Kontrafaktisches domänenadaptives maschinelles Lernen für personalisierte Medikamentempfehlungen in der Krebstherapie

• Antragstellerinnen / Antragsteller: Professor Michael Altenbuchinger, Ph.D.; Professorin Dr. Anne-Christin Hauschild; Professor Dr. Günter Schneider
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 567400630

Hochdurchsatz-Perturbationsscreenings sind ein experimenteller Ansatz um die kausalen Auswirkungen chemischer und genetischer Perturbationen auf Krebszelllinien zu entschlüsseln. So können eine Vielzahl von Interventionen getestet werden, von einzelnen Medikamenten bis hin zu komplexen Medikamentenkombinationen und CRISPR-Interferenz. Dies hat sie zu einer unschätzbaren Ressource für die Entwicklung neuer therapeutischer Ansätze gemacht. Ungeachtet dessen, macht einerseits die kombinatorische Komplexität potenzieller Interventionen eine umfassende Exploration undurchführbar, und versagen andererseits modellgestützte Erkenntnisse häufig bei der Übertragung auf in vivo Tumore. In diesem Projekt werden wir Erkenntnisse aus der kausalen Modellierung, dem Transferlernen und der Data Augmentation nutzen, um neue Behandlungsoptionen in Krebstherapien zu identifizieren und um bestehende zu optimieren. Der Schlüssel zu diesem Projekt wird darin bestehen, Wissen aus mehreren Datenressourcen zusammenzuführen, und mittels Methoden der künstlichen Intelligenz den Raum der Interventionen auf unbekannte Wirkstoffe, Wirkstoffkombinationen und Wirkstoffkonzentrationen zu extrapolieren. Diese Aufgabe wird mit Einzelzell- und Bulk- Transkriptomdaten von in vitro Krebszelllinien verfolgt. Unsere Modelle werden dann an reale Tumormessungen für personalisierte Therapieempfehlungen angepasst. Um dieses Ziel zu erreichen, werden wir (1) Algorithmen für kausales Repräsentationslernen entwickeln, um die Auswirkungen neuer Medikamente, Wirkstoffkombinationen und Wirkstoffkonzentrationen vorherzusagen, (2) Transferlernansätze entwickeln, die Erkenntnisse aus verschiedenen Perturbationsexperimenten kombinieren, (3) systematische Unterschiede zwischen Krebszelllinien und realen Tumorproben modellieren und kompensieren, und (4) Wirkstoffinformationen in Vorhersagemodelle integrieren. Schließlich werden wir alle diese Komponenten kombinieren, um die Wirksamkeit neuer Wirkstoffkombinationen in vitro und in vivo vorherzusagen. Darüber hinaus werden wir unsere Modellvorhersagen in umfassenden Experimenten validieren.

• DFG-Verfahren: Sachbeihilfen