Verbund

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

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 Erkrankungen beruht auf klinischen Kriterien und berücksichtigt die zugrunde liegende Biologie nicht ausreichend. Patienten werden trotz der Vielgestaltigkeit 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 allumfassenden Ansatz behandelt. Biologische Hilfsmittel zur Stratifikation von Patienten mit psychotischen Erkrankungen und zur Identifikation der biologischen Grundlagen von Begleiterkrankungen werden dringend benötigt. Dies wird eine verbesserte klinische Differenzierung von psychotischen Erkrankungen sowie die Entwicklung neuer, auf die Verringerung des Risikos für Begleiterkrankungen ausgerichteter Strategien ermöglichen. Dafür wird der Forschungsverbund COMMITMENT in der Krebsmedizin bereits verwendete Ansätze erweitern, um psychotische Erkrankungen besser behandeln zu können. Zudem wird in COMMITMENT die Vorhersagekraft der zugrunde liegenden biologischen Profile für den Krankheitsverlauf, das Therapie-Ansprechen und das Auftreten von Begleiterkrankungen in frühen Krankheitsphasen getestet. Damit schafft COMMITMENT die Grundlage für biologische Hilfsmittel, die eine verbesserte, personalisierte Behandlung von Patienten mit psychotischen Erkrankungen erlauben.

Der Verbund COMMITMENT startete am 01.10.2019 und wurde nach der Zwischenbegutachtung am 26. und 27.01.2022 zur Förderung von weiteren zwei Jahren empfohlen.

Teilprojekte

Entwicklung einer Informationstechnologielösung zur Anwendung von verteiltem maschinellem Lernen

Förderkennzeichen: 01ZX2204A
Gesamte Fördersumme: 461.643 EUR
Förderzeitraum: 2023 - 2025
Projektleitung: Prof. Dr. Andreas Meyer-Lindenberg
Adresse: Zentralinstitut für Seelische Gesundheit
I 5
68159 Mannheim

Entwicklung einer Informationstechnologielösung zur Anwendung von verteiltem maschinellem 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 Erkrankungen beruht auf klinischen Kriterien und berücksichtigt die zugrunde liegende Biologie nicht ausreichend. Patientinnen und 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. In der zweiten Förderphase übernimmt das Zentralinstitut für Seelische Gesundheit weiterhin das Projektmanagement, sowie die Fortentwicklung der Informations-Technologie (IT) Infrastruktur, durch die Techniken des Maschinellen Lernens auf verteilten Datensätzen angewendet und Komobiditäts-Signaturen identifiziert werden können. Damit schafft COMMITMENT die Grundlage für biologische Hilfsmittel, die eine verbesserte, personalisierte Behandlung von Patientinnen und Patienten mit psychotischen Erkrankungen erlauben.

Daten-Koordination und -Expansion, klinische Validierung

Förderkennzeichen: 01ZX2204B
Gesamte Fördersumme: 314.233 EUR
Förderzeitraum: 2023 - 2025
Projektleitung: Jun.-Prof. Dr. Andreas Forstner
Adresse: Universitätsklinikum Bonn, Institut für Humangenetik
Sigmund-Freud-Str. 25
53127 Bonn

Daten-Koordination und -Expansion, klinische Validierung

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 Erkrankungen beruht auf klinischen Kriterien und berücksichtigt die zugrunde liegende Biologie nicht ausreichend. Patientinnen und 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 Patientinnen und 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. Die Universität Bonn übernimmt weiterhin die Koordination und Erweiterung von umfangreichen Datensätzen für das COMMITMENT-Netzwerk und die klinische Validierung der durch die Projektpartner entwickelten Algorithmen in unabhängigen Quer- und Längsschnitt-Kohorten, um in Zukunft eine Grundlage für eine mögliche klinische Translation bilden zu können.

System-Medizinisches Wissen und Mechanismen

Förderkennzeichen: 01ZX2204C
Gesamte Fördersumme: 195.584 EUR
Förderzeitraum: 2023 - 2025
Projektleitung: Alpha Tom Kodamullil
Adresse: Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen
Schloss Birlinghoven
53757 Sankt Augustin

System-Medizinisches Wissen und Mechanismen

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 interdisziplinären Projekts ist dabei, die Vorhersagekraft der Signaturen für den Krankheitsverlauf, Behandlungserfolg und das Auftreten von Komorbiditäten. FRAUNHOFER konzentriert sich in diesem Projekt auf die Generierung von Mechanismeninventaren und deren Anwendung auf Patientendaten zur Stratifizierung. Eine erfolgreiche Umsetzung solch systemmedizinischer Ansätze in der Psychiatrie hängt von der Fähigkeit ab, pathogenetische Mechanismen genau zu modellieren und diese für die Analyse des maschinellen Lernens verfügbar zu machen. Mechanistische Informationen werden nun aus der wissenschaftlichen Literatur identifiziert und extrahiert und Expertenwissen von den beteiligten biomedizinischen und klinischen Forschungsinstituten erfasst.

Entwicklung von Methoden zur Extraktion und Vergleich von Signaturen aus heterogenen klinischen und molekularen Datensätzen

Förderkennzeichen: 01ZX2204D
Gesamte Fördersumme: 202.179 EUR
Förderzeitraum: 2023 - 2025
Projektleitung: Dr. Carl Herrmann
Adresse: Universität Heidelberg, BioQuant Zentrum
Im Neuenheimer Feld 267
69120 Heidelberg

Entwicklung von Methoden zur Extraktion und Vergleich von Signaturen aus heterogenen klinischen und molekularen Datensätzen

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. Die Arbeitsgruppe der Universität Heidelberg wird die Erstellung von Machine Learning (ML) Modellen weiterführen, und diese auf konsortiumsinterne Expressionsdaten anwenden, um Komorbiditätssignaturen zu definieren und diese in Validierungskohorten zu identifizieren. Dazu sollen auch knowledge-graphs in die interpretierbaren ML Modelle einfließen.

Multimodale Stratifikations- und Komorbiditätsanalysen

Förderkennzeichen: 01ZX2204E
Gesamte Fördersumme: 235.929 EUR
Förderzeitraum: 2023 - 2025
Projektleitung: Prof. Nikolaos Koutsouleris
Adresse: Klinikum der Universität München, Klinik für Psychiatrie und Psychotherapie
Nußbaumstr. 7
80336 München

Multimodale Stratifikations- und Komorbiditätsanalysen

Psychotische Störungen, einschließlich Schizophrenie und bipolare Störungen, gehören zu den schwersten psychischen Erkrankungen, die eine enorme klinische und gesundheitliche Belastung darstellen. Die diagnostische Abgrenzung dieser Erkrankungen ist klinisch definiert und berücksichtigt nicht in angemessener Weise die zugrunde liegende Biologie. Die Patientinnen und Patienten werden weitgehend nach einem "Einheits"-Ansatz behandelt, obwohl der Verlauf, das Ansprechen auf die Behandlung und das Vorhandensein von somatischen Begleiterkrankungen wie Typ-2-Diabetes, Herz-Kreislauf-Erkrankungen und neurodegenerativen Prozessen sehr unterschiedlich sind. Es besteht ein dringender Bedarf an Mitteln zur Stratifizierung von Patienten mit psychotischen Störungen und zur Ermittlung der biologischen Grundlage somatischer Komorbiditäten. Dies wird eine bessere klinische Abgrenzung psychotischer Erkrankungen ermöglichen und neue Interventionsstrategien erleichtern, die auf die Minimierung des Komorbiditätsrisikos abzielen und die Mortalität und Morbidität verringern. Um dies zu erreichen, wird COMMITMENT psychotische Störungen stratifizieren und biologische Bereiche identifizieren, die mit Komorbiditäten einhergehen. Im Rahmen dieses Projekts wird die Gruppe der Ludwig-Maximilians-Universität weiterhin robuste multivariate Methoden entwickeln, um Patientinnen und Patienten mit psychotischen Störungen biologisch zu stratifizieren und biologische Bereiche zu identifizieren, die mit somatischen Komorbiditäten gemeinsam sind. Auf diese Weise wird COMMITMENT die Grundlage für biologisch fundierte klinische Instrumente für eine verbesserte personalisierte Versorgung von Patienten mit psychotischen Störungen schaffen.

Abgeschlossen

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

Förderkennzeichen: 01ZX1904A
Gesamte Fördersumme: 713.137 EUR
Förderzeitraum: 2019 - 2023
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.

Abgeschlossen

TP2 Daten-Koordination und -Expansion, klinische Validierung

Förderkennzeichen: 01ZX1904B
Gesamte Fördersumme: 1.298.860 EUR
Förderzeitraum: 2019 - 2023
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.

Abgeschlossen

TP3: System-Medizinisches Wissen und Mechanismen

Förderkennzeichen: 01ZX1904C
Gesamte Fördersumme: 520.899 EUR
Förderzeitraum: 2019 - 2023
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.

Abgeschlossen

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 - 2023
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.

Abgeschlossen

TP5: Multimodale Stratifikations- und Komorbiditätsanalysen

Förderkennzeichen: 01ZX1904E
Gesamte Fördersumme: 421.580 EUR
Förderzeitraum: 2019 - 2023
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.