Ein Forschungsteam der Universität Wien um den pharmazeutischen Chemiker Johannes Kirchmair hat eine neue statistische Methode entwickelt, mit der sich versteckte Auffälligkeiten in wissenschaftlichen Datensammlungen erkennen lassen. Die Methode kann automatisiert auf große Datenbestände angewendet werden. Forschende können so problematische Datensätze leichter gezielt identifizieren. Das neue Verfahren hebt die Qualität datengetriebener Forschung erheblich und fördert die Entwicklung verlässlicher KI-Anwendungen.
Moderne wissenschaftliche Methoden beruhen zunehmend auf der Nutzung großer Datenmengen. So werden zum Beispiel in der modernen Wirkstoffforschung oft Millionen experimenteller Messwerte aus Datenbanken zusammengetragen und für die Findung und Entwicklung neuer Medikamente in KI-Modelle eingespeist. Die Qualität dieser Daten ist entscheidend: Fehler bei der Erfassung, der Verarbeitung oder der Zusammenführung von Daten können sich auf nachfolgende Analysen, Auswirkungen und Forschungsprozesse nicht nur verlangsamen, sondern auch ins Leere laufen lassen. Die systematische Überprüfung großer Datenbestände stellt Forschende jedoch vor erhebliche Herausforderungen.
Uday Abu-Shehab, Matthias Welsch und Johannes Kirchmair vom Christian Doppler Labor für Molekulare Informatik in den Biowissenschaften des Departments für Pharmazie der Universität Wien haben deshalb eine Methode entwickelt, die auffällige Datensätze automatisch identifizieren kann. Im Mittelpunkt steht dabei das sogenannte Benford-Gesetz. Dieses beschreibt die überraschende Beobachtung, dass in vielen natürlich entstandenen Datensätzen bestimmte Ziffern häufiger als erste Ziffer auftreten als andere. Weichen Datensätze deutlich von diesem Muster ab, kann dies ein Hinweis auf Besonderheiten oder potenzielle Qualitätsprobleme sein.
Neue Methode als Filter für Datensätze
"Unser Verfahren liefert keinen direkten Beweis dafür, dass Daten fehlerhaft oder verfälscht sind", erklärt Johannes Kirchmair. "Vielmehr hilft es dabei, aus der großen Anzahl an Datensätzen jene herauszufiltern, die einer näheren Überprüfung zugeführt werden sollten. Damit können Forschende ihre Aufmerksamkeit gezielt auf potenziell problematische Datensätze konzentrieren."
Um die Priorisierung der Datensätze zu ermöglichen, entwickelten die Forschenden die Methode "Simulation-Based Benfordness Estimation" (SBBE). Der Ansatz kombiniert umfangreiche Computersimulationen mit Bayes-Statistik und liefert nicht nur eine Bewertung der Datenqualität, sondern auch eine Einschätzung der damit verbundenen Unsicherheit. Dadurch lassen sich Datensätze deutlich besser miteinander vergleichen als mit bisherigen Methoden.
"Bei vielen bestehenden Ansätzen hängt das Ergebnis von Qualitätsanalysen stark von der Anzahl der verfügbaren Datenpunkte ab", erklärt Uday Abu-Shehab. "Unser Verfahren berücksichtigt diese Unsicherheit ausdrücklich und ermöglicht dadurch faire Vergleiche zwischen Datensätzen unterschiedlicher Größe. Das macht die Ergebnisse deutlich robuster."
Testlauf mit Bioaktivitätsdatenbanken
Um die Leistungsfähigkeit des Ansatzes zu überprüfen, testeten die Forscher die Methode unter anderem mit biologischen Aktivitätsdaten. Solche Daten beschreiben etwa, wie stark Wirkstoffe mit ihren Zielproteinen interagieren und sind essenziell in der modernen Wirkstoffforschung. Die Analyse zeigte, dass große Bioaktivitätsdatenbanken insgesamt eine hohe Datenqualität aufweisen. Die neue Methode zeigte, dass es einzelne Datensätze mit ungewöhnlichen statistischen Merkmalen gibt. Die Forscher konnten diese schließlich auf Besonderheiten im Versuchsdesign, in der Datenverarbeitung oder in der Datenkuratierung zurückführen.
Neue Methode sichert Qualität wissenschaftlicher Datensammlungen
"Gerade für die datengetriebene Forschung werden Werkzeuge zur automatisierten Qualitätskontrolle immer wichtiger", sagt Matthias Welsch. "Unser Ziel ist es, Forschenden ein einfach anwendbares Instrument zur Verfügung zu stellen, um Auffälligkeiten frühzeitig zu erkennen und die Qualität wissenschaftlicher Datensammlungen weiter zu verbessern."
Da SBBE nicht auf ein bestimmtes Forschungsgebiet beschränkt ist, sehen die Autoren Potenzial für zahlreiche weitere Anwendungen. Überall dort, wo große Mengen numerischer Daten anfallen, könnte die Methode helfen, verborgene Unregelmäßigkeiten sichtbar zu machen und die Grundlage für fundierte wissenschaftliche Entscheidungen sowie Anwendungen im Bereich KI zu stärken.
Zusammenfassung:
- In der Wissenschaft wird oft mit großen Daten gearbeitet, so zum Beispiel auch in der Wirkstoffforschung. Die systematische Überprüfung großer Datensätze ist jedoch herausfordernd.
- Wissenschafter der Uni Wien haben eine neue Methode entwickelt, um versteckte Auffälligkeiten in solchen Daten einfach zu erkennen.
- Die "Simulation-Based Benfordness Estimation" (SBBE) hilft dabei potenzielle Fehlerquellen aus den Datensätzen herauszufiltern und ist auf verschiedene Forschungsgebiete anwendbar.
- Das neue Verfahren hebt die Qualität datengetriebener Forschung erheblich und fördert die Entwicklung verlässlicher KI-Anwendungen.
Originalpublikation:
Uday Abu-Shehab, Matthias Welsch & Johannes Kirchmair. A Bayesian framework for anomaly detection in drug discovery data based on Benford's law. In Patterns (2026).
DOI: 10.1016/j.patter.2026.101683
Uday Abu-Shehab und Matthias Welsch haben geteilte Erstautorenschaft.
Über die Universität Wien:
Die Universität Wien setzt seit über 650 Jahren Maßstäbe in Bildung, Forschung und Innovation. Heute ist sie unter den Top 100 und damit den Top 4 Prozent aller Universitäten weltweit gerankt sowie in aller Welt vernetzt. Mit 188 Studien und rund 11.000 Mitarbeitenden ist sie einer der größten Wissenschaftsstandorte Europas. Hier treffen Menschen aus unterschiedlichsten Disziplinen zusammen, um Spitzenforschung zu betreiben und Lösungen für aktuelle und künftige Herausforderungen zu finden. Ihre Studierenden und Absolvent*innen gehen mit Innovationsgeist und Neugierde komplexe Herausforderungen mit reflektierten und nachhaltigen Lösungen an.
