BMBF e: Med MultiPath – Ein generisches mehr-lagiges Modell für die Integration von Vorwissen aus unterschiedlichen Typen von Signalwegen

In der klinischen Forschung ist sowohl die Integration von Vorwissen über biologische Signalwege als auch das Nachvollziehen dieser Signalwege in wissenschaftlichen Publikationen ein sehr ineffizienter und umständlicher Vorgang. Das Ziel von MultiPath ist die Vereinfachung der Integration von Signalwegs-Wissen und die Stärkung von Reproducible Research in der klinischen Forschung im Allgemeinen und in der Systemmedizin im Speziellen. Die zentrale Idee ist hierbei die Definition und Umsetzung einer mehr-lagigen Modellierungsstruktur für biologische Signalnetze, welche ein generisches und erweiterbares Format für die Integration verschiedener Signalnetz-Typen und weiterer Quellen relevanten Wissens (z.B. Drug-Target-Datenbanken) bietet. Die besondere Eigenschaft dieser Modellierungsstruktur ist, dass sie Prozeduren für die automatische Transformation von Signalnetzen beinhaltet und diese reproduzierbar dokumentieren kann.

BMBF e: Med MyPathSem - Eine Daten-Integrationsplattform für die Generierung von Patienten-spezifischen Signalwegen für individualisierte Behandlungsentscheidungen in klinischen Anwendungen

Molekulare Biomarker spielen eine immer größere Rolle bei der Diagnose und Behandlung von Krebs. Die Individualisierung von Therapieentscheidung und personalisierten Therapien erfordern es zunehmend den Fokus von einzelnen Biomarkern zu ganzen Signalwegen zu erweitern. Hierbei gehen die „Omics“-Technologien mit der parallelen Messung von tausenden von Markern und Signalnetz-Datenbanken mit einer umfassenden Abbildung der biologischen Zusammenhänge Hand in Hand. Die Herausforderung in der Systemmedizin liegt dabei in der Reduktion der Flut an Messwerten und Vorwissen auf ein sinnvoll nutzbares Maß bei gleichzeitiger maximaler Informationsdichte. Unser Ziel ist es, relevante und interpretierbare Patienten-spezifische Signalnetze im klinischen Forschungs- und Routine-Umfeld zur Verfügung zu stellen. Dadurch wird mit MyPathSem die Lücke zwischen Patienten-basierter Routine-Dokumentation und Ontologiegetriebener Signalnetz- und Marker-Annotation reduziert und ein nahtloser Daten-Übergang zwischen den individuellen Patientendaten und Anwendungen der Systemmedizin etabliert.

BMBF e: Med coNfirm - Systems Medicine of a Heart Disease Network for Improving Multilevel Heart Health

Das coNfirm Konsortium ist ein interdisziplinäres Netzwerk junger Wissenschaftler mit dem Ziel krankheits-überspannende Netzwerke mit Hilfe eines system-medizinischen Ansatzes zu identifizieren. Hauptfokus liegt hierbei auf den kardiovaskulären Krankheitsbildern Herzinsuffizienz, Myokardinfarkt und Vorhofflimmern. Es werden verschiedene omics und experimentelle Datensätze sowie klinische Informationen, welche von den Partner generiert wurden, miteinander kombiniert. Die allgemeinen Ziele von coNfirm sind:

• die Definition von allgemeinen Empfehlungen für die Nutzung von kohärenten, vergleichbaren und detaillierten Metainformationen der omics und experimentellen Datensätze
• die Harmonisierung und Integration der omics und experimentellen Datensätze zur Analyse und funktionellen Validierung kardiovaskulärer Signalwege.
• die Definition einheitlicher Standards und rechtlicher Voraussetzungen zum Datenaustausch zwischen verschiedenen Partnern.

BMBF Medizininformatik-Initiative DIFUTURE

Innovative IT-Lösungen können entscheidend dazu beitragen, die Versorgung von Patientinnen und Patienten zu verbessern. Täglich werden unzählige Daten in Kliniken, Arztpraxen und in der Forschung erhoben. Diese werden derzeit jedoch noch unzureichend genutzt, da die Datenformate und auch die IT-Systeme der Kliniken oft nicht zusammenpassen. Das BMBF setzt hier mit dem Förderkonzept Medizininformatik an. Dessen Ziel ist es, einheitliche Systeme zu schaffen, die das Wissen aus der Krankenversorgung und der Forschung zusammenführen können. Kernelemente sind hierbei der Aufbau und die Vernetzung von Datenintegrationszentren an den Universitätskliniken sowie die Entwicklung intelligenter IT-Lösungen für spezifische Anwendungsfälle. DIFUTURE harmonisiert, integriert und analysiert verschiedenste Arten von Daten aus der Krankenversorgung und der Forschung. Ziel ist es, Krankheitsursachen und Verläufe besser zu verstehen. Mit diesem Wissen sollen Erkrankungen künftig wirkungsvoll verhindert, schneller diagnostiziert sowie zielgerichteter und nebenwirkungsarm therapiert werden. Im Rahmen der Medizininformatik-Initiative wird die Expertise von vier Konsortialpartnern (Technische Universität München, Ludwig-Maximilians-Universität München, Eberhard Karls Universität Tübingen, Universität Augsburg) zusammengeführt, um den Austausch und die Nutzung von Daten aus Krankenversorgung, klinischer und biomedizinischer Forschung institutionsübergreifend zu verbessern und ihren Mehrwert nachzuweisen.

StMGP Projekt CARE REGIO

Die zunehmende Digitalisierung in der Pflege ermöglicht durch die elektronische Verfügbarkeit von Daten aus der Versorgung neue Formen der Forschung und der Ausbildung. Dafür sind Initiativen für die Stärkung von Interoperabilität und Standardisierung sowie neue Schnittstellen zwischen den Systemen nötig. Im Rahmen des vom Bayerischen Staatsministerium für Gesundheit und Pflege (StMGP) geförderten Verbundprojekts “CARE REGIO”, erarbeitet die Universität Augsburg, gemeinsam mit den Hochschulen Augsburg, Neu-Ulm und Kempten sowie dem Universitätsklinikum Augsburg, Lösungen um in Bayerisch-Schwaben eine Leitregion für digital gestützte Pflege zu etablieren. Das Projekt steht für eine neue, patientenzentrierte Versorgung und Forschung entlang einer Versorgungskette, die bereits vor einem möglichen Krankenhausaufenthalt ansetzt und bis weit in die poststationäre Phase reicht.

Nachwuchsgruppe "Modulare Wissens- und Daten-getriebene Molekulare Tumorkonferenz" (MoMoTuBo)

Im Molekularen Tumorboard werden basierend auf einer Reihe verschiedener Datentypen (klinische Daten, radiologische Daten, histopathologische Daten, genomische Daten, Genexpressionsdaten, ggf. weitere Hochdurchsatzdaten) Therapieentscheidungen für Krebspatienten getroffen. Dazu werden mittels bioinformatischer Methoden bestimmte Features (z. B. bestimmte Mutationen oder Genexpressionsmuster) priorisiert. Basierend darauf werden dann durch (häufig manuell ausgeführte) Datenbankrecherchen Therapievorschläge erarbeitet und interdisziplinär diskutiert. Unklar ist jedoch wie fortschreitendes Wissen und Daten aus externen Quellen in einem standard-getriebenen Prozess in die Arbeit der molekularen Tumorkonferenz integriert werden kann. Auch gibt es keine systematische Erfassung früherer Patienten und Empfehlungen, die es ermöglichen würden, aktuelle Patienten mit ähnlichen früheren Patienten zu vergleichen. Um auf große Fallzahlen zurückgreifen zu können, sollte eine Vernetzung mit den Molekularen Tumorboards anderer Standorte erreicht werden. Ziele: Erstens, die Konzeptionierung einer modular aufgebauten Plattform für das MTB, bei dem Reproduzierbarkeit, Dokumentation und Update-Mechanismen entlang des Prozesses verwirklicht werden. Zweitens, die Erstellung eines Konzepts zur Anbindung der klinischen Routine und der Forschungsdaten. Drittes Ziel ist die verstärkte Automatisierung der Datenintegration und die Aufarbeitung unter Einbeziehung externen Wissens. Das vierte große Ziel ist die Entwicklung von Machine Learning Verfahren für die Analyse im Rahmen des MTB. Hierunter fällt bspw. die Nutzung von unstrukturiertem Wissen (z. B. Arztbriefe), die Generierung komplexer Signaturen zur Modellierung von Therapieansprechen sowie die Identifikation ähnlicher Patienten. Schließlich ist das fünfte Ziel die Implementierung eines Prototyps und quelloffene Software für eine modulare reproduzierbare Software-Plattform für das MTB.