Ziel der Fördermaßnahme "Computational Life Sciences" ist es, durch die Entwicklung innovativer Methoden und Softwarewerkzeuge zur bioinformatischen Verarbeitung, Modellierung und Simulation auf aktuelle Bedarfe in den Lebenswissenschaften einzugehen. Dadurch sollen der lebenswissenschaftlichen Forschung in Deutschland effiziente und zuverlässige Hilfsmittel zur Verfügung gestellt werden, um die durch neueste experimentelle Methoden oder die Zusammenführung verschiedener Modalitäten gewonnenen Daten geeignet zu modellieren und zu analysieren.
Im thematischen Fokus der vierten Förderrunde stehen KI-Methoden für die Infektionsforschung. Ziel ist es, prädiktive systemmedizinische Modelle der molekularen Interaktionsnetzwerke zwischen Erregern und Wirtskörpern während der Infektion oder der Therapie zu entwickeln. Auf Basis fortschrittlicher Methoden aus dem maschinellen Lernen, der Bioinformatik, der Statistik und der Computational Biology sollen Softwarewerkzeuge und Computermodelle entwickelt bzw. verbessert und validiert werden.
Das vorliegende Verbundprojekt Deep-Legion beschäftigt sich in diesem Zusammenhang mit der Legionärskrankheit, einer besonders virulenten Form der Lungenentzündung. Ziel ist es, sogenannte Virulenzfaktoren – Eigenschaften, die die krankmachende Wirkung bestimmen - des humanpathogenen Bakteriums Legionella pneumophila zu identifizieren. Legionellen sind schwer zu kultivierende Bakterien, werden zu wenig diagnostiziert und sind von Natur aus resistent gegen die routinemäßige Behandlung mit Antibiotika. Hier setzt Deep-Legion an: Im Rahmen des Projekts sollen die Virulenzfaktoren des intrazellulären Erregers auf Grundlage vorhandener molekularbiologischer und klinischer Daten mit Deep-Learning Ansätzen bestimmt werden. Ziel ist es, ihren Ursprung und ihre Funktion vorherzusagen und diese Vorhersagen anschließend in vitro zu validieren.
Es ist geplant, mithilfe von computergestützten Deep-Learning Methoden automatisierte Analysen und Vergleiche von DNA- und Proteinsequenzen bei verschiedenen Legionellen-Stämmen durchzuführen und mit dem klinischen Virulenzpotential dieser Stämme zu korrelieren. Die so identifizierten Virulenzfaktoren sollen neue Einsichten zum biologischen Verständnis der einzelnen Legionellen-Stämme ermöglichen. Mit diesen Informationen ließen sich die aktuellen Diagnose- und Behandlungsoptionen bei Patientinnen und Patienten mit Legionellenpneumonie deutlich erweitern und verbessern. In Falle einer erfolgreichen routinemäßigen Anwendung in der klinischen Praxis ist darüber hinaus vorgesehen, die entwickelten Deep-Learning Methoden auch auf andere humanpathogene Erreger anzuwenden.