Drug-pertubations - DFG
Kontrafaktisches domänenadaptives maschinelles Lernen für personalisierte Medikamentempfehlungen in der Krebstherapie
Förderung durch:
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 567400630
Förderzeitraum:
10/2025 - 09/2028 (36 Monate)
Beschreibung:
Hochdurchsatz-Perturbationsscreenings sind ein experimenteller Ansatz, um die kausalen Auswirkungen chemischer und genetischer Perturbationen auf Krebszelllinien zu entschlüsseln. So können eine Vielzahl von Interventionen getestet werden – von einzelnen Medikamenten bis hin zu komplexen Medikamentenkombinationen und CRISPR-Interferenz. Dies hat sie zu einer unschätzbaren Ressource für die Entwicklung neuer therapeutischer Ansätze gemacht.
Ungeachtet dessen macht einerseits die kombinatorische Komplexität potenzieller Interventionen eine umfassende Exploration durchführbar unmöglich, und andererseits versagen modellgestützte Erkenntnisse häufig bei der Übertragung auf in vivo Tumore.
In diesem Projekt werden wir Erkenntnisse aus der kausalen Modellierung, dem Transferlernen und der Data Augmentation nutzen, um neue Behandlungsoptionen in Krebstherapien zu identifizieren und bestehende zu optimieren. Der Schlüssel zu diesem Projekt wird darin bestehen, Wissen aus mehreren Datenressourcen zusammenzuführen und mittels Methoden der künstlichen Intelligenz den Raum der Interventionen auf unbekannte Wirkstoffe, Wirkstoffkombinationen und Wirkstoffkonzentrationen zu extrapolieren.
Diese Aufgabe wird mit Einzelzell- und Bulk-Transkriptomdaten von in vitro Krebszelllinien verfolgt. Unsere Modelle werden anschließend an reale Tumormessungen angepasst, um personalisierte Therapieempfehlungen zu ermöglichen.
Um dieses Ziel zu erreichen, werden wir:
(1) Algorithmen für kausales Repräsentationslernen entwickeln, um die Auswirkungen neuer Medikamente, Wirkstoffkombinationen und Wirkstoffkonzentrationen vorherzusagen;
(2) Transferlernansätze entwickeln, die Erkenntnisse aus verschiedenen Perturbationsexperimenten kombinieren;
(3) systematische Unterschiede zwischen Krebszelllinien und realen Tumorproben modellieren und kompensieren; sowie
(4) Wirkstoffinformationen in Vorhersagemodelle integrieren.
Schließlich werden wir alle diese Komponenten kombinieren, um die Wirksamkeit neuer Wirkstoffkombinationen in vitro und in vivo vorherzusagen – und unsere Modellvorhersagen werden wir in umfassenden Experimenten validieren.
Kooperationspartner:
Professor Michael Altenbuchinger, Ph.D.
Professorin Dr. Anne-Christin Hauschild
Professor Dr. Günter Schneider