Heutzutage verwenden Ärzte Symptome, um die meisten Krankheiten zu definieren und zu diagnostizieren. Dies bedeutet jedoch nicht zwangsläufig, dass Patienten mit ähnlichen Symptomen auch die gleiche Krankheitsursache oder die gleichen molekularen Veränderungen haben. In der Biomedizin werden oft die molekularen Mechanismen einer Krankheit diskutiert, also wie sich die Regulation von Genen, Proteinen oder Stoffwechselwegen verändert, wenn eine Krankheit auftritt. Ziel der stratifizierten Medizin ist es, Patienten auf molekularer Ebene in verschiedene Subtypen einzuteilen, um sie gezielter behandeln zu können, heißt es in einer Mitteilung der TU München.
Neue Algorithmen im Bereich des maschinellen Lernens können helfen, Krankheitssubtypen aus großen Patientendaten zu identifizieren. Ziel dieser ist es, anhand umfangreicher klinischer Maßnahmen Muster und Zusammenhänge selbstständig zu erkennen. Die LipiTUM-Nachwuchsforschungsgruppe unter der Leitung von Gruppenleiterin Dr. Josch Konstantin Pauling vom Lehrstuhl für Experimentelle Bioinformatik hat diesen Algorithmus entwickelt.
Komplexe Analyse mit automatisierter Webanwendung
Seine Methode kombiniert die Ergebnisse bestehender Algorithmen, um genauere und robustere Vorhersagen klinischer Subtypen zu treffen. Dadurch werden die Vorteile und Eigenschaften verschiedener Algorithmen kombiniert und aufwändige Anpassungen entfallen. „Das erleichtert den Einsatz in der klinischen Forschung erheblich“, berichtet Dr. Pauling. „Aus diesem Grund haben wir auch eine Webanwendung entwickelt, mit der molekulare Datenanalysen ohne Vorkenntnisse in Bioinformatik online durchgeführt werden können.“
Acetogene Bakterien könnten Alternativen zu erdölbasierten Kunststoffen bieten
Kohlendioxid ist ein natürliches Spurengas in der Erdatmosphäre und spielt eine entscheidende Rolle für das Klima der Erde.
Fordern Sie klinisch relevante Fragen an
Mit diesem Tool haben Forscher nun zum Beispiel die Möglichkeit, Daten aus Krebsstudien und Simulationen für verschiedene Szenarien darzustellen. Das Potenzial der Methode konnten sie bereits in einer großangelegten klinischen Studie demonstrieren. In Zusammenarbeit mit Forschern des Max-Planck-Instituts in Dresden, der Technischen Universität Dresden und des Universitätsklinikums Kiel untersuchten sie Veränderungen im Metabolismus von Lipiden (Fetten) in der Leber von Patienten mit Nicht-Fettleber-Erkrankung (NAFLD). ). ).
Diese Volkskrankheit steht im Zusammenhang mit Fettleibigkeit und Diabetes. Sie entwickelt sich von der nicht-alkoholischen Fettleber (NAFL), bei der Fett in Leberzellen eingelagert wird, über die nicht-alkoholische Steatohepatitis (NASH), eine zusätzliche Entzündung der Leber, bis hin zur Leberzirrhose und Tumorbildung. Es gibt derzeit keine andere Behandlung als eine Ernährungsumstellung. Da die Krankheit durch die Ansammlung verschiedener Fette in der Leber gekennzeichnet und diagnostiziert wird, ist es wichtig, ihre molekulare Zusammensetzung zu verstehen.
Biomarker von Lebererkrankungen
Mit der MoSBi-Methode konnten sie zeigen, wie heterogen die Lebern von Patienten im NAFL-Stadium auf molekularer Ebene sind. „Aus molekularer Sicht waren die Leberzellen vieler Patienten mit NAFL bereits nahezu identisch mit denen von Patienten mit NASH, während andere noch große Ähnlichkeiten mit gesunden Patienten aufwiesen. Auch in der Klinik konnten wir unsere Vorhersagen bestätigen Informationen“, sagt Dr. Pauling. „Dadurch konnten wir auch zwei potenzielle Lipid-Biomarker für den Krankheitsverlauf identifizieren.“ Dies ist wichtig, damit die Krankheit und ihr Verlauf schnellstmöglich erkannt und behandelt werden können.