A bibliometric analysis of artificial intelligence and machine learning in preclinical mesenchymal stem cell therapy and manufacturing from 2009 to 2025
Diese bibliometrische Analyse von 144 Dokumenten aus den Jahren 2009 bis 2025 zeigt, dass die Anwendungen künstlicher Intelligenz in der mesenchymalen Stammzelltherapie zwar rasant wachsen, jedoch überwiegend im präklinischen Bereich verbleiben und sich eher auf die Charakterisierung als auf die Qualitätskontrolle der Herstellung oder die klinische Translation konzentrieren, wodurch eine kritische Lücke bei den zur Potenzvorhersage benötigten Modellen aufgezeigt wird, die erforderlich sind, um das Feld in Richtung der Klinik voranzubringen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Seit zwei Jahrzehnten arbeiten Wissenschaftler daran, einen spezifischen Typ menschlicher Zellen in ein Medikament zu verwandeln. Diese Zellen, bekannt als mesenchymale Stammzellen, kommen in Geweben wie Knochenmark und Fettgewebe vor. Sie bergen ein einzigartiges Versprechen: Sie können das Immunsystem beruhigen und geschädigte Organe reparieren, was Hoffnung auf die Behandlung von allem – von Gelenkverletzungen bis hin zu entzündlichen Erkrankungen – bietet. Es hat sich jedoch als schwierig erwiesen, diese Zellen aus der Laborschale zum Krankenbett des Patienten zu bringen. Die Zellen sind empfindlich; ihr Verhalten ändert sich je nachdem, woher sie kamen, wie sie gezüchtet wurden und wie oft sie geteilt wurden. Um sicher und wirksam zu sein, muss jede Charge der Zellen streng getestet werden, um sicherzustellen, dass sie wirkungsvoll genug ist und keine Defekte aufweist. Dieses Testen, bekannt als Qualitätskontrolle, ist langsam, teuer und beruht oft auf subjektivem menschlichem Urteilsvermögen, was einen Engpass schafft, der viele vielversprechende Therapien davon abhält, die Klinik zu erreichen.
In den letzten Jahren haben Forscher versucht, dieses Problem mithilfe von künstlicher Intelligenz und maschinellem Lernen zu lösen. Dies sind Computersysteme, die darauf ausgelegt sind, Muster in Daten zu finden, ganz ähnlich wie ein Mensch, aber mit der Fähigkeit, riesige Mengen an Informationen schnell zu verarbeiten. Die Hoffnung ist, dass diese Werkzeuge die Zellen automatisch analysieren, vorhersagen könnten, wie gut sie funktionieren werden, und sicherstellen könnten, dass sie strenge Sicherheitsstandards erfüllen, ohne dass dafür zerstörerische oder zeitintensive Tests erforderlich sind. Doch während die Idee populär ist, hatte bisher niemand genau kartografiert, wie diese Technologie in diesem spezifischen Bereich tatsächlich eingesetzt wird. Eine neue Studie von Forschern der Universität Katar hat genau das getan und ein detailliertes Bild der wissenschaftlichen Literatur erstellt, um zu sehen, wo die Arbeit stattfindet, welche Methoden verwendet werden und wo die Lücken bestehen.
Die Forscher sammelten und analysierten 144 wissenschaftliche Dokumente, die zwischen 2009 und 2025 veröffentlicht wurden und die Verwendung von künstlicher Intelligenz mit mesenchymalen Stammzellen behandelten. Sie untersuchten alles, von den Arten der verwendeten Computeralgorithmen bis hin zu den spezifischen Aufgaben, die die Computer ausführen sollten. Das Feld ist jung, wächst aber schnell, wobei die Anzahl der Publikationen jährlich um etwa 35 Prozent zunimmt. Die Arbeit konzentriert sich auf einige wenige Schlüsselländer, angeführt von China und den USA, mit einem moderaten Maß an internationaler Zusammenarbeit. Trotz der Begeisterung zeigt die Studie, dass der Großteil dieser Forschung immer noch im Labor stattfindet, weit entfernt vom Krankenbett im Krankenhaus.
Als die Forscher aufschlüsselten, was die Wissenschaftler tatsächlich taten, zeichnete sich ein klares Muster ab. Der Großteil der Arbeit konzentrierte sich auf die Klassifizierung von Zellen oder die Diagnose ihres Zustands basierend auf Bildern oder Daten. Dies ist eine Form der Zellcharakterisierung, bei der der Computer lernt, zu erkennen, wie eine gesunde Zelle im Vergleich zu einer beschädigten aussieht. Dies ist zwar nützlich, entspricht aber nicht dem entscheidenden Schritt der Freigabeprüfung (Release Testing). Die Freigabeprüfung ist die letzte Kontrolle, die bestimmt, ob eine Charge von Zellen sicher und wirksam genug ist, um einem Patienten verabreicht zu werden. Die Studie fand heraus, dass nur sehr wenige Arbeiten diese spezifische, hochsensible Aufgabe behandelten. Anstatt Modelle zu entwickeln, die vorhersagen, ob eine Charge einen regulatorischen Freigabestandard erfüllen würde, bauten Forscher hauptsächlich Modelle, um die Zellen zu beschreiben, die sie untersuchten.
Die Lücke zwischen Labor und Klinik ist eklatant. Fast die Hälfte aller analysierten Dokumente beschrieb präklinische Arbeiten, also Experimente in Laboren oder an Tieren. Nur ein winziger Bruchteil, etwa zwei Prozent, beschrieb Arbeiten, die die klinische Phase der Erprobung am Menschen erreicht hatten. Selbst innerhalb der Kategorie Fertigung und Qualitätskontrolle, die etwa 13 Prozent der Arbeiten ausmachte, lag der Fokus weiterhin auf der Charakterisierung der Zellen statt auf deren Validierung für den Einsatz am Patienten. Die häufigsten Quellen der untersuchten Zellen waren Knochenmark und Fettgewebe, und die häufigsten Anwendungen betrafen Knochen- und orthopädische Probleme. Die Studie stellte jedoch fest, dass in vielen Fällen die spezifische Quelle der Zellen in den Papieren nicht einmal klar berichtet wurde, was es schwierig macht, Ergebnisse zu vergleichen oder zuverlässige Modelle aufzubauen.
Die Analyse legt nahe, dass die künstliche Intelligenz zwar in die Welt der Stammzelltherapie eintritt, aber noch nicht den schwierigsten Teil des Problems angegangen ist. Die Technologie wird im Herstellungsprozess angewendet, konzentriert sich jedoch auf die Beschreibung der Zellen statt auf die Lösung der regulatorischen Hürden, die deren Freigabe für Patienten verhindern. Die Forscher fanden heraus, dass der Wortschatz der künstlichen Intelligenz nun tief in das Gespräch über die Stammzellbiologie eingewoben ist, aber noch keine starke Verbindung zum Vokabular der Fertigung und Qualitätskontrolle hergestellt hat. Mit anderen Worten: Wissenschaftler nutzen kluge Werkzeuge, um die Zellen zu verstehen, aber sie haben noch nicht die klugen Werkzeuge gebaut, die erforderlich sind, um diese Zellen für die Anwendung am Menschen zu zertifizieren.
Dies bedeutet nicht, dass die Technologie versagt; vielmehr deutet es darauf hin, dass sich das Feld noch in einem frühen Stadium befindet. Die Forscher weisen darauf hin, dass die künstliche Intelligenz, um die Lücke zur Klinik wirklich schließen zu können, in Zukunft darauf ausgerichtet sein muss, Modelle zu erstellen, die gegen die strengen Kriterien validiert werden, die für die Freigabe von Medikamenten an Patienten gelten. Dies wird eine bessere Berichterstattung darüber erfordern, woher die Zellen stammen und welche Qualitätseigenschaften sie besitzen, damit Computer aus konsistenten Daten lernen können. Die Studie kommt zu dem Schluss, dass der Weg nach vorne darin besteht, die Aufmerksamkeit von der allgemeinen Zelldescription hin zu den spezifischen, regulierten Schritten der Fertigung und der Freigabeprüfung zu lenken. Bis dieser Wandel stattfindet, wird das Versprechen der künstlichen Intelligenz in diesem Bereich weitgehend auf dem Reißbrett bleiben und darauf warten, in die Systeme integriert zu werden, die diese lebensrettenden Therapien tatsächlich zu den Menschen bringen, die sie benötigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.