Die Herausforderung
Ermöglichung der Zusammenarbeit bei der Arzneimittelentdeckung bei gleichzeitigem Schutz geschützter Daten
Die pharmazeutische Industrie stand vor einer entscheidenden Herausforderung: die Verbesserung von Modellen des maschinellen Lernens (ML) für die Arzneimittelentdeckung unter Wahrung der Vertraulichkeit geschützter Datensätze. Traditionell entwickelten Pharmaunternehmen ML-Modelle isoliert, da sie Bedenken hinsichtlich des Datenschutzes und des Schutzes des geistigen Eigentums hatten. Dieser Ansatz führte jedoch zu suboptimalen Modellen, da ML-Modelle mit größeren und vielfältigeren Datensätzen besser werden. Mit anderen Worten: Pharmaunternehmen könnten bessere Ergebnisse erzielen, wenn sie ML-Modelle auf kombinierten Daten trainieren würden. Die Unternehmen befürchteten jedoch, sensible Informationen an ihre Konkurrenten weiterzugeben, was eine Zusammenarbeit verhinderte und den wissenschaftlichen Fortschritt verlangsamte.
Das Projekt MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) sollte diese Sackgasse durchbrechen, indem es 10 führenden Pharmaunternehmen - darunter Bayer, GSK und Novartis - die Möglichkeit gab, gemeinsam ML-Modelle zu trainieren, ohne Rohdaten auszutauschen.
Die Lösung
"Coopetition"
Das MELLODDY-Team wandte sich dem föderierten Lernen zu, einem Ansatz, der es ML-Modellen ermöglicht, aus mehreren Datensätzen zu lernen, ohne jemals Rohdaten zu übertragen. Anstatt sensible Informationen in einer zentralen Datenbank zu bündeln, behielt jedes Unternehmen seine Daten in seiner eigenen sicheren Umgebung. In diesem Projekt wurden Modelle auf verteilten Daten in verschiedenen Unternehmen trainiert, ohne sie zu zentralisieren, wodurch eine neue Form des "Coopetition" geschaffen wurde. Die Kubermatic Kubernetes Platform (KKP) wurde verwendet, um die skalierbare Kubernetes-Infrastruktur für jeden Pharmapartner aufzubauen. Diese Infrastruktur ermöglichte es den Partnern, ihre proprietären Datensätze lokal zu registrieren und zu nutzen, so dass private Modelle aus dem kombinierten Wissen lernen können, ohne sensible Daten zu teilen. Zum ersten Mal konnten konkurrierende Pharmaunternehmen bei ihrer Forschung zusammenarbeiten, ohne die Sicherheit zu gefährden.
Die Auswirkungen
Den Weg für die gemeinsame Nutzung von Daten in der Pharmaindustrie ebnen
MELLODDY hat bewiesen, dass Pharmaunternehmen nicht zwischen Datenschutz und Fortschritt wählen müssen. Durch die Zusammenarbeit im Rahmen eines föderalen Lernsystems konnten sie bessere Vorhersagemodelle entwickeln, die jedes einzelne Partnermodell übertrafen. Daher hat das MELLODDY-Projekt eine praktikable Lösung für Pharmaunternehmen geschaffen, die bei der Entwicklung besserer Machine-Learning-Modelle zusammenarbeiten.
Dieses Projekt hat die Weichen für eine Zukunft gestellt, in der KI-gestützte Durchbrüche schneller erzielt werden können, was zu genaueren Modellen und einer schnelleren Arzneimittelentwicklung führt.
MELLODDY war eine europäische Initiative für innovative Arzneimittel (IMI), an der zehn Pharmaunternehmen, akademische Forschungslabors, große Industrieunternehmen und Start-ups beteiligt waren, darunter Bayer, GSK, Novartis und Kubermatic. Die Plattform MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) war die erste Plattform im Industriemaßstab, die die Schaffung eines globalen föderierten Modells für die Arzneimittelforschung ermöglichte, ohne die vertraulichen Datensätze der einzelnen Partner zu teilen. Es handelte sich um ein bahnbrechendes Projekt, das es ermöglichte, Modelle des maschinellen Lernens mit Daten von mehreren pharmazeutischen Partnern zu trainieren, wobei die Vertraulichkeit der Daten gewahrt blieb.
Das Projekt MELLODDY ist eine bahnbrechende Zusammenarbeit, die das Potenzial hat, die Entdeckung von Arzneimitteln zu beschleunigen und die Ergebnisse für die Patienten zu verbessern, indem sie zum ersten Mal die Durchführung von Forschungsarbeiten über die dezentralen und hochgradig geschützten Datenbanken des Konsortiums mit kommentierten chemischen Bibliotheken ermöglicht. Dieses Projekt ermöglicht den Pharmapartnern zum ersten Mal eine Zusammenarbeit in ihrem wichtigsten Wettbewerbsbereich, wodurch die Entdeckungsbemühungen durch Effizienzgewinne gestärkt werden.
