Teilprojekt eines Verbundes

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

Förderkennzeichen: 01ZX1904D
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

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.