Vorhersage personalisierter Medikamentenkombinationen in der Krebsbehandlung unter Verwendung von Deep Learning und Patientendaten

• Antragsteller: Dr. Michael Strasser
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik ; Bioinformatik und Theoretische Biologie
• Förderung: Förderung von 2016 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 324453217

Zwei Faktoren mindern den Erfolg der gezielten Krebstherapie: Tumorresistenz und Tumorheterogenität. Tumorheterogenität erschwert die Stratifizierung von Patienten, da jeder Patient unter einem individuellen Tumor leidet, der auf Medikamente individuell anspricht. Tumorresistenz ist der Hauptgrund für das endgültige Scheitern einer Krebstherapie. Kombinationstherapien, bei denen mehrere Medikamente verabreicht werden, versprechen diese Probleme zu lösen. Neue Medikamentenkombinationen rein experimentell mit konventionellem "High-throughput screenings" zu finden, ist extrem ineffizient. Deshalb werden computergestützte Methoden zur Vorhersage von potentiellen Medikamentenkombinationen angewandt. Die Dynamik des unterliegenden zellulären genregulatorischen Netzwerks, z.B. dessen Reaktion auf ein Medikament, und patientenspezifische Informationen, wie der Genotyp, wurden von existierenden Vorhersagemethoden nicht berücksichtigt. Obwohl die Menge an patientenbezogenen Genomics- und Transcriptomics-Daten stetig wächst, existieren derzeit keine computergestützten Methoden, die diesen Datenreichtum hierbei gezielt ausnutzen.Ziel des vorgestellten Projekts ist es, datengetriebene Methoden und Algorithmen zu entwickeln, um unter Berücksichtigung patientenspezifischer Informationen Medikamentenkombinationen zur wirksame und resistenzfreie Krebstherapien vorzuschlagen, welche im Anschluss experimentell getestet werden können. Die Theorie dynamischer Systeme bildet die theoretische Grundlage des Projekts, während aktuelle Methoden aus dem maschinellen Lernen (Deep Learning) es erlauben, große verfügbare Datensätze aus der Krebsforschung zu verarbeiten und auszunutzen. Im Fokus steht eine personalisierte Behandlungsstrategie basierend auf dem Genotyp des Patienten, welcher einen starken Einfluss auf den Erfolg der Behandlung hat und gegenwärtig bereits patientenspezifische genomische Informationen bie der Behandlung erhoben werden. Zunächst soll ein Algorithmus entwickelt werden, der anhand der Theorie dynamischer Systeme und Transcriptomics-Daten neue Targetproteine für eine Behandlung vorschlägt. Unter Verwendung von Deep Learning werden patientenspezifische Medikamentenkombinationen errechnet, die diese Targetproteine beeinflussen. Um das Problem der Tumorheterogenität zu addressieren, wird eine Methode entwickelt, welche in existierenden, bildbasierten "High-throughput screenings" resistente Tumorsubpopulationen identifiziert. Auf Basis dieser Analyse können im Anschluss Medikamentenkombinationen errechnet werden, die nicht nur Teilpopulationen sondern den gesamten Tumor behandeln. Die vorgestellten Methoden können einen wichtigen Beitrag für das Design von zukünftigen Kombinationstherapien leisten, da sie als datengetriebene Methoden zur personalisierte Krebsbehandlung unmittelbar vom Datenreichtum in der kommenden Ära der "Big Data Medicine" profitieren werden.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Gastgeber: Professor Sui Huang, Ph.D.