Standardverfahren in der Medizin berücksichtigen kaum die individuellen Unterschiede von Patientinnen und Patienten. Gerade bei Krebs und anderen schweren Erkrankungen kann das gravierende Folgen für den Behandlungserfolg und die Lebensqualität der Betroffenen haben. Genomsequenzen und andere Biomarker können helfen, Krankheiten besser zu verstehen und Therapien individuell anzupassen.
Die Digitalisierung hat in vielen Bereichen der Medizin große Fortschritte ermöglicht. So lässt sich beispielsweise die Suche nach potenziellen neuen Wirkstoffen durch den Einsatz künstlicher Intelligenz massiv beschleunigen. Bildgebende Verfahren wie Computer- und Magnetresonanztomographie profitieren von Computer-Vision-Systemen und anderen KI-basierten Analysemethoden. Mithilfe von Hochleistungsrechnern ist es Forschern sogar gelungen, ganze Organe als Digital Twin zu repräsentieren. So konnten Wissenschaftler des Unternehmens Ebenbuild und des Münchner Klinikums Rechts der Isar einen digitalen Zwilling der menschlichen Lunge entwickeln, mit dem sich Effizienz und Verträglichkeit von Beatmungstherapien optimieren lassen.
In der personalisierten Medizin, auch als individualisierte Medizin oder Präzisionsmedizin bezeichnet, spielen Datenanalysen und künstliche Intelligenz ebenfalls eine immer größere Rolle. Ziel ist es, die genetischen und phänotypischen Merkmale eines Patienten zu analysieren, um auf Basis von Biomarkern die Art und Dauer einer Behandlung sowie die Dosierung von Medikamenten individuell anzupassen. Dadurch soll die Wirksamkeit von Therapien verbessert und die Schwere von Nebenwirkungen minimiert werden. Laut einer Stellungnahme der Bundesärztekammer zu den medizinisch-wissenschaftlichen und ökonomischen Aspekten der Präzisionsmedizin liegen die Anwendungsgebiete vornehmlich in Onkologie, Infektiologie, Pneumologie und Neuropädiatrie.
Hoher Aufwand, hohe Kosten
Um die Basis für eine personalisierte Medizin zu schaffen, müssen große Mengen an Daten erfasst, gespeichert und analysiert werden – von den erbgenetischen Genomsequenzen der DNA über die Messenger-RNA (mRNA), die für die Transkription der Erbinformation in Eiweißmoleküle zuständig ist, bis hin zu den Proteinen selbst. Für das Projekt The Cancer Genome Atlas (TCGA) wurden beispielsweise mehr als 20.000 Krebsgenome von 33 verschiedenen Krebsarten typisiert und mehr als 2,5 Petabyte an Daten generiert. Das Projekt ARGO (Accelerating Research in Genomic Oncology) will sogar Proben von 100.000 Krebspatienten analysieren und die Sequenzen Wissenschaftlern zur Verfügung stellen.
Solche Mengen an Daten zu erfassen, zu speichern und zu analysieren ist äußerst kosten- und zeitaufwendig. In der Regel gelingt das nur mit speziellen High-Performance-Computing-Umgebungen (HPC). Das von der EU geförderte Computational Biomedicine-Projekt (ComBioMed) nutzt beispielsweise den Supercomputer SuperMUC am Leibniz-Rechenzentrum (LRZ) in Garching für seine Analysen. Allein für die Visualisierung des Blutflusses im Unterarm mussten mehr als 220 Millionen Datenpunkte berechnet, modelliert und visualisiert werden. Pro Ausgabeschritt kamen mehr als 7 Gigabyte Daten zusammen.
HPC-Systeme sind in vielen Bereichen alternativlos und haben Forschung und Entwicklung massiv beschleunigt. Allerdings sind sie auch sehr kostenintensiv und benötigen im Betrieb viel Energie. Außerdem konkurrieren viele wissenschaftliche Arbeitsgruppen um die begrenzten HPC-Ressourcen, was Projekte verzögern kann.
Standardhardware als Alternative
Auch das Berlin Institute of Health (BIH) an der Charité Berlin stand vor dieser Herausforderung. Das Ziel der Forscher war es, transkribierende mRNA-Stränge aus einer Zelle zu sequenzieren, um so Zellen und Zellpopulationen innerhalb und zwischen Organen und Individuen vergleichen und die Dynamik der Genexpression auf Zellebene studieren zu können. Dabei kamen Sequenzierer von Oxford Nanopore Technologies (ONT) zum Einsatz, die einen hohen Durchsatz liefern, aber auch sehr große Datenmengen generieren. Analysen auf ONT-Libraries erfordern daher in der Regel spezielle Beschleuniger-Hardware wie GPUs (Graphic Processing Unit) oder FPGAs (Field-Programmable Gate Array).
Im Rahmen eines Proof-of-Concepts entwickelte ein Team des BIH in Zusammenarbeit mit Intel, Dell, Sentieon und dem Systemvertrieb Alexander (SVA) eine Pipeline zur Genomanalyse auf Standardservern in der Charité Clinical Cloud. Die angepasste Pipeline führt im Vergleich zur bisherigen Installation 14-mal schneller zu Ergebnissen. Im Vergleich zum Workflow auf einer HPC-Workstation ließ sich damit die Bearbeitungszeit von mehr als 14 Stunden auf etwas über eine Stunde reduzieren.
Möglich machten das unter anderem die skalierbaren Intel Xeon Prozessoren der vierten Generation, die gegenüber den Vorgängermodellen einen Geschwindigkeitszuwachs von 21 Prozent brachten. Das Softwareunternehmen Sentieon entwickelte eine auf Intel Xeon Prozessoren und die Intel-Architektur zugeschnittene Pipeline für die Genomanalyse. Sie verwendet die Beschleunigungsfunktionen der neuen Xeon-Generation, um beispielsweise Aufgaben wie das Scannen, Extrahieren und die Sequenzangleichung parallel auszuführen. Dadurch werden Schreib- und Lesezeiten minimiert, die Erstellung temporärer Zwischendateien entfällt.
Fazit: Cloud-basierte Sequenzierung – ein großer Schritt für die personalisierte Medizin
Die Sequenzierung von DNA- und RNA-Strängen ist aufwendig und datenintensiv. Sie ist jedoch ein unverzichtbarer Schritt auf dem Weg zur personalisierten Medizin. Wie das BIH in Zusammenarbeit mit Intel, Dell, Sentieon und SVA zeigt, muss dafür keine spezialisierte HPC-Hardware verwendet werden, die hohe Kosten verursacht und einen großen CO2-Fußabdruck hinterlässt. Der Proof-of-Concept demonstriert, dass auf Basis der vierten Generation skalierbarer Intel Xeon Prozessoren und einer optimierten Sequenzierungspipeline Gensequenzierungen auf Serverprozessoren in einer Cloud-Infrastruktur schnell und effizient durchführbar sind. In Kombination mit Confidential Computing wäre der Betrieb sogar in einer Public-Cloud-Umgebung möglich, ohne dass sensible Daten gefährdet werden. Die Verfügbarkeit von Genomanalysen für Krankenhäuser und Ärzte verbessert sich dadurch wesentlich. Gleichzeitig sinken Kosten und Energieverbrauch. Davon profitieren nicht nur Forscher, Ärzte und Patienten, sondern auch die Umwelt und das Klima.