- Projekt
- Projektleiter
- Doktorand
- Partner
- Publikationen
Prädiktive Biosignaturen der Tuberkulose zur Bestimmung von Krankheitsrisiko und Therapieerfolg
In diesem Arbeitsschwerpunkt werden bioinformatische Methoden etabliert und verwendet, um die Diagnostik, Prävention und Therapie der Tuberkulose (Tbc) langfristig verbessern zu können. Über die Anwendung von maschinellem Lernen auf bereits vorhandene Patientendaten sollen Biosignaturen erkannt werden, welche spezifisch und sensitiv Tbc detektieren und eine weitere Krankheitsentwicklung vorhersagen können. Gleichzeitig soll das Projekt eine Hürde überwinden, die in der Verwendung von Biosignaturen in der Diagnostik heute allgemein besteht: ihren begrenzten Anwendungsbereich. Biosignaturen werden in den meisten aktuellen Publikationen als einfache „Liste von Genen“ präsentiert, obwohl sie in Wirklichkeit komplexe Modelle mit vielen Parametern sind. Diese Modelle, die meist durch die Anwendung eines Algorithmus maschinellen Lernens auf einen Datensatz erhalten werden, können jedoch nicht ohne weiteres auf andere Datensätze, die z. B. von einer anderen technischen Plattform stammen, angewandt werden. In diesem Arbeitsschwerpunkt soll daher ein Rahmen geschaffen werden, der das Erstellen von flexiblen und universellen Biosignaturen erlaubt, die auf unterschiedliche Datensätze generalisiert und damit im translationalen Kontext angewendet werden können. Letztendlich sollen die entwickelten analytischen Werkzeuge für die Forschung und Entwicklung auch außerhalb der Forschung an Tuberkulose Anwendung finden.

Prof. Dr. Dr. Stefan Kaufmann
Max-Planck-Institut für Infektionsbiologie Berlin
Immunologie
www.mpiib-berlin.mpg.de

Teresa Domaszewska
Max-Planck-Institut für Infektionsbiologie Berlin
Immunologie
www.mpiib-berlin.mpg.de
E-Mail: domaszewska@mpiib-berlin.mpg.de
Verantwortlicher Partner
Max-Planck-Institut für Infektionsbiologie Berlin (MPIIB)Weitere Partner
Domaszewska T, Scheuermann L, Hahnke K, Mollenkopf H, Dorhoi A, Kaufmann SHE2, Weiner J Rd. (2017) Concordant and discordant gene expression patterns in mouse strains identify best-fit animal model for human tuberculosis. Sci Rep. 7(1):12094. doi: 10.1038/s41598-017-11812-x.