Neue Methoden zur individualisierenden Vorhersage des Ansprechens auf Immun-Checkpoint- und Proteinkinase-Inhibitoren bei metastasiertem Melanom

• Antragstellerin: Professorin Dr. Ulrike Leiter-Stöppke, seit 11/2025
• Fachliche Zuordnung: Dermatologie ; Bioinformatik und Theoretische Biologie ; Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 560972842

Hintergrund: Melanompatienten zeigen häufig eine Resistenz auf Immun-Checkpoint-Inhibitoren (ICI), was unter anderem auf Faktoren wie die Variabilität der PD-L1-Expression und genetische Mutationen zurückzuführen ist. BRAF-mutierte Melanompatienten werden mit Proteinkinaseinhibitoren (PKI) behandelt, die im Vergleich zu ICIs einen schnelleren, aber häufig kürzeren Überlebensvorteil bieten. ICIs sind jedoch teuer und werden mit immunbedingten Nebenwirkungen in Verbindung gebracht. Die Vorhersage, welche Behandlung (ICI oder PKI) für den jeweiligen Patienten wirksamer ist, ist von entscheidender Bedeutung, insbesondere für die Behandlung symptomatischer Hirnmetastasen, da Kortikosteroide, die zur Behandlung der damit verbundenen Symptome verabreicht werden, die Wirksamkeit der ICI verringern. Deshalb wollen wir personalisierte Krankheitsmodelle entwickeln, die auf individuellen Merkmalen beruhen und die Wirksamkeit der Behandlung auf der Grundlage des genetischen und immunologischen Profils eines Patienten vorhersagen. Wir erwarten, dass unsere Modelle die Behandlungsergebnisse unter verschiedenen Therapieschemata simulieren können, insbesondere für Patienten mit symptomatischen Hirnmetastasen, bei denen PKIs bei Patienten mit BRAFV 600-Mutation bevorzugt werden, auch wenn einige Patienten mehr von ICIs profitieren könnten. Eine zentrale Herausforderung ist der Bedarf an umfangreichen Patientendaten über die Größe der Läsionen, die oft nicht gut dokumentiert sind. KI-Algorithmen könnten helfen, indem sie die Messung der Läsionsgröße automatisieren. Methoden: Wir haben ein mathematisches Modell entwickelt, um das persönliche Ansprechen auf Pembrolizumab bei Patienten mit metastasiertem Melanom vorherzusagen. Im Rahmen des laufenden Projekts wird das mathematische Modell des Algorithmus verbessert, indem seine Komplexität erhöht und die Heterogenität zwischen den Patienten berücksichtigt wird. Der Algorithmus wird so erweitert, dass er alle Erstlinienmedikamente und eine breitere Patientenbasis abdeckt. Wir werden pseudo-anonymisierte retrospektive Daten von 300 Patienten sammeln, darunter etwa 3000 CT/MRT-Bilder, und ein KI-basiertes Tool (SimU-Net) zur Bewertung der Läsionsgrößen entwickeln. Diese Daten werden das Modell validieren, das genetische, molekulare und immunologische Faktoren zur Vorhersage des Tumorwachstums einbezieht. Erwartete Ergebnisse und zukünftige Arbeiten: Unser verfeinertes Modell wird dazu beitragen, die Melanombehandlung voranzutreiben, indem es Onkologen bei der Auswahl optimaler Therapien unterstützt, toxische und unwirksame Behandlungen minimiert und die Ergebnisse für die Patienten verbessert. Die Validierung des KI-Tools zur Bewertung von Hirn-, Leber- und Lungenmetastasen wird auch einen Beitrag zur breiteren biomedizinischen Forschung leisten und dem derzeitigen Mangel an radiologischem Fachwissen und dessen Kosten entgegenwirken.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Israel
• Partnerorganisation: The Israel Science Foundation
• Kooperationspartnerinnen / Kooperationspartner: Professorin Zvia Agur; Professor Dr. Leo Joskowicz
• Ehemalige Antragstellerin: Dr. Teresa Amaral, Ph.D., bis 11/2025