieben, die molekularen Anweisungen innerhalb unserer Zellen lesen zu können. Wissenschaftler können nun tausende dieser Anweisungen gleichzeitig messen und schaffen damit riesige Datenbibliotheken, die beschreiben, wie Gene in gesunden Menschen funktionieren und wie sie sich bei Krankheiten wie Alzheimer oder Diabetes verändern. Diese Messungen, oft als „Omics“-Daten bezeichnet, bieten ein kraftvolles Fenster in das Innenleben des Körpers. Es ist jedoch ein erhebliches Problem aufgetreten: Während die Daten existieren, sind sie verstreut. Verschiedene Forschungsprojekte speichern ihre Ergebnisse in unterschiedlichen digitalen Formaten und verwenden ihre eigenen, einzigartigen Bezeichnungen und Ablagesysteme. Es ist, als ob jede Bibliothek in einer Stadt eine andere Sprache zur Katalogisierung ihrer Bücher verwenden würde, was es für einen Forscher nahezu unmöglich macht, hineinzugehen und eine Frage zu stellen, die das Lesen aus mehreren Regalen gleichzeitig erfordert. Diese Fragmentierung hindert Wissenschaftler daran, das große Ganze zu sehen, etwa ob ein biologisches Muster, das in einer Krankheit gefunden wurde, auch in einer anderen auftritt.

Um dies zu lösen, hat ein Team von Forschern der Accelerating Medicines Partnership, einer Zusammenarbeit zwischen Regierungsbehörden und privaten Unternehmen, sich zum Ziel gesetzt, ein universelles Ablagesystem für diese komplexen biologischen Daten zu entwickeln. Sie haben keine neue Sprache von Grund auf neu erfunden, was langsam und schwierig für die wissenschaftliche Gemeinschaft in der Annahme gewesen wäre. Stattdessen haben sie ein bereits weit verbreitetes System zur Organisation klinischer Gesundheitsakten genommen und es sorgfältig erweitert, um den einzigartigen Anforderungen molekularer Daten gerecht zu werden. Dieses neue Framework, genannt SysBio Common Data Model, fungiert als Übersetzer, der es ermöglicht, Daten aus verschiedenen Quellen nebeneinander zu vergleichen, ohne die ursprünglichen Dateneigentümer dazu zu zwingen, die Art und Weise der Speicherung ihrer Dateien zu ändern. Das Team demonstrierte die Funktionsweise dieses Ansatzes, indem es erfolgreich Daten aus vier verschiedenen Krankheitsprojekten zusammenführte und damit bewies, dass Forscher nun über verschiedene Bedingungen und Gewebe hinweg mit einer einzigen, einheitlichen Abfrage breite Fragen stellen können.

Der Kern dieser Arbeit liegt in einem klugen Kompromiss zwischen Flexibilität und Struktur. Die Forscher begannen mit dem Observational Medical Outcomes Partnership-Modell, einem Standardmodell, das weltweit bereits von Tausenden von Forschern zur Organisation von Patientendaten wie Diagnosen, Medikamenten und Krankenhausbesuchen geschätzt wird. Während dieses System hervorragend für die klinische Historie geeignet war, fehlten ihm die spezifischen Werkzeuge, die nötig sind, um zu beschreiben, wie molekulare Experimente durchgeführt wurden oder wo die daraus resultierenden digitalen Dateien gespeichert sind. Um dies zu beheben, ohne das bestehende System zu brechen, fügte das Team lediglich vier neue Tabellen zur Datenbankstruktur hinzu. Diese neuen Abschnitte fungieren als spezialisierte Ordner zur Erfassung von Details über die Laboruntersuchungen selbst – wie etwa den Typ der verwendeten Maschine oder das spezifische Protokoll – und dienen dazu, auf die tatsächlichen digitalen Dateien zu verweisen, in denen die Rohdaten liegen. Durch die Verknüpfung dieser neuen Ordner mit den bestehenden Patientendaten über Standardverbindungen bewahrt das Modell die Integrität der ursprünglichen klinischen Daten und fügt gleichzeitig den notwendigen Kontext für die molekulare Analyse hinzu.

Diese Designentscheidung war bewusst und praktisch gewählt. Die Forscher testeten ihr neues Modell anhand von elf verschiedenen Datensätzen aus vier großen Krankheitsbereichen, darunter Alzheimer, Parkinson und Autoimmunerkrankungen. Diese Datensätze variierten stark in ihrem Ursprung und enthielten Informationen aus Hirngewebe, Blut und Urin, die sowohl von lebenden Patienten als auch von Verstorbenen gesammelt wurden. Trotz dieser Unterschiede brachte das neue Modell sie alle in eine einzige gemeinsame Struktur. Das Ergebnis ist ein System, in dem ein Wissenschaftler eine komplexe Frage stellen kann, wie zum Beispiel: „Finde alle Genaktivitätsdateien aus Nierengewebeproben von Patienten mit Lupus“, und der Computer kann den Pfad von der Diagnose des Patienten über die spezifische Gewebeprobe und den Labortest bis hin zur digitalen Datei zurückverfolgen, ohne dass er die einzigartigen Besonderheiten des ursprünglichen Projekts kennen muss, das die Daten generiert hat.

Ein entscheidender Teil, um dieses System funktionsfähig zu machen, war sicherzustellen, dass die verwendeten Begriffe überall dieselbe Bedeutung hatten. In der Vergangenheit könnte ein Projekt eine bestimmte Krankheitsphase als „Stadium 3“ bezeichnet haben, während ein anderes sie als „Grad C“ bezeichnete, was zu Verwirrung führte, wenn man versuchte, die Ergebnisse zu kombinieren. Um dies zu verhindern, entwickelte das Team ein zentrales Register, das als Wörterbuch fungiert, welches genau definiert, was jeder Begriff bedeutet und wie er aufgezeichnet werden sollte. Sie nutzten einen Workflow, der künstliche Intelligenz mit menschlichen Experten kombiniert, um die ungeordneten, vielfältigen Begriffe aus den ursprünglichen Projekten auf diese sauberen, standardisierten Definitionen abzubilden. Die KI schlägt die Verbindungen vor, und menschliche Spezialisten überprüfen diese, um die Genauigkeit zu gewährleisten, wodurch eine zuverlässige Brücke zwischen den alten, isolierten Daten und dem neuen, einheitlichen Modell entsteht. Dieser Prozess stellt sicher, dass ein Forscher, wenn er Daten aus zwei verschiedenen Studien betrachtet, tatsächlich Äpfel mit Äpfeln vergleicht.

Der Erfolg dieses Projekts deutet darauf hin, dass groß angelegte wissenschaftliche Zusammenarbeit voranschreiten kann, ohne dass alle Teilnehmer gezwungen sind, ihre bisherigen Methoden aufzugeben. Das Modell verlangt nicht von den Datengebern, ihre Dateien zu verschieben oder ihre Datenbanken umzuformatieren; stattdessen bietet es eine Organisationsebene, die über den bestehenden Daten liegt und diese für andere auffindbar und nutzbar macht. Die Forscher zeigten, dass dieser Ansatz die Komplexität der modernen Biologie bewältigen kann, von den spezifischen Arten der verwendeten Gewebe bis hin zu den verschiedenen Maschinen, die die Daten erzeugt haben. Obwohl die aktuelle Version sich auf einen bestimmten Satz molekularer Tests konzentriert, ist das Design darauf ausgelegt, zu wachsen. Das Team hat einen Weg skizziert, um neue Arten von Daten, wie etwa räumliche Bildgebung oder unterschiedliche chemische Messungen, hinzuzufügen, indem einfach mehr spezifische Details zum bestehenden Framework hinzugefügt werden, anstatt das gesamte System neu aufzubauen.

Letztendlich transformiert diese Arbeit die Art und Weise, wie Wissenschaftler die Verbindungen zwischen verschiedenen Krankheiten erforschen können. Indem sie ein schwieriges Integrationsprojekt in eine einfache Suchanfrage verwandeln, entfernt das neue Modell eine wesentliche Barriere für Entdeckungen. Es ermöglicht Forschern, nach gemeinsamen biologischen Signaturen über Bedingungen hinweg zu suchen, die zuvor isoliert untersucht wurden, was potenziell neue Angriffspunkte für Behandlungen aufzeigen könnte, die Patienten mit mehreren verschiedenen Krankheiten helfen könnten. Das System bleibt flexibel genug, um sich an neue Technologien anzupassen, wodurch sichergestellt wird, dass die riesige und wachsende Sammlung biomedizinischer Daten ihr volles Potenzial ausschöpfen kann. Die Forscher haben ihren Bauplan und die Werkzeuge zur Nutzung dieses Modells der Öffentlichkeit zugänglich gemacht und laden die breitere wissenschaftliche Gemeinschaft ein, auf diesem Fundament aufzubauen und die Arbeit fortzuführen, komplexe biologische Daten für alle zugänglich zu machen.