Verbund

COMMITMENT - Modellierung von Komorbiditäts-Prozessen durch integratives, maschinelles Transfer-Lernen für psychiatrische Erkrankungen

Teilprojekte

TP1: Entwicklung einer Informationstechnologie - Lösung zur Anwendung von verteiltem maschinellen Lernen

Förderkennzeichen: 01ZX1904A
Gesamte Fördersumme: 713.137 EUR
Förderzeitraum: 2019 - 2022
Projektleitung: Prof. Dr. Andreas Meyer-Lindenberg
Adresse: Zentralinstitut für Seelische Gesundhe
J 5
68159 Mannheim

TP1: Entwicklung einer Informationstechnologie - Lösung zur Anwendung von verteiltem maschinellen Lernen

Psychotische Erkrankungen wie die Schizophrenie oder die bipolare Störung gehören zu den schwersten psychischen Störungen und stellen eine massive klinische Herausforderung und eine erhebliche Belastung für das Gesundheitswesen dar. Die Diagnose dieser Erkrankung beruht auf klinischen Kriterien und berücksichtigt die zugrunde liegende Biologie nicht ausreichend. Patienten werden trotz der Heterogenität in klinischen Verläufen, dem Ansprechen auf Therapie und dem Auftreten von somatischen Komorbiditäten wie der Typ-2-Diabetes, kardiovaskulären Erkrankungen oder neurodegenerativen Prozessen, zumeist durch einen "one-fits-all" Ansatz behandelt. Biologische Hilfsmittel zur Stratifikation von Patienten mit psychotischen Erkrankungen und zur Identifikation der biologischen Grundlagen somatischer Komorbidität werden dringend benötigt. Dies wird eine verbesserte klinische Differenzierung von psychotischen Erkrankungen, sowie die Entwicklung neuer interventioneller, auf die Minimierung des Komorbiditäts-Risikos ausgerichteter, Strategien ermöglichen. Dafür wird COMMITMENT Stratifikations-Ansätze, die in der Onkologie bereits erfolgreich eingesetzt wurden, erweitern, um psychotische Erkrankungen zu stratifizieren. Zudem wird in COMMITMENT die Vorhersagekraft der zugrunde liegenden biologischen Profile für den Krankheitsverlauf, das Therapie-Ansprechen und das Auftreten von Komorbidität in frühen Krankheitsphasen getestet. Das Zentralinsitut für Seelische Gesundheit übernimmt dabei die Aufgabe, eine IT-Lösung zu implementieren, die die Anwendung von maschinellem Lernen auf verteilten Datenbanken ermöglicht, um so Komorbiditäts-Signaturen zu identifizieren. Damit schafft COMMITMENT die Grundlage für biologische Hilfsmittel, die eine verbesserte, personalisierte Behandlung von Patienten mit psychotischen Erkrankungen erlauben.

TP2 Daten-Koordination und -Expansion, klinische Validierung

Förderkennzeichen: 01ZX1904B
Gesamte Fördersumme: 1.298.860 EUR
Förderzeitraum: 2019 - 2022
Projektleitung: PD Dr. Franziska Degenhardt
Adresse: Rheinische Friedrich-Wilhelms-Universität Bonn, Universitätsklinikum, Biomedizinisches Zentrum, Institut für Humangenetik
Venusberg-Campus 1
53127 Bonn

TP2 Daten-Koordination und -Expansion, klinische Validierung

Das zentrale Ziel des Forschungsverbundes COMMITMENT ist die Identifizierung biologischer Mechanismen und Profile, die relevant für die Entstehung von psychotischen Erkrankungen und deren somatischen Komorbiditäten (insbesondere kardiovaskulärer Erkrankungen) sind. Ein besseres Verständnis der den Erkrankungen zugrundeliegenden biologischen Prozessen wird ggf. zukünftig eine Gruppierung von Patienten anhand ihrer biologischen Profile (Stratifikation) ermöglichen und den Weg zu einer Risikoprofil-adaptierten Behandlung ebnen. Das Universitätsklinikum Bonn leitet Teilprojekt 2 und ist hauptverantwortlich für das Bereitstellen verschiedener Datenmodalitäten aus großen nationalen und internationalen Kohorten, die für die Erstellung der biologischen Krankheitsprofile relevant sind. Weiterhin wird von Teilprojekt 2 die geplante klinische Validierung der identifizierten biologischen Erkrankungsprofile durchgeführt. Die im Rahmen von COMMITMENT zu analysierenden biologischen Profile setzen sich unter anderem zusammen aus Genotyp-, Genexpressions- und klinischen Daten. Da bisher nicht von allen zur Verfügung stehenden Kohorten Genexpressionsdatensätze erhältlich sind, wird in Teilprojekt 2 die Genexpression bei insgesamt 4.000 Probanden mittels RNA-Sequenzierung untersucht. In einem nächsten Schritt werden komplexe bioinformatische Analysen durchgeführt werden, um genetische Faktoren und Genexpressionsprofile zu identifizieren, die entweder besonders das Risiko für eine psychotische Erkrankung erhöhen oder aber sowohl den psychotischen und den untersuchten somatischen Erkrankungen zugrunde liegen. Die im Rahmen von COMMITMENT identifizierten biologischen Profile für psychotische und/oder somatische Erkrankungen werden in unabhängigen Patientenkollektiven hinsichtlich ihrer Vorhersagekraft für das Auftreten von Komorbiditäten in frühen Krankheitsphasen, den Behandlungserfolg und den Krankheitsverlauf untersucht.

TP3: System-Medizinisches Wissen und Mechanismen

Förderkennzeichen: 01ZX1904C
Gesamte Fördersumme: 520.899 EUR
Förderzeitraum: 2019 - 2022
Projektleitung: Prof. Dr. Martin Hofmann-Apitius
Adresse: Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen (SCAI)
Schloss Birlinghoven
53757 Sankt Augustin

TP3: System-Medizinisches Wissen und Mechanismen

Das Ziel des Forschungsvorhabens "COMMITMENT" ist die Identifizierung von Sub-Gruppen von psychotischen Patienten, die durch die gleichen Krankheitsmechanismen gekennzeichnet sind. Die Hoffnung im Bereich der Therapie ist, dass eine solche Unterscheidung ("Stratifizierung") eine sehr viel stärker an den Ursachen orientierte, "zielgerichtete" Behandlung zulässt. Im Projekt COMMITMENT sollen die in der Tumorbiologie gewonnenen Einsichten und hier speziell die Strategien bei der Modellierung und Interpretation von Krankheitsmechanismen nutzen, um die Stratifizierung von Patienten mit Psychosen zu verbessern. Als Angriffspunkt für die Mechanismus-basierte Stratifizierung von Patienten mit Psychosen dienen die "Co-Morbiditäten", die solche Patienten aufweisen: Co-Morbiditäten sind in diesem Fall Krankheitsbilder, die mit einer Psychose einhergehen und darauf hinweisen, dass die Psychose Ausdruck einer weitergehenden Störung in der Physiologie der betroffenen Zellen, Gewebe und Organe sein könnten. Partner FRAUNHOFER übernimmt im Projekt das Teilprojekt 3 "TP3 –Systems medicine knowledge and mechanisms". In diesem Teilprojekt wird das in der wissenschaftlichen Literatur vorhandene Wissen im Bereich der Psychotischen Erkrankungen und ihrer Co-Morbiditäten (Diabetes; Neurodegenerative Erkrankungen) systematisch gesammelt und in einer Form abgebildet, in der es für maschinelle Lernverfahren in den Arbeitspaketen 4 und 5 nutzbringend eingesetzt werden kann.

TP4: Entwicklung von Methoden zur Extraktion und Vergleich von Signaturen aus heterogenen klinischen und molekularen Daten

Förderkennzeichen: 01ZX1904D
Gesamte Fördersumme: 415.915 EUR
Förderzeitraum: 2019 - 2022
Projektleitung: Dr. Carl Herrmann
Adresse: Ruprecht-Karls-Universität Heidelberg - Universitätsklinikum Heidelberg - Medizinische Fakultät - Health Data Science Unit - Biomedical Genomics Group - BioQuant
Im Neuenheimer Feld 267
69120 Heidelberg

TP4: Entwicklung von Methoden zur Extraktion und Vergleich von Signaturen aus heterogenen klinischen und molekularen Daten

Psychotische Störungen, einschließlich Schizophrenie und bipolarer Störungen, gehören zu den schwersten psychischen Erkrankungen, die eine enorme Belastung für die klinische und gesundheitliche Versorgung verursachen. Insbesondere bei Schizophrenie ist die diagnostische Abgrenzung dieser Zustände klinisch definiert, berücksichtigt jedoch die zugrunde liegenden biologischen Prozesse nicht angemessen. Das zentrale Ziel dieses Forschungsvorhabens ist eine bessere Stratifikation von psychotischen Erkrankungen unter Berücksichtigung von klinischen, bildgebenden und molekularen Daten und die Identifikation von biologischen Signaturen dieser Erkrankung. Solche Signaturen werden durch den Beitrag von unterschiedlichen molekularen Größen definiert, wie die Expression von bestimmten Genen, die Konzentration von Metaboliten oder besondere Strukturen aus Bilddaten. Weiterhin wird nach gemeinsamen Mechanismen gesucht, die der Komorbidität mit somatischen Erkrankungen zugrunde liegen. Ein Schwerpunkt des interdiziplinären Projekts ist dabei, die Vorhersagekraft der Signaturen für den Krankheitsverlauf, Behandlungserfolg und das Auftreten von Komorbiditäten in frühen Krankheitsphasen zu untersuchen. Die Health Data Science Unit der Medizinischen Fakultät Heidelberg wird die Erstellung und Validierung von Methoden leiten, um aus multidimensionalen Daten mit heterogenen Daten kombinierte Signaturen zu extrahieren, die dem Vergleich zwischen unterschiedlichen Krankheitsbildern dienen wird. Weiterhin wird die Entwicklung von Verfahren vorangetrieben, um über verteilte Datensätze mit unterschiedlichen Datenabdeckungen Modelle anhand von Transfer Learning Ansätzen zu erstellen. Dazu werden innovative Algorithmen, die bereits in anderen Feldern erfolgreich benutzt wurden weiterentwickelt um effizient über verteilte Datensätze angewendet werden zu können.

TP5: Multimodale Stratifikations- und Komorbiditätsanalysen

Förderkennzeichen: 01ZX1904E
Gesamte Fördersumme: 421.580 EUR
Förderzeitraum: 2019 - 2022
Projektleitung: Prof. Nikolaos Koutsouleris
Adresse: Klinikum der Universität München - Klinik für Psychiatrie und Psychotherapie
Nußbaumstr. 7
80336 München

TP5: Multimodale Stratifikations- und Komorbiditätsanalysen

Das zentrale Ziel dieses Forschungsvorhabens ist die Stratifikation von psychotischen Erkrankungen und die Identifikation von biologischen Signaturen, die derer Komorbidität mit somatischen Erkrankungen zugrunde liegen. Ein Schwerpunkt des interdisziplinären Projekts ist dabei, die Vorhersagekraft der Komorbiditäts-Signaturen für den Krankheitsverlauf, Behandlungserfolg und das Auftreten von Komorbiditäten in frühen Krankheitsphasen zu untersuchen. Die Ludwig-Maximilians-Universität (LMU) übernimmt dabei 1) die Integration von Kausal- (SP3) und Transferlearning-Ansätzen (SP4) in die komorbiditätsbasierte Stratifikation von Patienten mit psychotischen und affektiven Erkrankungen,  2) die klinische Querschnitts- und Verlaufsanalyse von stratifizierten Patienten, sowie 3) die Erstellung von Prädiktionsmodellen für die identifizierten komorbiditätsbasierten Verläufe.