Tumorimmunologie und Tumorimmuntherapie

In diesem Projekt werden die Möglichkeiten algorithmischer Ansätze zur detaillierten Analyse von mikroskopischen Gewebebildern behandelt. Die automatische Klassifizierung von Gewebebildelementen kann auf verschiedene Weise erfolgen wie z.B. systematische Analyse und Optimierung ausgewählter Merkmale, Optimierung des algorithmischen „Backbones“ (ResNet, AlexNet usw.) und Training und Validierung des Convolutional Neural Network (CNN). 

Die Analyse von Patientenkohorten mit primären Kolorektalkarzinomen sowie Prognosevorhersagen wurden durchgeführt und in PLOS Medicine veröffentlicht (Kather JN et al, 2018, PLOS Medicine). Diese Veröffentlichung war die am häufigsten zitierte Publikation des Jahres 2019 von PLOS Medicine. Der Ansatz wurde dann weiterentwickelt zur automatischen Identifikation von mikrosatelliteninstabilen, lymphozytenreichen Kolorektalkarzinomen und in Nature Medicine veröffentlicht (Kather JN et al, 2019, Nature Medicine). Aktuelle Forschungsarbeiten mit Algorithmen des maschinellen Lernens zielen darauf ab, eine Plattform zu implementieren, die es ermöglicht, Explant-Modelle und Bioprints (siehe Abschnitt 1.2.4) automatisch zu stratifizieren. Dadurch können die Modellsysteme systematisch gestört und die Änderungen durch maschinelles Lernen automatisch in einer prognostischen Untergruppe eingeordnet werden. Dies kann dann zur Identifizierung neuer möglicher Ziele für Interventionen oder zur Abschätzung der Wirkung bestimmter Medikamente oder Interventionen auf die Tumormikroumgebung eingesetzt werden.

Die Untersuchung spezifischer Krebsuntergruppen und seltener Krebserkrankungen führt zu heterogenen Datensätzen. Solche Datensätze stellen aufgrund ihrer Variabilität und ihres teilweise zusätzlich begrenzten Umfangs erhebliche Herausforderungen für konventionelle maschinelle Lernverfahren dar, da sie die Identifikation konsistenter Muster und das Training robuster Modelle erschweren. Dennoch ist die Interpretierbarkeit der gewonnenen Daten essenziell, um Fortschritte in der Präzisionsmedizin zu sichern. Zur Bewältigung dieser Problematik verfolgen wir zwei Ansätze. Die Konzepte der topologischen Algebra und ihre Überführung in Algorithmen ermöglichen eine präzisere Abbildung der komplexen, tief verwobenen Zusammenhänge biologischer Prozesse (Moraleda et al, 2020, Semin Immunol, Valous et al, 2020 Semin Immunol). Als erster Schritt wurde eine nicht-SQL-basierte Graphdatenbank in Neo4j implementiert, die heterogene und komplexe Daten integriert. Der nächste Schritt umfasst die Entwicklung und Anwendung topologisch basierter Algorithmen, um Datensätze auf neuartige Weise zu clustern und zu klassifizieren. Als ein zweiter Ansatz wurden erste Schritte unternommen, um Quantencomputing-Methoden zu nutzen. Zusammenfassend ermöglicht die Formulierung von Problemen in einem biquadratischen Rahmen die Entwicklung von effizienteren Analyseverfahren. Basierend auf der Quantenannealer-Technologie wird die systematische Analyse von Graphennetzwerken erforscht, und ein erster Prototyp wurde entwickelt, der eine weitere Optimierung mittels geometrischer Algebra ermöglicht, um die Lokalisierung identifizierter zentraler Knoten mit größeren Zweigen des Graphen zu verknüpfen. Diese Untersuchung der Quantenmethodik ist ein gemeinsames Projekt mit Kooperationspartnern vom Fraunhofer IKS (München).
Der Vorteil der Quantenverarbeitung für begrenzte Datensätze wird auch im maschinellen Lernen weiter untersucht, wobei erste Ergebnisse erzielt wurden (Matic A et al., ArXiv, 2022).

Bei der klassischen Immuntherapie steht die Modulation bzw. Aktivierung des adaptiven Immunsystems im Mittelpunkt. Obwohl für manche Tumorerkrankungen exzellente Therapieerfolge erzielt wurden, sprechen andere Tumorerkrankungen nicht auf diese Therapie an. Um das Potenzial der Immuntherapie besser nutzen zu können, forschen wir deshalb an der Rolle der angeborenen Immunität. Da das Mikrobiom einen entscheidenden Einfluss auf den Therapieerfolg haben kann, untersuchen wir die wechselseitige Beziehung zwischen Mikrobiom und angeborener Immunität innerhalb der Tumormikroumgebung. In diesem Rahmen haben wir eine Pipeline auf Basis der Nanopore-Technologie für die 16S-Sequenzierung entwickelt, die eine systematische Definition der Zusammensetzung des Mikrobioms ermöglicht. Weiterhin werden spezifische und hochempfindliche PCR-Assays zur Bestimmung von Schlüsselfaktoren, die das Immunsystem und somit die Patientenprognose beeinflussen, angewendet. Hierzu gehören qPCR-Assays zur Quantifizierung von sowohl Fusobacterium nucleatum als auch dessen Produkten Colibactin, Bacteroides fragilis-Toxin und FadA. Neben der klassischen Mikrobiomanalyse konzentriert sich unsere Forschung auch auf das Mykobiom. Derzeit werden systematische Analysen zur Abgrenzung von Pilzarten auf der Grundlage bestehender Datenbanken wie z. B. UNITE und WARCUP durchgeführt. Erste Ergebnisse der oben beschriebenen Pipeline mit Proben der LUMINESCENCE-Studie (siehe Abschnitt 1.2.1) zeigen vielversprechende entitätsübergreifende Muster, die mit einer guten oder schlechten Prognose bzw. Therapieergebnis korrelieren. Um die Zusammensetzung des Mikrobioms im Gewebe besser zu verstehen, haben wir eine andere Technologie weiterentwickelt: Assembloide oder Bioprints sind künstlich hergestellte Gewebe mit einem definierten Inhalt an Zellpopulationen (z. B. Tumorzellen, T-Zellen, Makrophagen oder Bakterien). Die Matrix bzw. das Gerüst besteht aus einer kollagen- und zytokeratinhaltigen Substanz, in der die gewünschten Zellen eingebettet werden. Die Miniaturisierung ermöglicht einen systematischen Seite-an-Seite Vergleich von unterschiedlichen Bedingungen und Zusammensetzungen. So wird der Effekt von verschiedenen Zytokinmischungen, Bakterien oder Bakteriengemeinschaften auf definierte Populationen von Tumor- und Immunzellen analysiert. Ein erster Anwendungsfall dieses Ansatzes wurde kürzlich veröffentlicht (Ahmed A et al, 2022, Frontiers Immunology).