XTRAS - explainable translational AI in space

Abstract

Das Teilvorhaben XTRAS innerhalb des DLR-Verbundprojektes AIMS beschäftigte sich mit der Entwicklung erklärbarer Methoden der künstlichen Intelligenz für die Analyse biologischer Hochdurchsatzdaten und bildgebender Daten aus Mikrogravitations-Experimenten. Im Mittelpunkt standen die Integration moderner Deep-Learning-Methoden mit biologisch interpretierbaren Modellen sowie die Entwicklung robuster Analysepipelines für Omics- und Mikroskopiedaten. Die Arbeiten adressierten zentrale Herausforderungen moderner Raumfahrtbiologie. Experimente unter Mikrogravitation erzeugen große Mengen heterogener Daten, deren manuelle Auswertung nur eingeschränkt möglich ist. Ziel war daher die Entwicklung KI-gestützter Methoden, welche biologische Muster automatisiert erkennen, relevante Signalwege identifizieren und gleichzeitig eine hohe wissenschaftliche Nachvollziehbarkeit gewährleisten. Ein Schwerpunkt lag auf der automatisierten Erkennung und Auswertung von Bilddaten biologischer Mikroskopiedaten aus Wurzeln von Pflanzen. Hierzu wurden robuste Verfahren entwickelt, welche auch bei eingeschränkter Bildqualität oder begrenzter Auflösung stabile quantitative Ergebnisse liefern. Parallel dazu wurden neuartige modulare neuronale Netze für die Analyse hochdimensionaler Omics-Daten entwickelt. Das entstandene Modell XModNN integriert biologisches Vorwissen direkt in die Netzwerkarchitektur und ermöglicht dadurch eine verbesserte Interpretierbarkeit biologischer Signalwege. Zusätzlich wurde mit dem Pruned Hierarchical Network (PHN) ein Ansatz zur frühen Multi-Omics-Integration entwickelt. Die Ergebnisse zeigen, dass Explainable AI einen wesentlichen Beitrag zur zukünftigen automatisierten Analyse biologischer Daten in der Raumfahrt leisten kann. Die entwickelten Methoden besitzen darüber hinaus ein hohes Potenzial für Anwendungen in der medizinischen Diagnostik, Pflanzenphysiologie und Hochdurchsatz-Bildanalyse. Zielsetzung: Die Zielsetzung des Vorhabens bestand in der Entwicklung und Validierung erklärbarer KI-Methoden zur Analyse komplexer biologischer Daten aus Mikrogravitations-Experimenten. Dabei sollten sowohl Omics-Daten als auch bildgebende Verfahren berücksichtigt werden. Ein zentrales Ziel war die Entwicklung Neuronaler Netze (NN), das biologische Vorwissen direkt in die Modellarchitektur integrieren. Hierdurch sollte eine höhere Interpretierbarkeit der Modelle erreicht werden. Gleichzeitig sollte untersucht werden, inwieweit sich funktionelle biologische Hierarchien zur Verbesserung der Modellstabilität und Generalisierbarkeit nutzen lassen. Im Bereich der Omics-Datenanalyse lag der Fokus auf der Identifikation biologisch relevanter Signalwege und Biomarker, welche durch Mikrogravitation beeinflusst werden. Die entwickelten Modelle sollten dabei in der Lage sein, aus hochdimensionalen Datensätzen robuste und biologisch nachvollziehbare Muster zu extrahieren. Ein weiterer Schwerpunkt bestand in der Entwicklung automatisierter Bildanalyseverfahren. Ziel war die Etablierung KI-basierter Methoden zur Detektion biologischer Strukturen innerhalb mikroskopischer Bilddaten. Hierbei war die klare Zielstellung die Wurzelspitze der Pflanze zu erkennen und eine Signalkaskade relativ dazu zu analysieren. Die entwickelten Verfahren sollten Veränderungen biologischer Gewebe automatisiert erkennen und quantitativ beschreiben können. Darüber hinaus sollte untersucht werden, inwieweit sich Methoden aus der KI-gestützten Echtzeit-Datenanalyse für Mikrogravitations-Experimente auf biologische Fragestellungen übertragen lassen. Die entwickelten Methoden sollen perspektivisch dazu beitragen, wissenschaftliche Experimente während zukünftiger Weltraummissionen effizienter auszuwerten und relevante biologische Veränderungen frühzeitig zu erkennen.