Abgleich von Einzelzelldaten zwischen Spezies mit Combined Deep Learning und erklärbarer KI

Prokjekttitel: Abgleich von Einzelzelldaten zwischen Spezies mit Combined Deep Learning und erklärbarer KI

Projektdauer: 01.01.2022 – 30.06.2025

Forschungsbereich: Biowissenschaften und Medizin

Im Rahmen des Projekts „Abgleich von Einzelzelldaten zwischen Spezies mit Combined Deep Learning und erklärbarer KI“ entwickeln wir einen prinzipienbasierten Ansatz, um die zelltyp- und krankheitszustandsspezifischen molekularen Reaktionen zwischen menschlichen Krankheitszuständen und entsprechenden Tiermodellen auf der Ebene des Transkriptoms mittels Einzelzell-RNA-Sequenzierung (scRNAseq) zu vergleichen. Wir wenden unseren Ansatz in zwei Kontexten an: Erstens ordnen wir molekulare Zustände von Vollblutproben zwischen menschlichen COVID-19-Patienten und zwei Hamsterarten zu, die nach einer SARS-CoV-2-Infektion einen moderaten (Mesocricetus auratus) bzw. schweren Krankheitsverlauf (Phodopus roborovskii) entwickeln. Zweitens konzentrieren wir uns auf Nebenwirkungen nach immunmodulatorischen Therapien. Wir identifizieren entsprechende Zustände immunbedingter Toxizitäten zwischen Cynomolgus-Affen (Macaca fascicularis) und Menschen in Subpopulationen peripherer mononukleärer Blutzellen (PBMCs).

Ziele

• Transkriptom-basierte Quantifizierung von Ähnlichkeiten im Krankheitszustand über Arten hinweg
• Integration von Deep Learning mit interpretierbaren Ansätzen
• Etablierung eines entsprechenden robusten, allgemeinen methodischen Rahmens
• Verbesserung der Übertragbarkeit präklinischer Tiermodelle auf menschliche Krankheitszustände

Problemstellung

• Zu berücksichtigende technologische und biologische Batch-Effekte
• spärliche, verrauschte und hochdimensionale Daten
• schwierige biologische Interpretation

Technologie

• Einzelzell-RNA-Sequenzierungsanalyse
• Deep Learning, Variational Autoencoder
• Empirische Bayes-Moderation

Ausblick

• Ausweitung auf andere Krankheiten und Zustände für die präklinische Forschung und Arzneimittelentwicklung
• Methodenentwicklungen zur Verbesserung der Erklärbarkeit der Ergebnisse

Publikationen

• preprint: DOI: 10.1101/2024.01.11.574849v1

Team

Teamleitung

• Markus Scholz (IMISE)
• Geraldine Nouailles (Charité)
• Kristin Reiche (Fraunhofer IZI),

Teammitglieder

• Holger Kirsten (IMISE)
• Martin Witzenrath (Charité)
• Vincent David Friedrich
• Peter Pennitz (Charité)
  

Partner

• Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE)
• Charité – Universitätsmedizin Berlin
• Boehringer Ingelheim International GmbH
• Fraunhofer-Institut für Zelltherapie und Immunologie (IZI)