Künstliche Intelligenz soll Tumorimmunologie helfen

Tumore beeinflussen das umgebende Gewebe zu ihrem Vorteil, fördern das Wachstum von Blutgefäßen oder täuschen einwandernde Immunzellen. Methoden zu entwickeln, mit denen die Beschaffenheit des so entstehenden Tumormikromilieus vorausgesagt werden kann, ist Ziel von Forschenden der Exzellenzcluster ImmunoSensation2 und Hausdorff Center for Mathematics (HCM) um Prof. Kevin Thurley an der Universität Bonn. Das Bundesministerium für Bildung und Forschung (BMBF) fördert das Projekt „InterpretTME“ in den nächsten drei Jahren mit rund 800.000 Euro.

Eine Immuntherapie gegen Krebs ist nicht bei allen Patienten erfolgversprechend. Es hat sich gezeigt, dass Resistenzen gegen Krebsimmuntherapien häufig mit der Zusammensetzung des Tumormikromilieus (TME) in Verbindung stehen. In der Onkologie werden die Eigenschaften des TME bereits heute als Biomarker genutzt, um Prognosen zur Entwicklung einer Krebserkrankung treffen zu können. Dazu verwendet man bildgebende Verfahren, die die Art und Lage der einzelnen Zellen innerhalb des TME abbilden. Es entstehen Muster gigantischer Zellverbände, die in ihrer Gesamtheit und Struktur Einfluss auf den Erfolg oder Misserfolg einer Krebsimmuntherapie nehmen. Wie genau das funktioniert, bleibt jedoch schwer zu fassen.

“Neue hochauflösende Bildgebungstechniken haben gezeigt, dass Krankheitsmechanismen tatsächlich mit Details der räumlichen Anordnung von bestimmten Zelltypen im Gewebe zusammenhängen”, sagt Prof. Kevin Thurley vom Institut für Experimentelle Onkologie, der die Arbeitsgruppe „Systems Biology of Inflammation“ der interdisziplinären Forschungseinheit „Mathematics and Life Sciences“ der Exzellenzcluster ImmunoSensation2 und Hausdorff Center for Mathematics (HCM) leitet. „Mit einer Kombination aus Methoden der mathematischen Modellierung und der Künstlichen Intelligenz werden wir diese Phänomene genau untersuchen, in direkter Zusammenarbeit mit experimenteller und klinischer Forschung am UKB.”

Künstliche Intelligenz zur Analyse von Geweben

Die auf Künstlicher Intelligenz (KI) basierenden Methoden zur Bildanalyse sind heute bereits weit fortgeschritten. Anders sieht es bei der Simulation komplexer Systeme aus – angesichts vieler miteinander interagierender Zellen innerhalb eines Gewebes. Wegen der großen Anzahl beteiligter Zelltypen, der dort ablaufenden unterschiedlichen zellulären Prozesse und der komplexen Gewebsarchitektur ist eine solche Simulation äußerst rechenintensiv. Sie kann jedoch helfen, das TME eines Tumors zu simulieren und so Rückschlüsse auf die Tumorentwicklung zu ziehen.

Erkenntnisse zur Immuntherapie durch maschinelles Lernen

Das übergeordnete Ziel von „InterpretTME“ ist die Entwicklung interpretierbarer Methoden des maschinellen Lernens (ML) für die Untersuchung komplexer Zellsysteme. Diese sollen genutzt werden, um Erkenntnisse zur Beschaffenheit von TMEs zu gewinnen. “Maschinelle Lernverfahren werden in der Klinik bereits an vielen Stellen verwendet, um Bilddaten zu verarbeiten“, erklärt Prof. Jan Hasenauer, vom Life & Medical Sciences-Institut (LIMES) der Universität Bonn. „Wir werden einen Schritt weiter gehen und untersuchen, wieweit auch Informationen über Mechanismen erlangt werden können.”

Zum einen soll erforscht werden, welche Rolle einzelne im TME vorhandenen Immunzelltypen für die Entwicklung unterschiedlicher Tumortypen spielen. Darüber hinaus wollen die Forschenden ermitteln, welchen Effekt Chemotherapeutika und biologische Medikamente auf das TME unterschiedlicher Tumorarten haben. An dem Projekt wirken auch Prof. Michael Hölzel und Prof. Marieta Toma vom Universitätsklinikum Bonn und Prof. Alexander Effland von der Universität Bonn mit.