ERA-NET Transcan-Neu II - SIMMBAP - Systemische immunologische Determinanten der Tumorentwicklung und des Therapieansprechens bei BRCA-mutiertem Bauchspeicheldrüsenkrebs

Einzelzellgenomische Untersuchungen haben unser Verständnis der Prozesse im Tumorgewebe, die zur Entstehung des Pankreaskarzinoms beitragen, erweitert. Hierbei spielt die lokale Immunantwort eine kritische Rolle. Viele Immunantworten werden jedoch außerhalb des Tumorgewebes initiiert. Es ist aktuell unklar, wie diese systemischen Immunantworten zur Tumorigenese des Pankreaskarzinoms beitragen. Das hier beantragte Projekt soll mittels Analyse von Einzelzellgenomdaten die systemische und lokale Immunantwort in der Tumorigenese und im Therapieansprechen des Pankreaskarzinoms charakterisieren. Dadurch soll die Identifizierung von BRCA-mutierten PatientInnen mit einem Risiko für die Entwicklung eines Pankreaskarzinoms oder auf Therapieresistenz identifiziert werden. Das Projekt ist Teil des SIMMBAP Konsortiums, zusammen mit Expertinnen im Bereich der klinischen Therapie und Genetik. Das hier beantragte Projekt soll die vom Konsortium generierten Daten analysieren und damit die Rolle der systemischen Immunantwort in der Tumorigenese und Therapieresistenz entschlüsseln, sowie neue Methoden des maschinellen Lernens entwickeln. Hierbei sollen insbesondere Genprogramme (für eine zelluläre Funktion zusammen exprimierte Gene) in Zellen des peripheren Blutes identifiziert werden, die mit einem Risiko für die Entwicklung eines Pankreaskarzinoms oder einer Therapieresistenz im fortgeschrittenen Pankreaskarzinom einhergehen. Die funktionelle Relevanz dieser Genprogramme wird anschließend mittels Mausmodellen des Pankreaskarzinoms untersucht. Diese funktionellen Erkenntnisse sollen in Algorithmen des maschinellen Lernens integriert werden, welche das Risiko für ein Pankreaskarzinom oder die Therapieresistenz vorhersagen können. Dadurch soll die Erklärbarkeit dieser Modelle verbessert werden (explainable AI). Die generierten Ergebnisse sollen helfen, die Diagnostik und Therapie des Pankreaskarzinoms zu verbessern und eine neue Modellarchitektur im maschinellen Lernen schaffen.