Das Verbundprojekt GEMOLS beschäftigt sich mit Verbesserungen bei der Analyse biomedizinischer Daten. Dank stetig sinkender Kosten werden immer größere Mengen hochdimensionaler biomedizinischer Daten erzeugt. Dies ermöglicht es prinzipiell, für eine integrative Datenanalyse immer häufiger Deep-Learning-Techniken einzusetzen. Für die Anwendung dieser Techniken ist jedoch auch eine ausreichend große Basis an sogenannten annotierten – also mit zusätzlichen Informationen etwa zu klinischen Endpunkten oder Patientencharakteristika versehenen – klinischen Daten notwendig. Hier ist die vorhandene Datenlage weniger gut. Um dennoch die bestmögliche Analyse und Interpretation biomedizini-scher Daten zu erreichen, werden verstärkt sogenannte generative Deep-Learning-Ansätze verfolgt, die unabhängig von klinischen Annotationen die Struktur der molekularen Daten lernen und auch komplexe Muster aus den (biomedizinischen) Daten extrahieren können.

Hier setzt GEMOLS an: Im Rahmen des Projekts sollen – basierend auf den Bedürfnissen biomedizinischer Anwendungen – die bestehenden generativen Deep-Learning-Ansätze deutlich verbessert werden. Es ist geplant, Techniken für das Extrahieren von Mustern aus biomedizinischen Daten sowie für intuitive Visualisierungen des extrahierten Wissens weiterzuentwickeln. Hieraus sollen anschließend Empfehlungen hinsichtlich der Eignung verschiedener generativer Ansätze für die integrative Nutzung einzelner biomedizinischer Datentypen gegeben werden. Die Methodenentwicklung orientiert sich beispielhaft an einer biomedizinischen Anwendung, in der Leberkarzinom-Zelllinien sowie Tumor-Gewebsproben von Patienten auf Mutationen und Genaktivität untersucht werden, um Resistenzmechanismen gegenüber Chemotherapeutika zu identifizieren.