Vergleich von Modellen der Krankheitsprogression bei Krebs und HIV und Entwicklung von Bewertungsmaßen zur statistischen Modellwahl
Zusammenfassung der Projektergebnisse
Ziel des Projekts war mit Hilfe von Progressionsmodellen zum besseren Verständnis eines Krankheitsverlaufs beitragen zu können. Das Verstehen eines Krankheitsprozesses kann sowohl für eine genauere und frühere Diagnose als auch für geeignetere individuelle Therapieentscheidungen nützlich sein. Ein großes Ziel ist daher, eine Krankheit so gut wie möglich zu verstehen. Für die Anwendungsgebiete der Modellierung der Tumorentwicklung bei Krebspatienten sowie der Medikamentenresistenz bei AIDS-Patienten sind bereits verschiedene Krankheitsprogressionsmodelle vorgeschlagen worden. Diese versuchen, Aussagen bezüglich Abhängigkeit, Unabhängigkeit und möglicher Reihenfolgen einzelner genetischer Ereignisse zu treffen. Mit Hilfe einer Simulationsstudie wurden einige dieser Modelle verglichen, um ihre Vor- und Nachteile gegenüberzustellen. Insgesamt ergab sich die Erkenntnis, dass alle Eigenschaften und Strukturen onkogenetischer Bäume durch ein CBN abgedeckt werden können. Die zwei bezüglich der Anpassungsgüte relevanten Modellklassen sind die Baum-Mischungs-Modelle und die verbindenden Bayes Netze (CBNs). Ist nicht bekannt, aus welcher Modellklasse die zugrunde liegenden Daten stammen, werden geeignete Modellwahlstrategien benötigt, die aus einer Menge von Modellklassen ein geeignetes Modell auswählen. Es wurden vier Modellwahlkriterien verglichen. Für Modelle mit nur einer Baumkomponente trafen alle Kriterien eine gleichermaßen qualifizierte Entscheidung, während für onkogenetische Baum-Mischungs-Modelle keines der Kriterien nachvollziehbare belastbare Ergebnisse aufwies. Vor dem Anpassen eines Progressionsmodells ist es wichtig, eine geeignete Auswahl an Ereignissen zu treffen, anhand derer der Krankheitsverlauf beschrieben werden soll. Anhand einer umfangreichen Simulationsstudie mit zehn verschiedenen Variablenselektionsverfahren erwies sich die Identifikation von Cliquen als sehr vielversprechend. Sowohl bereits in der Literatur bekannte Ereignisse als auch Erweiterungen einzelner Krankheitspfade konnten dadurch identifiziert werden. Neben den Simulationsstudien zur statistischen Bewertung der Progressionsmodelle wurden verschiedene reale Datensätze (Meningiom, Glioblastom, HIV, Prostatakrebs und multiples Myelom) mit Hilfe von Krankheitsprogressionsmodellen analysiert.
Projektbezogene Publikationen (Auswahl)
- (2012): Cumulative disease progression models for cross-sectional data: A review and comparison. Biometrical Journal 54(5):617-640
Hainke, K., Rahnenführer J., und Fried, R.
(Siehe online unter https://doi.org/10.1002/bimj.201100186) - (2017): Variable selection for disease progression models: methods for oncogenetic trees and application to cancer and HIV. BMC Bioinformatics 18:358
Hainke, K., Szugat, S., Fried, R. und Rahnenführer, J.
(Siehe online unter https://doi.org/10.1186/s12859-017-1762-1) - Statistische Analyse von Modellen für die Krankheitsprogression, Dissertation, Dortmund, Technische Universität, 2017. 131. Bl.
Katrin Hainke
(Siehe online unter https://dx.doi.org/10.17877/DE290R-18308)
