Verbund

DeepLTNBC - Ein systemorientierter Ansatz zum Verständnis chemotherapieinduzierter Veränderungen in der zellulären Zusammensetzung von heterogenen tripelnegativen Brusttumoren

Teilprojekte

Simultane Charakterisierung multipler Biomolekültypen zur Identifizierung

Förderkennzeichen: 01ZX1917A
Gesamte Fördersumme: 1.325.827 EUR
Förderzeitraum: 2019 - 2024
Projektleitung: Dr. Stefan Florian
Adresse: Charité - Universitätsmedizin Berlin - Institut für Pathologi
Charitéplatz 1
10117 Berlin

Simultane Charakterisierung multipler Biomolekültypen zur Identifizierung

Tripelnegative Brusttumoren sind eine Gruppe von hochaggressiven Krebserkrankungen mit vergleichsweise eingeschränkten therapeutischen Optionen und einer schlechten Prognose. Derzeit ist es nicht möglich, gezielt vorherzusagen, welche Patientinnen von bestimmten Therapien profitieren werden. Unser Ziel ist es, als Teil eines Verbunds von drei Arbeitsgruppen, neue therapeutische Ansätze zu entwickeln und es zu ermöglichen, nur jenen Patientinnen eine Therapie zukommen zu lassen, welche auch wirklich davon profitieren. Dadurch soll eine Entwicklung in Richtung einer personalisierten Therapie von tripelnegativem Brustkrebs angestoßen werden, welche letztlich eine optimale Krankenversorgung mit möglichst wenigen Nebenwirkungen ermöglichen soll.

Deep Learning-unterstützte Datenanalyse zur systembiologischen Tumorcharakter

Förderkennzeichen: 01ZX1917B
Gesamte Fördersumme: 956.797 EUR
Förderzeitraum: 2020 - 2025
Projektleitung: Dr. Katarzyna Bozek
Adresse: Universität zu Köln, Medizinische Fakultät, Zentrum für Molekulare Medizin (ZMMK)
Kerpener Str. 62
50937 Köln

Deep Learning-unterstützte Datenanalyse zur systembiologischen Tumorcharakter

Bilddaten spielen in der Krebsforschung eine wichtige Rolle. Ob bei der Fluoreszenzmarkierung von Zellen oder in der Gewebemorphologie, Bilder beinhalten reichhaltige biologische und diagnostische Informationen. Im Gegensatz zu den digitalen Sequenzdaten ist die Extraktion und Quantifizierung relevanter Signaturen aus pixelcodierten Bilddaten jedoch eine anspruchsvolle Aufgabe. Der jüngste Aufstieg des Deep Learning hat neue Ansätze in der Bilddatenanalyse ermöglicht, indem er Algorithmen zu Quantifizierung von Informationen aus visuellen Daten durch maschinelles Lernen anbieten, ohne dass spezielle Verarbeitungsschritte entworfen werden müssen. In diesem Teil des Konsortiums werden die neuen maschinellen Lernmethoden genutzt, um neue Erkenntnisse über die Biologie von dreifach negativem Brustkrebs zu gewinnen, der bisher überwiegend mit Hilfe von DNA- und RNA-Sequenzierung untersucht wird. Es werden Ansätze zur Untersuchung von Bild- und Videodaten in 2D und 3D entwickelt. So werden überwachte Methoden entwickelt, um in Bildern relevante, vom Mensch definierte Signale zu quantifizieren, wie z. B. Zellgröße oder die Konzentration eines fluoreszierend markierten Moleküls. Es werden auch unbeaufsichtigte und teilüberwachte Modelle zum Erlernen der Bilddarstellung eingesetzt, die eine explorative Analyse der Bilddaten auf der Suche nach potenziell unbekannten visuellen Signaturen im Zusammenhang mit den Krankheitsmerkmalen und dem Krankheitsverlauf ermöglichen. Schließlich werden Methoden entwickelt, um die Zelldynamik in Krebsgewebe zu untersuchen. Zusätzlich zur Bildanalyse werden alle bioinformatischen Sequenzanalysen durchgeführt und die verschiedenen experimentellen Modalitäten in eine umfassende systembiologische Datenanalysepipeline integriert.

Untersuchung der Dynamik von durch Chemotherapie induzierten Veränderungen in heterogenen Tumorzellpopulationen

Förderkennzeichen: 01ZX1917C
Gesamte Fördersumme: 1.376.074 EUR
Förderzeitraum: 2020 - 2025
Projektleitung: Prof. Dr. Ulrich Keilholz
Adresse: Charité - Universitätsmedizin Berlin, Comprehensive Cancer Center
Charitéplatz 1
10117 Berlin

Untersuchung der Dynamik von durch Chemotherapie induzierten Veränderungen in heterogenen Tumorzellpopulationen

Triple negative Brusttumoren sind eine Gruppe von hochaggressiven Krebserkrankungen mit vergleichsweise eingeschränkten therapeutischen Optionen und einer schlechten Prognose. Darum werden mathematische und experimentelle systembiologische Werkzeuge kombiniert, um die Reaktionen verschiedener triple negativer Brusttumoren auf eine Chemotherapiebehandlung zu charakterisieren und letztlich vorherzusagen. Insbesondere werden Experimente mit lebenden Einzelzellmikroskopietechniken durchgeführt, Korrelationen mit theoretischen Ansätzen getestet und topologiefreie und mathematische Tumormodelle verwendet, um die Rolle zellulärer und tumorphysiologischer Zustände bei Behandlungsergebnissen in triple negativen Brusttumoren-Zelllinienmodellen (TNBC) zu verstehen. Ziel ist es, Metriken zu erstellen und zu validieren, die die Reaktionen einer heterogenen Population von triple negativen Brustkrebszellen erklären und vorhersagen. Letztendlich soll verstanden werden, warum ähnlich diagnostizierte TNBC-Patienten unterschiedliche Therapieergebnisse haben. Zudem sollen prädiktive Biomarker identifiziert und optimale Behandlungspläne entwickelt werden, die auf bestimmte TNBC-Patienten zugeschnitten sind.