Die extrazelluläre Matrix hat wichtige und komplexe biologische Funktionen und Aufgaben. Daher stellt sie ein optimal geeignetes und hochrelevantes Ziel für die molekulare und biophysikalische MRT dar und ermöglicht die Visualisierung und Quantifizierung des Krankheitsverlaufs und des Ansprechens auf eine Therapie. Derzeit werden quantitative in vivo MRT und ex vivo Daten, einschließlich Histologie, Immunhistopathologie, Laserablation mit induktiv gekoppelte Plasma-Massenspektrometrie (La-ICP-MS) getrennt voneinander mit individuellen Analysetechniken ausgewertet. Für Korrelationsanalyse werden einzelne Parameter extrahiert und zueinander in Beziehung gesetzt. Ableiten und Integrieren aller Informationen von in vivo Bildgebung und ex vivo Analyse zur Vorhersage des Krankheitsverlaufs und des Ansprechens auf eine Therapie hat das Potenzial, die Identifizierung neuer prädiktiver multiparametrischer Biomarker zu verbessern. Die Hypothesen für dieses Projekt beinhalten die Integration fortschrittlicher multiskalarer Bildgebungs- und maschineller Lernverfahren (ML) Techniken für (1) die Identifizierung der vielversprechendsten quantitativen bildgebenden Biomarker und ex vivo Parameter für die Vorhersage des Krankheitsverlaufs und des Ansprechens auf die Therapie in den untersuchten Krankheitsmodellen (2) die Bewertung des Einflusses und der Wechselwirkungen der verschiedenen ECM-Komponenten auf quantitative Bildgebungsparameter sowie ex vivo Daten; (3) die Entdeckung gemeinsamer Prinzipien und spezifischer Unterschiede in der ECM-Zusammensetzung zwischen den verschiedenen Krankheitsbildern; (4) die Entwicklung intelligenter Werkzeuge für die Bildanalyse, einschließlich Strukturerkennung, Segmentierung, Registrierung und Korrelation von Datensätzen aus röntgenbasierten und anderen Methoden in Zusammenarbeit mit anderen Projekten.
Um diese Hypothesen zu prüfen, werden wir uns zunächst auf die Daten aus der molekularen/biophysikalischen Bildgebung und der ex vivo Analyse von ECM-Komponenten in den verschiedenen Krankheitsmodellen, die im Rahmen von SFB 1340 untersucht werden. Alle verfügbaren in vivo und ex vivo Datensätze aus der ersten Förderperiode, aus den Projekten A (Grundlagenforschung) und B (biomedizinische Anwendungen) werden zusammengeführt und verwendet, um fortgeschrittene maschinelle Lernmodelle zu erstellen und trainieren. Die entwickelten maschinellen Lernmodelle werden retro- und prospektiv hinsichtlich der Vorhersage des Krankheitsverlaufs und, basierend auf Daten aus der zweiten Förderperiode, das Ansprechen auf die Therapie.
Der angestrebte Erkenntnisgewinn besteht in der Entdeckung neuer gemeinsamer Prinzipien und spezifischer Unterschiede in Bezug auf der ECM-Zusammensetzung zwischen den verschiedenen Krankheitsbildern und den Wechselwirkungen von in vivo und ex vivo ECM-Biomarkern während der Krankheitsentwicklung und des Krankheitsverlaufs, einschließlich ihres kombinierten Vorhersagewerts.