---
title: "Drug Repurposing mittels künstlicher Intelligenz"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2022/03/07/drug-repurposing-mittels-kuenstlicher-intelligenz/"
human_version: "../../../../../1/blog/2022/03/07/drug-repurposing-mittels-kuenstlicher-intelligenz/"
date: "2022-03-07"
section: "Review-Artikel"
categories: ["Automatisierung von Prozessen", "Big Data", "Digitalisierung von Prozessen", "Forschung", "KI", "Machine Learning", "Pharma"]
author: "Jonathan Koß"
reading_time: "8 Min."
description: "Drug Repurposing (DR) beschreibt die Suche nach neuen therapeutischen Einsatzmöglichkeiten für bereits zugelassene Arzneimittel."
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# Drug Repurposing mittels künstlicher Intelligenz

*07.03.2022 · Review-Artikel · Von Jonathan Koß*

Review-Artikel

Drug Repurposing (DR) beschreibt die Suche nach neuen therapeutischen Einsatzmöglichkeiten für bereits zugelassene Arzneimittel. Dies bietet aus Sicht pharmazeutischer Unternehmen erhebliche Vorteile, weil der Entwicklungsprozess verkürzt wird und somit Zeit und Kosten gespart werden (1). Beispielsweise liegen bei bereits zugelassenen Arzneimittel Daten zur Toxizität des Wirkstoffs bei der Anwendung am Menschen vor, sodass klinische Phase 1 Studien oft entfallen (2). Als Grundlage des Drug Repurposing, beziehungsweise zur Formulierung von entsprechenden Hypothesen für den Einsatz zugelassener Medikamente in neuen Indikationsgebieten, dienen oft Informationen, die in unstrukturierten, textuellen Daten vorliegen. Da die Datenauswertung manuell höchst ineffizient, wenn nicht sogar unmöglich erscheint, gilt es automatisierte Verfahren anzuwenden. Wie können Text Mining Werkzeuge eingesetzt werden, um Drug Repurposing zu unterstützen?

### **Drug Repurposing – Vorteile insbesondere in pandemischen Situationen**

Die dynamische Entwicklung der Pandemie erfordert eine möglichst schnelle Entwicklung von Medikamenten (3). Die als herkömmlich anzusehende Entwicklung neuer Wirkstoffe dauert rund 10-12 Jahre (4). In diesem Kontext erscheint die herkömmliche Medikamentenentwicklung neuer Wirkstoffe zu langsam, so dass der Ansatz des DR eine vielversprechende Möglichkeit darstellen könnte, um aufgrund der verkürzten Entwicklungszyklen, zeitnah hilfreiche Medikamente zur Verfügung zu stellen (5, 6).

### **Grundlegende Strategien**

Bei der Neupositionierung von Arzneimitteln gibt es im Allgemeinen zwei unterschiedliche Strategien. Erstens können Arzneimittel, die sich auf eine bestimmte Krankheit beziehen, aufgrund der gegenseitigen Abhängigkeit zwischen diesen verschiedenen Krankheiten auch bei anderen ähnlichen Krankheiten wirken (1). Zweitens kann ein Arzneimittel, das ein ähnliches chemisches Profil und eine ähnliche Wirkungsweise hat wie ein Arzneimittel, das bereits zur Behandlung einer bestimmten Krankheit eingesetzt wird, ebenfalls als vielversprechender Kandidat für diese Krankheit betrachtet werden (1). Die Hypothesen für diese möglichen neuen Indikationsgebiete werden oft auf Grundlage bestehender Daten gebildet. Hierbei kann beispielsweise auf Datenbanken oder bestehende Literatur zurückgegriffen werden (7), um so neuartige Zusammenhänge zwischen bereits zugelassenen Wirkstoffen und neuen Anwendungsgebieten zu identifizieren.

### **KI als zentrales Element des Drug Repurposing**

Die enorme Menge an hierfür auszuwertenden Daten führen zu der Notwendigkeit automatisierte Analysewerkzeuge zu nutzen wie beispielsweise Data Mining. Da ein Großteil dieser Daten in Form von Texten vorliegt, bieten insbesondere Text Mining Methoden vielseitige Anwendungsmöglichkeiten (1, 8, 9).

### **Text Mining für Drug Repurposing**

Text Mining im Kontext von Drug Repurposing dient in der Regel dazu, die relevanten Entitäten, beispielsweise einen Wirkstoff oder eine Krankheit in einem Text zu identifizieren und so das enthaltende Wissen zu strukturieren (1). Die grundsätzlichen Arbeitsschritte sind hierbei wie folgt: Zuerst müssen die Daten extrahiert werden, beispielsweise aus einer Datenbank für medizinische Literatur wie PubMed. Anschließend müssen beispielsweise Gene, Krankheiten und Medikamente mittels Named-Entity-Recognition identifiziert und extrahiert werden. Die zugrunde liegenden Algorithmen sind in der Regel supervised Learning Algorithmen, die gezielt relevante Entitäten von nicht relevanten Entitäten unterscheiden können. Im letzten Schritt erfolgt dann die Wissensgenerierung durch die Analyse (7). Oft werden hierbei das gemeinsame Auftreten von Entitäten betrachtet. Beispielsweise kann in bestehenden Literatur Datenbanken nach unbekannten „Wirkstoff-Krankheit“ – Assoziationen gesucht werden, die Hinweise auf neue Einsatzmöglichkeiten geben (10). Die Validierung kann beispielsweise mit Hilfe der Literatur oder in-Vitro Experimenten erfolgen (1).

### **Fazit**

Künstliche Intelligenz und insbesondere Data und Text Mining bietet die Möglichkeit bestehende Datenbanken auf eine effiziente Art und Weise zu analysieren, um neue therapeutische Ziele für bestehende Arzneimittel zu identifizieren (1, 8, 9). Hierbei wird oft untersucht, ob bisher unbekannte Assoziationen, beispielsweise zwischen Wirkstoffen und Krankheiten gefunden werden, die als Grundlage für Hypothesen im Drug Repurposing genutzt werden können. Nichtsdestotrotz müssen die Erkenntnisse evaluiert werden und können auch Assoziationen aufzeigen, die sich letztendlich als unwirksam herausstellen. Nichtsdestotrotz stellt künstliche Intelligenz eine Möglichkeit dar, neue Potentiale zu entdecken und Entwicklungszyklen durch eine systematische und automatisierte Analyse großer Datenmenge zu verkürzen.

<a id="expandable-block--6aac4bc10093a"></a>

Quellen

1. Jarada TN, Rokne JG, Alhajj R. A review of computational drug repositioning: strategies, approaches, opportunities, challenges, and directions. Journal of cheminformatics. 2020;12(1):1-23. [zum Original](https://doi.org/10.1186/s13321-020-00450-7)
2. Pushpakom S, Iorio F, Eyers PA, Escott KJ, Hopper S, Wells A, et al. Drug repurposing: progress, challenges and recommendations. Nature reviews Drug discovery. 2019;18(1):41-58. [zum Original](https://doi.org/10.1038/nrd.2018.168)
3. Ledford H. Dozens of coronavirus drugs are in development–what happens next? Nature. 2020;581(7808):247-9. [zum Original](https://doi.org/10.1038/d41586-020-01367-9)
4. DiMasi JA. Risks in new drug development: approval success rates for investigational drugs. Clinical Pharmacology & Therapeutics. 2001;69(5):297-307. [zum Original](https://doi.org/10.1038/d41586-020-01367-9)
5. Serafin MB, Bottega A, Foletto VS, da Rosa TF, Hörner A, Hörner R. Drug repositioning is an alternative for the treatment of coronavirus COVID-19. International Journal of Antimicrobial Agents. 2020;55(6):105969. [zum Original](https://doi.org/10.1016/j.ijantimicag.2020.105969)
6. Harris M, Bhatti Y, Buckley J, Sharma D. Fast and frugal innovations in response to the COVID-19 pandemic. Nature Medicine. 2020;26(6):814-7. [zum Original](https://doi.org/10.1038/s41591-020-0889-1)
7. Zhu F, Patumcharoenpol P, Zhang C, Yang Y, Chan J, Meechai A, et al. Biomedical text mining and its applications in cancer research. Journal of biomedical informatics. 2013;46(2):200-11. [zum Original](https://doi.org/10.1016/j.jbi.2012.10.007)
8. Han P, Yang P, Zhao P, Shang S, Liu Y, Zhou J, et al., editors. GCN-MF: disease-gene association identification by graph convolutional networks and matrix factorization. Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining; 2019. [zum Original](http://doi.org/10.1145/3292500.3330912)
9. Nugent T, Plachouras V, Leidner JL. Computational drug repositioning based on side-effects mined from social media. PeerJ Computer Science. 2016;2:e46. [zum Original](https://doi.org/10.7717/peerj-cs.46)
10. Udrescu L, Sbârcea L, Topîrceanu A, Iovanovici A, Kurunczi L, Bogdan P, et al. Clustering drug-drug interaction networks with energy model layouts: community analysis and drug repurposing. Scientific reports. 2016;6(1):1-10. [zum Original](https://doi.org/10.1038/srep32745)





#### Verwandte Artikel

- [Beyond the pill – Digitale Transformation einer forschungsintensiven Branche](../../../2020/04/17/beyond-the-pill.md)
- [Patientendaten für die Versorgung: Social Media birgt Potenziale](../../../2020/02/21/patientendaten-fuer-die-versorgung.md)
- [Social Media Mining im Arzneimittelentwicklungsprozess](../../../2021/11/10/social-media-mining-im-arzneimittelentwicklungsprozess.md)


**Kategorien:** Automatisierung von Prozessen, Big Data, Digitalisierung von Prozessen, Forschung, KI, Machine Learning, Pharma

## Bilder auf dieser Seite

- shutterstock_1825624250-1320x562.jpg: ../../../../../1/assets/bilder/wp-content/uploads/2022/05/shutterstock_1825624250-1320x562.jpg

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Drug Repurposing mittels künstlicher Intelligenz](../../../../../1/blog/2022/03/07/drug-repurposing-mittels-kuenstlicher-intelligenz/)
