Im Rahmen des ERANET-PLL Verbundes werden Multi-Omics-Daten von über 100 T-PLL Patienten und zugehörige Daten zum Ansprechen der Leukämiezellen auf verschiedene Substanzen generiert und mit Hilfe von bioinformatischen Methoden unter Einbezug der klinischen Charakteristika dieser Patienten analysiert. So sollen veränderte zelluläre Hauptsignalwege und Biomarker identifiziert werden, die über molekulare Profile assoziiert mit präklinischen Substanzempfindlichkeiten den klinischen Therapieerfolg vorhersagen. Speziell werden die Daten zur Entwicklung einer integrativen Methode genutzt, die mittels Computer-gestützter Lernverfahren Vorhersagen zur Wirkung von einzelnen Therapeutika für T-PLL Patienten ermöglicht. Diese Methode soll später dazu beitragen, neue Therapieansätze zu testen und Hämatologen bei der Verordnung einer individuellen Therapie unterstützen. Das Projekt wird durch die Universität Köln koordiniert. Der Standort Köln ist in allen Teilprojekten essentiell involviert. Weitergehend hat die Universität Köln in der Genom-, Epigenom- und Metabolom-Kartierung der T-PLL sowie der Etablierung von Substanz-Responce-Profilen und Validierung von Kandidaten-Molekühlen die Federführung.

Die T-Prolymphozyten-Leukämie (T-PLL) gehört zu den reifzelligen Non-Hodgkin-Lymphomen der T-Zell-Reihe. Mit einer Rate von zwei Neuerkrankung pro 1 Million Personen ist die T-PLL sehr selten, aber dennoch die häufigste T-Zell-Leukämie. Durch das seltene Auftreten ist die T-PLL bisher wenig erforscht. Derzeit gibt es noch keine sicher definierte Standardtherapie für die T-PLL und die bisher effektivste Antikörperbehandlung mit Alemtuzumab (für CLL zugelassen, aber aus ökonomischen Gründen vom Markt genommen) führt nach initialem Ansprechen zu einer Resistenz, sodass das mittlere Überleben von T-PLL-Patienten unter 20 Monaten liegt. Vor diesem Hintergrund sind neue Therapieansätze zwingend erforderlich. Die TU Dresden wird im Rahmen des Projekts die Multi-Omics-Daten (Genom, Transkriptom, Epigenom, Metabolom) von verschiedenen Chemotherapeutika mit Hilfe von statistischen und bioinformatischen Methoden analysieren. Ziel ist veränderte Hauptsignalwege und Biomarker zu identifizieren, die mit dem Therapieerfolg assoziiert sind. Hierzu werden Gene mit starker Wirkung auf Biomarker und Signal- und Stoffwechselwege identifiziert. Die dabei gewonnenen Daten werden dann zur Entwicklung einer Methode genutzt, die mittels maschineller Lernverfahren Vorhersagen zur Wirkung von einzelnen Chemotherapeutika für T-PLL-Patienten ermöglicht.