Eric Rouchka und David Magnusson, Universität Louisville, Louisville, USA

Systematische Datenanalyse, um Vorgänge der funktionellen Erholung auf zellulärer Ebene zu erfassen

Gefördert in: 2020, 2021, 2022


Zur Übersicht

Problem: Ansätze maschinellen Lernens nutzen, um Daten für Verhalten und Funktion zu untersuchen
Ansatzpunkt: Biologische Prozesse, Zelltypen und individuelle Gene identifizieren, die mit funktioneller Erholung verbunden sind
Zielsetzung: Veränderungen auf Ebene der Gene und Proteine beschreiben

Einführung: Ein dramatischer Aspekt einer Querschnittsverletzung ist die Unterbrechung der Nervenversorgung und damit der Nervenregulation von Organen. Neuropathische Schmerzen, Herz-Kreislauf-Erkrankungen und Leberschaden treten gewöhnlich nach einer Querschnittsverletzung auf, sind hinderlich bei der Erholung und schmälern die Lebensqualität. Ein nicht-invasiver Ansatz, um die Komplikationen einer Querschnittsverletzung effektiv abzumildern, ist körperliche Aktivität/Training. Dies kann eine funktionelle Erholung und eine Verbesserung der Komplikationen bewirken. Zudem kann es problemlos in den Ablauf des Alltags integriert werden. Es ist jedoch wenig darüber bekannt, inwiefern körperliche Aktivität auf zellulärer/molekularer Ebene zur Verbesserung führt.
Problembeschreibung: Die Forscher gehen davon aus, dass Ansätze des maschinellen Lernens dazu verwendet werden können, Daten über Verhalten und Funktion zu analysieren. Die Wissenschaftler versuchen Cluster von Querschnittsverletzten zu Unterschieden oder Ähnlichkeiten zu identifizieren, speziell wenn sie einem Trainingsregime unterliegen. Diese Daten werden dann mit sogenannten biologischen „omics“-Daten verglichen, um biologische Prozesse, Zelltypen und individuelle Gene herauszufinden, die mit einem bestimmten funktionellen Ergebnis nach einer akuten und chronischen Verletzung zusammenhängen.
Methode: Das erste von drei Zielen dieses Projektes ist es, Daten zu sammeln, zu organisieren und Daten einzuarbeiten, die Verhalten, Funktion und genetische Vorgänge betreffen. Dies soll sowohl anhand eigens erhobener Daten als auch anhand öffentlich zugänglicher Datensätze geschehen. Es kommt hierbei folgendes Prinzip zur Anwendung:  Findable, Accessible, Interoperable, and Reusable (FAIR). Es sollen über maschinelles Lernen aus diesen Rohdaten Zusatzinformation gewonnen werden. Das zweite Ziel beinhaltet einen Wiederholungsansatz, um Daten der Transkription und des Verhaltens zu integrieren, indem die sogenannte Topological Data Analysis verwandt wird. Im Endergebnis sollen somit zusätzliche Daten für Querschnittsmodelle, die ein körperliches Training beinhalten, über Transkription und Funktion gewonnen werden.
Mögliche Anwendung: Das Ergebnis des Integrationsprozesses der Daten aus Transkription, Verhalten und Funktion sollte sein, auf molekularer Ebene neue Angriffsziele für die Entwicklung einer möglichen Therapie zu definieren.