In-silico-Evaluierung von Interventionen für die molekulare Gesundheit/Verjüngung unter Verwendung von Omics-Datenanalysen durch Bioinformatik und generative KI

• Antragsteller: Professor Dr. Georg Fuellen
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 563142248

Molekulare Omics-Daten, biomedizinisches Hintergrundwissen und bioinformatische Tools können Vorhersagen über Interventionseffekte in den Bereichen der Biomedizin ermöglichen, die auf Langlebigkeit oder sogar Verjüngung abzielen. Diese Vorhersagen müssen hinsichtlich ihrer Korrektheit, Robustheit und Erklärbarkeit zufriedenstellend sein. KI-basierte Ansätze können über kurz oder lang einen wesentlichen Beitrag leisten. Gute Vorhersagen der gesundheitlichen Wirksamkeit und Toxizität auf der Grundlage von Ersatzbiomarkern sind erforderlich, da klinische Studien und medizinische Empfehlungen im Bereich der primären Prävention und Langlebigkeit des Menschen selten auf Langzeit-Follow-up-Daten basieren können, deren Erhebung Jahrzehnte dauert. Alterungsuhren sind als Surrogate beliebt, haben jedoch den Nachteil, dass sie auf Beobachtungsdaten trainiert werden, während Schlussfolgerungen viel zuverlässiger sind, wenn sie auf Interventionsdaten basieren; wir möchten direkt auf diesen trainieren. Bei Eingriffen an gesunden Menschen sind Erklärbarkeit/Interpretierbarkeit und Sicherheit/Toxizität besonders wichtig. Daher entwickeln wir EIRe, den Evaluator of Interventions of Rejuvenation. EIRe wird eine angewandte medizinische Bioinformatik-Pipeline sein, die die Gene/Protein-Expressionseffekte einer Intervention als Eingabe verwendet. EIRe platziert die Eingabe zusammen mit anderen bekannten Interventionen im Ähnlichkeitsraum und schlägt biomolekulare Mechanismen vor, die die Auswirkungen der Interventionen erklären, basierend auf Gen-Set-Enrichmentanalysen. Sein weiteres Ergebnis ist die Einbettung der zugrunde liegenden Gen-Set-Annotationen in ihren eigenen Ähnlichkeitsraum. Es konzentriert sich auf die Berechnung interpretierbarer linearer Kombinationen von Merkmalen, z.B. basierend auf Hauptkomponentenanalyse oder Gen-Set-Enrichment. Anschließend werden die besten Modelle des maschinellen Lernens als Prädiktoren für die gesundheitliche Wirksamkeit und Toxizität der Interventionen eingesetzt und dabei insbesondere der Wert der interpretierbaren linearen Kombinationen von Merkmalen untersucht. Insbesondere werden wir kontrastive PCA testen, die die Kontrollproben verwendet, um mit Störfaktoren zu umgehen, und automatisiertes maschinelles Lernen einsetzen. Konkret soll EiRE uns sagen, ob "rejuvenation interventions" die in den letzten Jahren versprochenen Effekte ohne toxische Nebenwirkungen erzielen können. Wir werden geeignete Benchmark-Daten nutzen und wir werden Möglichkeiten erkunden, EIRe-Ergebnisse durch generative KI zu verbessern. Die meisten unserer Analysen werden wir vorab registrieren. Insgesamt streben wir mit unseren Benchmarking-Daten und der Entwicklung von EIRe nach einfachen, fundierten und erklärbaren Möglichkeiten zur Bewertung biomedizinischer Interventionen hinsichtlich gesundheitlicher Wirksamkeit und Toxizität.

• DFG-Verfahren: Sachbeihilfen