Industrie + Technik

Gegen Covid-19, die durch das Coronavirus Sars-CoV-2 ausgelöste Atemwegsinfektion, entwickeln Unternehmen und Forschungsinstitute Schutzimpfungen und Medikamente für bereits Erkrankte.Impfen | Eine weltweite öffentlich-private Allianz (Coalition for Epidemic Preparedness Innovations, Cepi) unterstützt etwa Projekte der Tübinger Curevac und der australischen Universität in Queensland. Diese erprobt ihr Mittel bereits an Tieren. Das Düsseldorfer Unternehmen Dynavax liefert dazu ein Adjuvans, also einen Wirkverstärker.Das Neusser Unternehmen Janssen will einen Impfstoff mit einer Technik entwickeln, die sich schon einem Ebola-Impfstoff bewährt hat. Das Projekt wird unterstützt von einem Büro des US-amerikanischen Gesundheitsministeriums (Biomedical Advanced Research and Development Authority, Barda). Mit Barda kooperiert auch Sanofi. Das französische Unternehmen will mit der eigenen Plattform für rekombinante DNA einen Covid-19-Impfstoff entwickeln. Das Projekt knüpft an ein früheres für einen Sars-Impfstoff an.Zudem arbeiten Wissenschaftler vom Institut für Virologie der Universität Marburg mit Kollegen aus München und Berlin an einem Impfstoff. Das Deutsche Zentrum für Infektionsforschung koordiniert die Arbeiten. Sie wandeln einen Impfstoff gegen das Mers-Virus ab, der zurzeit in klinischen Studien erprobt wird.Behandeln | Pharmaunternehmen forschen nicht nur an Impfstoffen, sondern erproben auch Medikamente zur Behandlung bereits Infizierter. Dabei geht es vor allem um solche Mittel, die schon gegen eine andere Krankheit zugelassen oder zumindest in der Entwicklung sind. In Betracht kommen:Virostatika, die gegen HIV, Ebola, Hepatitis C, Grippe, Sars oder Mers entwickelt wurden. Sie sollen das Vermehren der Viren blockieren oder verhindern, dass diese in Lungenzellen eindringen. Auch ein altes Malaria-Medikament wird geprüft, dessen Wirksamkeit gegen Viren erst vor kurzem entdeckt wurde.Immunmodulatoren, die gegen rheumatoide Arthritis oder entzündliche Darmerkrankungen entwickelt wurden. Sie sollen die Abwehrreaktionen des Körpers so begrenzen, dass diese nicht mehr Schaden anrichten als die Viren selbst.Medikamente für Lungenkranke, die etwa gegen idiopathische Lungenfibrose entwickelt wurden. Sie sollen verhindern, dass die Lunge der Patienten das Blut nicht mehr mit genug Sauerstoff versorgt.Ein weiterer Ansatz will sich an Antikörpern im Blutserum von Menschen orientieren, die von der Krankheit genesen sind. MBVerband Forschender Arzneimittelhersteller <a href="https://t1p.de/5bsw" target="_blank">https://t1p.de/5bsw</a>

Meldung

Schutz vor und Hilfe bei Covid‐19‐Infektionen

Gegen Covid-19, die durch das Coronavirus Sars-CoV-2 ausgelöste Atemwegsinfektion, entwickeln Unternehmen und Forschungsinstitute Schutzimpfungen und Medikamente für bereits Erkrankte.Impfen | Eine weltweite öffentlich-private Allianz (Coalition for Epidemic Preparedness Innovations, Cepi) unters...

Kalibrieren schaffen Analysengeräte heute ohne menschliches Zutun. Bildgebende Systeme sortieren schlechte Produkte aus oder beurteilen ganze Chargen. Durch Abgleich mit Spektrenbibliotheken lassen sich Störsubstanzen schnell identifizieren, und für unbekannte Substanzen sagen Computermodelle das Infrarotspektrum vorher.
Was heute schon gängig ist: selbstkalibrierende Sensoren in der Prozessanalytik, etwa Inline-Thermometer. Diese kontrollieren temperatursensible Prozesse, exotherme wie endotherme. Ein Referenzsensor reagiert auf ein Unterschreiten seiner Curie-Temperatur, zum Beispiel bei Reinigungsarbeiten nach Abschluss eines Batches, und veranlasst dann automatisch die Rekalibrierung des Primärsensors. Dafür muss kein Techniker mehr die Sensoren ausbauen. Selbstkalibrierende Sensoren sind noch keine künstliche Intelligenz (KI), sondern ein ausgeklügelter Mechanismus.<h2>Vom Experten- zum lernenden System</h2>Mehr an KI erinnert dann die Beurteilung des Batchs: Ein Imagingsystem erkennt schadhafte Tabletten anhand ihrer Farbe oder Textur oder fehlerhafte Pipettenspitzen an der Form. Es katapultiert sie gegebenenfalls mit einem Luftstoß aus der Linie, oder ein Roboter entfernt sie mit einem Greifer. Bei zu vielen detektierten Fehlern wird die gesamte Charge verworfen.Programme zur Musteranalyse und -erkennung werten große Datenmengen anhand erlernter Regelsets aus und bringen sich die Entscheidungskriterien selbst bei. In der bildgebenden Diagnostik findet KI schadhaftes Gewebe und kann Therapien am Bildschirm vorausplanen.Noch einen Schritt weiter geht die Kopplung von KI-Software und mechanischen Systemen. Dies reicht vom Greifer, der schadhafte Einzelprodukte entfernt, bis zum OP-Roboter.1)<h2>Von der medizinischen zur Maschinendiagnose</h2>Die Voraussetzung für künstliche Intelligenz in chemischen Produktionsprozessen bilden Sensoren, die neben dem eigentlichen Messwert weitere Informationen liefern: etwa ein Füllstandsmesser mit Radartechnik, der nicht nur den Flüssigkeitspegel, sondern parallel auch Trennschichten, etwa Schaum, und störenden Ansatz an der eigenen Radarantenne erfasst. Ein weiteres Beispiel ist ein Durchflussmessgerät, das zudem Korrosion, Abrasion oder Beläge im Inneren seines Messrohrs meldet.Die Daten lassen sich in eine Cloud hochladen, und hier setzt künstliche Intelligenz im eigentlichen Sinne ein. Selbstlernende Systeme erkennen an Mustern, ob sich ein Prozess richtig verhält oder aus dem Ruder läuft.Auch die Produktqualität soll sich im laufenden Prozess abschätzen lassen und nicht erst bei der Endkontrolle. Beispiele liefert die Lebensmittelindustrie bei der Herstellung eines aufgeschäumten Käseprodukts: Die Daten von Massedurchfluss- und Druckmessgeräten verknüpft ein Diagnosesystem mit zwanzig weiteren Messgrößen, darunter Temperatur, Dichte und Viskosität sowie mit der Detektion der Gasblasen durch ein Coriolis-Durchflussmessgerät. Damit lassen sich bereits während des laufenden Prozesses Aussagen über die Homogenität des Endprodukts ableiten.<h2>Spektren automatisiert kategorisieren</h2>KI-Programme lassen sich mit vorhandenen Datensätzen trainieren. Anatole von Lilienfeld, Professor für theoretische Chemie an der Universität Basel, sagt so die Eigenschaften neuer Materialien vorher. Quantenmechanik und Hochleistungsrechner, die Näherungslösungen liefern, braucht er dann nicht.In der Analytik haben sich diese Erkenntnisse beim Kategorisieren von Spektren bewährt. Dies hat beim Pharmaunternehmen Novartis bei Massenspektren bisher ein promovierter Chemiker übernommen – Zeitbedarf: zirka zwanzig Minuten pro Spektrum, Fehlerquote: höher als bei der automatisierten Spektren-Kategorisierung im Millisekundentakt.Aus einem gemessenen Spektrum die betreffende Substanz zu bestimmen, erforderte bisher in vielen Fällen langwierige iterative Verfahren. KI könnte dies beschleunigen.In der Infrarotspektroskopie gibt es zurzeit eine ganze Reihe von Neuentwicklungen. Zum Beispiel haben Forscher der Universitäten Wien und Göttingen mit KI-Verfahren jetzt, statt wie bisher nur für kleine, auch für größere und komplexe Moleküle Infrarotspektren vorhersagen können.2) Die Grundlage bilden neuronale Netze, die aus Erfahrung lernen.In der Praxis könnte dies so ablaufen: Das Spektrum zeigt eine unbekannte Substanz. Selbst wenn ihr IR-Spektrum noch nie gemessen wurde, könnte man es doch simulieren und die Substanz darüber identifizieren, ohne sie synthetisiert und vermessen zu haben. Ebenso ließen sich Spektrenbibliotheken durch Errechnen neuer Spektren erweitern.Anhand einer Datenbank mit quantenchemischen Berechnungen lernen neuronale Netze, das Verhalten komplexer Moleküle zu analysieren. Wissenschaftler der Technischen Universität Berlin, des Fritz-Haber-Instituts der Max-Planck-Gesellschaft und der Universität Luxemburg gewinnen so etwa statistische Maße für Molekülstabilität und Aromatizität.3)<h2>Neuronale Netze gegen lückenhaftes Wissen</h2>Wenn man Infrarotspektren statt durch Messung durch KI-Modellation erhält sowie Stabilität und Aromatizität der Moleküle durch eine Verbindung von künstlicher Intelligenz und Quantenmechanik vorhersagt, ergänzt man im Grunde vorhandene reale Messwerte durch weitere, errechnete, und vervollständigt damit ein zuvor lückenhaftes Wissen.Ähnlich füllen Forscher die Lücken zwischen spärlich gesäten Messstationen für Umweltparameter wie Feinstaub, Stickstoff oder bodennahes Ozon (IntelliAQ, Forschungszentrum Jülich).4) Die dabei eingesetzten neuronalen Netze werden bewusst statt der sonst üblichen numerischen Näherungsrechnungen verwendet.Christian Ehrensberger ist freier Mitarbeiter der Nachrichten aus der Chemie.<figure><img src="https://media.graphcms.com/o2nRg9vmSMCUfCRal70B"><figcaption><label>Abb. 1: </label>Kontaminationsanalysen und Kontrolltests zu Materialspezifikationen: Die Analysesoftware sammelt und analysiert simultan Daten eines energiedispersiven Röntgenfluoreszenz-Spektrometers (RFA) und eines Fourier-Transform-Infrarotspektrometers (FTIR). Metalle und andere anorganische Substanzen sowie Polymere und andere organische Substanzen erhält man in einer Kombinationsmessung an ein und derselben Probe. In Sekunden ermittelt das System wahrscheinliche Kontaminationen durch Abgleich mit einer Kombinationsbibliothek. Foto: Shimadzu</figcaption></figure>
<h2>AUF EINEN BLICK</h2>Künstliche Intelligenz in der Prozessanalytik setzt Sensoren voraus, die mehr Informationen als einen Messwert liefern.Lernende Systeme werten analytische Daten aus, erkennen Muster und leiten daraus Regeln ab.Beim Auswerten von Spektren senkt KI die Fehlerquote.
<ul><li>
1 K. Gelencsér, <a href="https://www.spitta.de/fachthemen/zahnmedizin/digitale-zahnheilkunde/story/kuenstliche-intelligenz-in-der-zahnmedizin--was-bedeutet-das-fuer-ihre-praxis__245.html" target="_blank">www.spitta.de/fachthemen/zahnmedizin/digitale-zahnheilkunde/story/kuenstliche-intelligenz-in-der-zahnmedizin--was-bedeutet-das-fuer-ihre-praxis__245.html</a> (Stand 12.2.2020)</li><li>
2 A. Scheuermann, CHEMIE TECHNIK, 14.12.2017, 10–12</li><li>
3 K. T. Schütt, F. Arbabzadah, S. Chmiela, K.-R. Müller, A. Tkatchenko, Nat. Commun., DOI: 10.1038/ncomms13890</li><li>
4 Mitteilung der Forschungszentrum Jülich vom 16.04.2018; <a href="https://www.chemie.de/news/1154479/kuenstliche-intelligenz-soll-vorhersage-fuer-stickoxide-ozon-und-feinstaub-liefern.html" target="_blank">https://www.chemie.de/news/1154479/kuenstliche-intelligenz-soll-vorhersage-fuer-stickoxide-ozon-und-feinstaub-liefern.html</a> (Zugriff am 12.2.2020)</li></ul>

Meldung

Schutz vor und Hilfe bei Covid‐19‐Infektionen

Überprüfung Ihres Anmeldestatus ...