Menu

Med Lab


Forschungs- und Entwicklungsthemen

  • Effiziente und robuste mathematische Verfahren zur Qualitätssicherung, Klassifikation und Mustererkennung in sensiblen medizinischen Massendaten
  • Integration moderner Auswertungsalgorithmen und neuartiger Datenbanktechnologien zur Massendaten-Analyse
  • Aufbau eines auf optimierter Auswertung von Massendaten beruhenden Diagnose-Portfolios


Projektbeschreibung

In Deutschland erkranken etwa 450.000 Menschen jährlich neu an Krebs. Eine frühe Diagnose sowie die schnelle Erfolgskontrolle von Therapiemaßnahmen können für diese Patienten lebensrettend sein. Dennoch nutzt lediglich ein geringer Teil der Bevölkerung Angebote der Früherkennung, weil zunächst selten Symptome spürbar und häufig Intimbereiche betroffen sind. Zudem sind die Unter-suchungen oft umständlich, teils schmerzhaft und werden in der Regel als bedrohlich empfunden.

Zusammen mit ihren medizinischen Partnern entwickelte die Biocomputing Group an der FU eine innovative Analyse-Pipeline, die erstmals die frühzeitige Erkennung von schwer diagnostizierbaren Krebsarten mittels einer kostengünstigen und unkomplizierten Blutuntersuchung erlaubt. Krebserkrankungen können so routinemäßig untersucht, bereits vor dem Auftreten von Symptomen diagnostiziert, im Schweregrad bestimmt und der Effekt von Therapien frühzeitig nachgewiesen werden.

Die neuartige Diagnostik beruht auf der massenspektometrischen Analyse von Proteinmustern im Blut (proteombasierte fingerprints). Durch die anschließende Auswertung der Ergebnisse mittels innovativer Algorithmen werden relevante Muster im Proteom sichtbar, die kranke von gesunden bzw. von Patienten mit anderen Krankheiten unterscheiden. Im Rahmen des hier vorgestellten Vorhabens soll das bestehende Verfahren deutlich weiterentwickelt und auf weitere Krebserkrankungen ausgedehnt werden. Dies geschieht in enger Zusammenarbeit mit bestehenden klinischen Kooperationspartnern, die die notwendige medizinische Expertise ins Projekt einbringen.

In einer ersten, akademisch orientierten Studie mit mehr als 1000 Patienten und einer weiteren, praxisorientierten Machbarkeitsstudie mit mehr als 150 Patienten konnte der Erfolg der Methode gezeigt werden, der sich in der Entwicklung von diagnostischen fingerprints für fünf verschiedene Krebsarten niederschlägt. Diese zweite, unter den realen Bedingungen des Klinikalltages durchgeführte Vorstudie hat zwei neue Problemfelder aufgezeigt: Zum einen sind die bisher verwendeten datenträgergestützten Datenbanksysteme bei den entstehenden riesigen Datenmengen (mehrere GigaByte pro Patient) für
komplexe Online-Analysen aufgrund der vergleichsweise langsamen Zugriffszeiten ungeeignet. Zum anderen haben wir bei der Implementierung der bestehenden Diagnose-Pipeline im klinischen Alltag festgestellt, dass eine sehr sorgfältige Probenbehandlung nach vorgeschriebenen Standard Operating Protocols (SOP) erfolgen muss, um reproduzierbare Ergebnisse zu erzielen. Die Einhaltung des SOP in der Praxis erfordert jedoch speziell geschultes Personal, was die praktische Anwendung derzeit auf Kompetenzzentren beschränkt. Bei Nichteinhaltung des SOPs entstehen bei der Weiterverarbeitung innerhalb des mehrstufigen Analyse-Prozesses Degradationseffekte, die die Diagnose verfälschen können.

Die Partner Biocomputing/FU, SAP, CiT und Inbion verfügen über die notwendige Kompetenz zur Überwindung dieser Problemfelder: Die SAP SE hat vor einiger Zeit mit der In-Memory Computing Engine eine neue Technologie auf den Markt gebracht, die es erlaubt, alle vorhandenen Daten vollständig im Speicher in Form einer Datenbank vorzuhalten und direkt innerhalb dieser Datenbank zu analysieren. Dadurch eliminiert diese Technologie den Flaschenhals des Datentransportes zwischen Datenträger und Speicher nahezu vollständig. Die CiT GmbH verfügt seit vielen Jahren über international herausragende Erfahrungen im Modellieren von biologischen Abbau-Prozessen. Biocomputing/FU, Inbion und CiT werden zusammen in der Lage sein, die beschriebenen Degradationseffekte zu modellieren und schließlich in den nachgelagerten Analyseschritten algorithmisch so zu behandeln, dass verlässliche Ergebnisse mit optimal-relaxiertem SOP möglich sind.

Projektleitung: Prof. Dr. Tim Conrad

Last modified onMonday, 04 January 2016 13:30
More in this category: « Bahn Lab Gas Lab »
back to top

Login