Freitag, 18. Januar 2019
Benutzername
Passwort
Registrieren
Passwort vergessen?

Home
e-journal
Supplements
CME online
News
Gesundheitspolitik
Therapiealgorithmen
Videos
Veranstaltungen
Broschüren
Zentren
Kasuistiken
Studien


Suche
Archiv
Buchbestellung
Newsletter
Probe-Abo
Impressum


journalmed.de



JOURNAL ONKOLOGIE – NEWS
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!
14. Dezember 2018

Forschung im Bereich Biomedizintechnik: Der virtuelle Krebspatient

An der Schnittstelle zwischen Biologie und Algorithmen: Prof. Dr. Heinz Koeppl und seine Mitarbeiter entwickeln Computermodelle für die personalisierte Medizin.
Anzeige:
 
 
Krebs ist nicht gleich Krebs. Jede Leukämie hat ihre Besonderheiten, jeder Tumorpatient eine einzigartige Erkrankung. Der Grund: Krebszellen sind entartete Körperzellen, deren Wachstum durch diverse Genveränderungen außer Kontrolle geraten ist. Diese Mutationen variieren selbst unter Patienten, die an der gleichen Krebsart leiden. Sogar Zellen innerhalb eines Tumors können sich genetisch unterscheiden.

Die Genveränderungen beeinflussen aber nicht nur das Wachstum der kranken Zellen, sondern auch deren Ansprechen auf eine Behandlung. „Bei einer herkömmlichen Therapie dreht man daher oft an Stellschrauben, die für einen spezifischen Patienten keinen Effekt haben“, sagt Koeppl, Professor am Fachbereich Elektrotechnik und Informationstechnik und Zweitmitglied im Fachbereich Biologie.

Bislang verläuft nur jede vierte Krebstherapie erfolgreich – unter den Nebenwirkungen leiden die Patienten trotzdem. Die Vision von Koeppl und seinen Mitarbeitern: Zukünftig soll sich vorab abschätzen lassen, ob eine bestimmte Therapie einer erkrankten Person überhaupt helfen kann. Dafür entwickeln die Wissenschaftler Computermodelle, quasi virtuelle Patienten, die sie aus Gen-­ und Protein­-Daten der Krebszellen, aus Ergebnissen von Zellversuchen im Labor, aus histologischen Befunden, anderen klinischen Untersuchungen sowie vielen weiteren Informationen konstruieren.

Die Darmstädter Forschungsarbeiten sind eingebunden in 2 EU-Projekte: Das internationale Verbundvorhaben PrECISE, das nunmehr endet, hat sich auf das Prostatakarzinom konzentriert. Im Februar 2019 startet das iPC­Projekt, das sich mit häufigen Krebsleiden von Kindern beschäftigt.

Für einige Krebstypen gibt es bereits grobe Netzwerkmodelle und Datenbanken, die Zellprozesse, beispielsweise Signalkaskaden und katalytische Aktivitäten von Proteinen, beschreiben. Dieses Netzwerkskelett verfeinern die Forscher, indem sie aktuelle krankheits­- und patientenspezifische Informationen integrieren.

Die Kunst liege darin, Algorithmen zu finden, die das vorhandene Wissen korrekt an die neuen molekularen Daten anpassen, erklärt Koeppl. Es sei extrem wichtig, das Detailwissen in den Köpfen von Biologen und Biochemikern in die Modelle miteinzubeziehen: „Rein datengetriebene Verfahren der Künstlichen Intelligenz sind hier nicht zielführend.“

Netzwerk der molekularen Wechselwirkungen

Der virtuelle Patient bildet das Netzwerk der molekularen Wechselwirkungen in den Krebszellen ab. Wollen die Forscher ein Medikament testen, das ein bestimmtes Protein hemmt, müssen sie in ihrem Computermodell nur die Aktivität dieses Proteins verringern oder ausschalten. Sie sehen dann die Auswirkungen auf das gesamte Netzwerk und somit auf die Krebszellen. Wird der gewünschte Signalpfad deaktiviert? Vermehren sich die Zellen jetzt langsamer? Sterben sie gar ab? Oder ist der Effekt vernachlässigbar?

„Wenn man verschiedene Wirkstoffe am Netzwerkmodell durchspielt, kann man einem Patienten die beste verfügbare Therapie vorschlagen. Das ist die Idee der personalisierten Medizin“, sagt Koeppl. Immuntherapien und andere neue Behandlungsmethoden lassen sich ebenfalls mit solchen Modellen testen. Im PrECISE­Projekt wurde die Wirkung bestimmter Anti-Krebs-Mittel bereits am Computer abgeschätzt. „Die aktuellen Ergebnisse stimmen zumindest gut mit Daten aus Krebszelllinien überein“, sagt Koeppl. Das lässt hoffen, auch wenn bis zur klinischen Anwendung noch Jahre vergehen werden.
Quelle: TU Darmstadt
Literatur:
Linzner D, Koeppl H.
Cluster Variational Approximations for Structure Learning of Continuous-Time Bayesian Networks from Incomplete Data.
Advances in Neural Information Processing Systems (NIPS), 2018.
 
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!

Anzeige:
Zur Fachinformation
 
Anzeige:
Zur Fachinformation
 
 
 
Themen
CML
NET
CUP
Nutzen Sie auch die Inhalte von journalmed.de, um sich zu Informieren.
Mediadaten
Fachgesellschaften
Hilfe
Copyright © 2014 rs media GmbH. All rights reserved.
Kontakt
Datenschutz
Betroffenenrechte
AGB
Fakten über Krebs
 
ASH 2018