M3-NAFLD: Mikrobiombasierte maschinelle Lernmodelle zur besseren Diagnose der nichtalkoholischen Fettlebererkrankung

• Antragsteller: Professor Gianni Panagiotou, Ph.D.
• Fachliche Zuordnung: Gastroenterologie ; Bioinformatik und Theoretische Biologie ; Mikrobielle Ökologie und Angewandte Mikrobiologie
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 544831821

M3-NAFLD zielt darauf ab, das klinische Management der nicht-alkoholischen Fettlebererkrankung (NAFLD), der Hauptursache für Lebermorbidität und -mortalität, zu verbessern, indem die Rolle des Darmmikrobioms bei der NAFLD-Pathogenese erforscht und hocherklärende maschinelle Lernmodelle (ML) für ein verbessertes, nicht-invasives Screening und Staging entwickelt werden. NAFLD ist eine chronische Erkrankung, bei der sich Fett in den Leberzellen ansammelt, ohne dass ein übermäßiger Alkoholkonsum vorliegt. Aufgrund der steigenden Prävalenz von Adipositas und Typ-2-Diabetes sind mehr als 32 % der Weltbevölkerung von NAFLD bedroht. Fortgeschrittene Krankheitsstadien wie Fibrose, Zirrhose und hepatozelluläres Karzinom treten immer häufiger auf. Trotz der alarmierenden Prävalenz ist die klinische Behandlung der NAFLD unzureichend, um die zunehmende soziale und wirtschaftliche Belastung zu bewältigen. Kritische Einschränkungen auf der Ebene der Diagnose (Abhängigkeit von Leberbiopsien) und der Stadieneinteilung (komplexe Pathogenese in Verbindung mit mehreren metabolischen Faktoren) sowie ein begrenztes Bewusstsein für die Erkrankung in der medizinischen Gemeinschaft führen dazu, dass die meisten frühen Stadien bis zu den späten und potenziell irreversiblen Stadien der Erkrankung vernachlässigt werden. Im Rahmen von M3-NAFLD und dank unserer gut phänotypisierten Kohorte zur Untersuchung von NAFLD mit Zugang zu konventionellen (klinischen und biochemischen) und unkonventionellen (omics und meta-omics) Daten, haben wir uns vorgenommen: • Mikrobiom-Gemeinschaften und Wirtsmetaboliten und -lipide in verschiedenen histologisch nachgewiesenen Stadien der Erkrankung zu charakterisieren, um das derzeitige Verständnis der NAFLD-Pathogenese zu erweitern, • hochauflösende gradig erklärbare ML-Modelle für ein besseres und histologiefreies Screening und Staging von NAFLD-Patienten zu entwickeln, • ML-Modelle für die Phänotypisierung auf primärer (bevölkerungsweites und niedrigauflösendes Screening) und sekundärer (personalisiertes und hochauflösendes Staging) Ebene zu erforschen, die einen Paradigmenwechsel von einer leberzentrierten, histologieabhängigen zu einer patientenzentrierten, nicht-invasiven Multi -Biomarker-Definition der Erkrankung unterstützen können. Die Integration dieser enormen Datenmenge wird die komplexen molekularen Interaktionen zwischen dem Darmmikrobiom, dem Wirtsmetabolom und der Pathogenese der Erkrankung erhellen, wobei der Schwerpunkt auf den beiden prominenten NAFLD-Markern, der Leberentzündung und der Fibrose, liegt. Wir hoffen, dass unsere Erkenntnisse als Grundlage für die Entwicklung mikrobiombasierter Therapeutika dienen können. Schließlich erwarten wir, dass wir durch die Erforschung verschiedener Familien von ML-Methoden hoch erklärbare, präzise Modelle erstellen können, die sich von Klinikern interpretieren lassen. Damit bewegen wir uns weg von unerklärlichen Black-Box-ML-Modellen hin zur medizinischen Anwendbarkeit.

• DFG-Verfahren: Sachbeihilfen