gms | German Medical Science

Einleitung und Fragestellung: Biomaterialbanken stellen eine zentrale Ressource biomedizinischer Forschung dar und spielen eine Schlüsselrolle bei der Entwicklung einer personalisierten Medizin [1]. Die Probenlagerung ist dabei hohen Qualitätsanforderungen hinsichtlich der Auffindbarkeit der Proben, begleitender Daten sowie definierter Lagerungsbedingungen (konstante Temperatur, Infektionsschutz, Schutz vor Gefrierbrand, schneller Zugriff) gestellt. Dabei kann die Probenentnahme schnell zu ineffizienter Lagerung führen. Die meist rechnergestützte Probenverwaltung ermöglicht es, algorithmische Verfahren zur günstigen Wahl des Lagerorts einzusetzen [2]. Ein solcher Ansatz wird erschwert durch Um- und Ausbau von Lagerkapazitäten vor allem aber durch nutzungsabhängig veränderte Optimierungsziele (z.B. häufige, schnelle Materialausgabe vs. kompakte Einlagerung). Das Ziel der vorgestellten Arbeit war die Entwicklung eines flexiblen und effizienten Frameworks zur Anwendung unterschiedlicher algorithmischer Optimierungsverfahren auf die Materiallagerung in Biobanken unter Beachtung gewichteter Randbedingungen.

Material und Methoden: Der implementierte Ansatz basiert auf 1) der formalen Beschreibung biobankspezifischer Konzepte (z.B. Lagerorte, Lagerbedingungen, Probentypen), 2) der formalen Spezifizierung von Optimierungsalgorithmen, 3) der nachfolgenden semiautomatische Parametrierung eines Optimierungsalgorithmus für eine gegebene Biomaterialbank. Die ersten beiden Schritte basieren jeweils auf einer generischen Ontologie der Domäne. Hiervon ausgehend werden mittels eines Ontologie-Editors (Protégé) die Konfiguration einer gegebenen Biobank bzw. die technisch verfügbaren Algorithmen erfasst. Für den dritten Schritt werden in einem Mapping-Modul Konzepte der Biomateriallager-Ontologie so auf die Optimierungsontologie abgebildet, dass die jeweilige Rolle (z.B. einer Lagerkapazität) für die algorithmische Optimierung definiert ist und die Parameter für das Optimierungsverfahren ausgelesen werden können. Die auf Einlagerungsbedingungen fokussierende Biobankontologie entstand auf Basis semistrukturierter Interviews sowie der Analyse eines Biobankmanagementsystems (StarLIMS). Die Ontology for simulation optimization (SoPT) [3] bildete die Basis für die Optimierungsontologie.Das Mapping-Modul nutzt Apache Jena.

Ergebnisse: Das Framework erlaubt die interaktive Zuordnung zwischen Packing Algorithmen und Biobankontologie. Auf dieser Grundlage erfolgt eine maskengestützte Spezifikation und nachfolgende Generierung von Code für ein Mixed Integer Program: Der Code wird im ZIMPL-Format bereitgestellt und kann anschließend mit Solving Constraint Integer Programs (SCIP – verfügbar unter http://scip.zib.de/) ausgeführt werden [4]. Das Framework wurde an einem in den Interviews erhobenen Anwendungsfall getestet. Eine Verifikation des Ansatzes erfolgte durch Vergleich des erzeugten ZIMPL-Codes mit einem Goldstandard. Als Goldstandard fungiert das strukturell verwandte „Facility location“-Problem, für das der ZIMPL-Code des entsprechenden Optimierungsalgorithmus in der Literatur gegeben ist. Nach Aufbau der entsprechenden Ontologie für das Testproblem und Zuordnung der Optimierungskonzepte erzeugte das Mapping-Modul äquivalenten Code.

Diskussion: Die Nutzung eines Ontologie-Mapping-Ansatzes zur Unterstützung einer Optimierung der Biomaterialeinlagerung ist innovativ. Die Machbarkeit konnte mit dem implementierten Framework gezeigt werden. Aktuell lassen sich noch keine mehrschrittigen Einlagerungsstrategien (z.B. Nutzung temporärer Zwischenlager) abbilden. Zu prüfen ist auf, welche Auswirkungen die immer vorhandenen Modellierungsalternativen seitens der Biobankontologie auf das Optimierungsergebnis haben.