ERA-NET Transcan-Neu III - SPELCASTER - Standardisiertes Profiling von epigenetischen Loci zur dezentralen Klassifizierung von Tumoren der Nasennebenhöhlen und Identifizierung von Markern für das Therapieansprechen - Charité - Universitätsmedizin Berlin

Im Rahmen dieses Projekts soll ein spezielles Computerprogramm, das auf Machine Learning basiert, entwickelt werden, um Tumore der Nasennebenhöhlen und Speicheldrüsen besser klassifizieren zu können. Machine Learning ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer mithilfe großer Datenmengen selbstständig Muster erkennen und aus diesen lernen können, ohne explizit programmiert zu werden. In diesem Fall nutzt das Programm DNA-Methylierungsdaten, um herauszufinden, zu welcher Tumorart eine Probe gehört. Tumore der Nasennebenhöhlen und Speicheldrüsen sind relativ selten, und einige Unterarten kommen nur sehr selten vor. Um das Programm zu trainieren, werden daher Proben aus verschiedenen Ländern Europas gesammelt, einschließlich solcher aus klinischen Studien. Nachdem das Machine-Learning-Programm entwickelt wurde, wird es in mehreren Laboren getestet, um sicherzustellen, dass es zuverlässig funktioniert. Das Team an der Charité Berlin, geleitet von Professor David Capper, wird Proben für ein Referenzset zur Verfügung stellen. Zusammen mit der Forschungsgruppe von Professor Philipp Jurmeister (LMU München) wird die Charité die Hauptverantwortung für die Entwicklung dieses Machine-Learning-Programms tragen. Ein weiterer wichtiger Teil der Arbeit wird darin bestehen, die Arbeitsabläufe in den sechs beteiligten Laboren zu koordinieren, damit alle nach den gleichen Standards arbeiten. Zusätzlich zu diesen Tätigkeiten wird das Programm in verschiedenen europäischen Zentren überprüft, um herauszufinden, wie gut es in der Praxis funktioniert und ob es in klinischen Anwendungen genutzt werden kann. Darüber hinaus werden innerhalb des SPELCASTER-Projekts sogenannte Biomarker aus den analysierten Proben identifiziert. Diese Biomarker können Hinweise darauf geben, wie lange ein Patient voraussichtlich ohne Fortschreiten der Krankheit überlebt und wie gut er auf bestimmte Therapien anspricht.