DynamicKIT:

Künstliche-Intelligenz-assistierte Translation eines neuen Bioassays zur Entschlüsselung der dynamischen Wirkungsweise von Tuberkulose-aktiven Antibiotika zur Entwicklung neuer Kombinationstherapien für multiresistente und dormante Tuberkulose

Suche nach neuen Kombinationstherapien gegen multiresistente Tuberkulose durch eine neue Proteomik-Technologie und künstliche Intelligenz

Die Identifizierung neuer Arzneimittelkombinationen bei TB ist sehr schwierig, da geeignete präklinische Modelle zur Vorhersage von Synergieeffekten fehlen; wir planen, dieses Problem mit neuartigen Techniken anzugehen.

Zunächst werden wir die Wirkung üblicher antimycobakterieller Substanzen untersuchen. Eine neue experimentelle Technik, die an der LMU entwickelt wurde, ermöglicht es uns, ihre Wirkungsweise, Resistenzmechanismen und Anpassungsreaktionen mit Proteindynamik in noch nie dagewesener Detailliertheit zu beschreiben. Dies wird es uns ermöglichen, die Wirkung verschiedener Antibiotika sowohl einzeln als auch in Kombination zu charakterisieren.

Diese Analyse wird dank künstlicher Intelligenz und Systembiologie erweitert werden. Ein besseres Verständnis des Erregers wird gewonnenen mit der Modellierung der dynamischen Daten, und ermöglicht die Entwicklung neuer Therapieansätze.  Neuronale Netzwerke und Random Forests werden trainiert um neue Medikamentenkombinationen und deren Wirkung vorherzusagen.

 

 

Die Resistenz gegen Arzneimittel ist eine dramatische Herausforderung für die tödlichste Infektionskrankheit der Welt, die Tuberkulose (TB). In unserem Projekt verwenden wir selbstlernende Algorithmen, um die Interaktion verschiedener Medikamente in ihrer Wirkung auf den Metabolismus von Mykobakterien, den Erregern der Tuberkulose, zu verstehen. Auf diese Weise können wir nicht nur neue geeignete Arzneimittelkombinationen für die Tuberkulosebehandlung vorhersagen, sondern auch biologische Moleküle bestimmen, die Resistenzmechanismen widerspiegeln, so dass wir herausfinden können, wie wir dies mit Medikamenten gezielt rückgängig machen können. Dieser kombinierte Ansatz ergibt ein dringend benötigtes präklinisches Labormodell, mit dem wir die weitere Ausbreitung der Krankheit stoppen können. 

 

 

Tuberkulose (TB) ist die tödlichste Infektionskrankheit des Menschen und fordert jedes Jahr weltweit rund 1,5 Millionen Menschenleben. Dieses Projekt baut auf neuartige Data Science Ansätzen innerhalb der Grundlagenforschung auf, um die Entwicklung und Ausbreitung von Resistenzen innerhalb dieser Infektionskrankheit anzugehen und ihnen entgegenzuwirken.

 

In den letzten Jahren ist es der Molekularbiologie in Bayern gelungen, schnell auf internationale Trends zu reagieren und spezifische, für die wissenschaftliche Gemeinschaft relevante Schlüsselthemen aufzugreifen und voranzutreiben. Damit trägt dieses Projekt dazu bei, die künstliche Intelligenz, die Biotechnologie und die molekulare Medizin als Schlüsseltechnologien in Bayern auszubauen und international sichtbar zu machen.  

 

Die erzielten Ergebnisse ermöglichen es den Fachkräften im Gesundheitswesen, sich mit den aktuellen Tuberkulose-Herausforderungen innerhalb und außerhalb Bayerns auseinanderzusetzen.

 

Mit ihrer interdisziplinären Grundlagenforschung verbindet das Forschungsteam Expertise aus Bereichen wie Bioinformatik, Künstliche Intelligenz und Maschinelles Lernen zum Verständnis zellulärer Prozesse (F. Theis / M. Menden), Analytische Chemie, Medizinische Mikrobiologie (A. Wieser) und Tropenmedizin einschließlich Therapie bei Tuberkulose / Klinische Studien (M.Hoelscher). Dieses Projekt wird stark vom wissenschaftlichen Netzwerk von BayResQ.net profitieren. 

 

 

Kooperationen

 


WP 1: 


PD Dr. Andreas Wieser

 

Projektleiter

Ludwig-Maximilians-Universität München
Emailadresse: wieser@mvp.lmu.de

 

WP 2:


Prof. Dr. Fabian Theis

 

Projektleiterin
Technische Universität München, Helmholtz Zentrum München, Institut für Computational Biology                               Emailadresse: fabian.theis@helmholtz-muenchen.de

 

WP 3:


Dr. Michael Menden

 

Projektleiter
Ludwig-Maximilians-Universität München, Helmholtz Zentrum München, Institut für Computational Biology
                                  Emailadresse: michael.menden@helmholtz-muenchen.de 

 

WP 3:


Prof. Dr. med. Michael Hoelscher

 

ProjektleiterDepartment of Infectious Diseases and  and Tropical Medicine, Medical Faculty LMU               Emailadresse: hoelscher@lrz.uni-muenchen.de