In FLabNet wird das Potenzial der algorithmischen Netzwerkbiologie und des verteilten maschinellen Lernens genutzt, um exemplarisch zwei offene Probleme in der pädiatrischen Onkologie zu adressieren: die Prädiktion von Chemotherapie-induzierten Nebenwirkungen wie neutropenischem Fieber und die Früherkennung seltener bösartiger Erkrankungen wie myeloproliferativer Neoplasmen. Basierend auf >54 Millionen Labormessungen für >500.000 Patientinnen und Patienten aus dem Kerndatensatz der deutschen Medizininformatik-Initiative (MII) werden personalisierte Netzwerke erstellt, wobei Knoten die einzelnen Messungen repräsentieren und Kanten patientenspezifische Relationen kodieren. Es wird davon ausgegangen, dass die entstehenden Graphendarstellungen patientenspezifische Spektra und Abhängigkeiten von Gesundheits- und Krankheitsmerkmalen erfassen. Die Netzwerke werden als Signaturen für netzwerkbasierte Prädiktoren wie Graph Kernel verwendet; und es werden föderierte Implementierungen der Prädiktoren bereitgestellt, die vollständig mit MII-Standards interoperabel sind. Das Konsortium kombiniert Expertenwissen auf den Gebieten der algorithmischen Systembiologie (FAU), der pädiatrische Onkologie (UKER), der quantitativen Analyse von Labordaten, des föderierten Lernens für die Biomedizin (Bitspark GmbH & FAU) und der professionellen Softwareentwicklung (Bitspark GmbH). Diese synergistischen Fähigkeiten werden es ermöglichen, Labordiagnostik mit computergestützter Systemmedizin und datenschutzfreundlichem maschinellen Lernens zu verbinden und so den Stand der Forschung in der quantitativen Asuwertung von Labordaten für die Präzisionsmedizin in der pädiatrische Onkologie und darüber hinaus voranzutreiben.