Das duktale Adenokarzinom des Pankreas ist eine aggressive, hochgradig metastasierende und äußerst therapieresistente Krebserkrankung. Die schlechte Prognose dieser Krebspatientinnen und -patienten wird auf die hohe Heterogenität der Pankreastumoren und die fibrotische Natur ihres Mikromilieus zurückgeführt. Wie das Mikromilieu des Pankreastumors auf Standardtherapien reagiert, indem es sein epigenetisches Profil anpasst, ist jedoch überraschenderweise noch unbekannt. Es wurde herausgefunden, dass bestimmte epigenetische Faktoren die Identität von Pankreastumoren bestimmen und ihre abweichenden Genexpressionsprogramme unterstützen können. Darüber hinaus können auch Zellen des Immunsystems und Zellen des Gewebestromas im Tumormikromilieus die Genexpression von Krebszellen beeinflussen. Tatsächlich liegen neue Daten vor, die zeigen, dass Tumorzellen, die unter Bedingungen gezüchtet werden, die einem sehr "weichen" Gewebestroma ähneln, anfälliger für Chemotherapie sind als solche, die auf "starrem" Stroma gezüchtet werden. Dies eröffnet die Möglichkeit, dass die Modulation der mechanischen Eigenschaften des Tumormikromilieus als neues und wirksames Mittel zur Überwindung der Therapieresistenz dienen könnte. Daher wird in SCIE-PANC untersucht, wie sich die epigenetische Therapie auf die Identität von Pankreastumorzellen und ihre Wechselwirkung mit der Mikroumgebung auswirkt, um eine Therapieumgehung zu kontrollieren.

Im Rahmen dieses Projekts soll ein spezielles Computerprogramm, das auf Machine Learning basiert, entwickelt werden, um Tumore der Nasennebenhöhlen und Speicheldrüsen besser klassifizieren zu können. Machine Learning ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer mithilfe großer Datenmengen selbstständig Muster erkennen und aus diesen lernen können, ohne explizit programmiert zu werden. In diesem Fall nutzt das Programm DNA-Methylierungsdaten, um herauszufinden, zu welcher Tumorart eine Probe gehört. Tumore der Nasennebenhöhlen und Speicheldrüsen sind relativ selten, und einige Unterarten kommen nur sehr selten vor. Um das Programm zu trainieren, werden daher Proben aus verschiedenen Ländern Europas gesammelt, einschließlich solcher aus klinischen Studien. Nachdem das Machine-Learning-Programm entwickelt wurde, wird es in mehreren Laboren getestet, um sicherzustellen, dass es zuverlässig funktioniert. Das Team an der Charité Berlin  wird Proben für ein Referenzset zur Verfügung stellen. Zusammen mit der Forschungsgruppe an der LMU München wird die Charité die Hauptverantwortung für die Entwicklung dieses Machine-Learning-Programms tragen. Ein weiterer wichtiger Teil der Arbeit wird darin bestehen, die Arbeitsabläufe in den sechs beteiligten Laboren zu koordinieren, damit alle nach den gleichen Standards arbeiten. Zusätzlich zu diesen Tätigkeiten wird das Programm in verschiedenen europäischen Zentren überprüft, um herauszufinden, wie gut es in der Praxis funktioniert und ob es in klinischen Anwendungen genutzt werden kann. Darüber hinaus werden innerhalb des SPELCASTER-Projekts sogenannte Biomarker aus den analysierten Proben identifiziert. Diese Biomarker können Hinweise darauf geben, wie lange eine erkrankte Person voraussichtlich ohne Fortschreiten der Krankheit überlebt und wie gut sie auf bestimmte Therapien anspricht.

Im Rahmen dieses Projekts soll ein Machine Learning Klassifikator entwickelt werden, der basierend auf DNA Methylierungsdaten eine Klassifizierung von Tumoren der Nasennebenhöhlen und Speicheldrüsen ermöglicht. Da Tumoren der Nasennebenhöhle und der Speicheldrüsen verhältnismäßig selten sind und einige Entitäten ungewöhnliche Raritäten darstellen, werden die für das Algorithmustraining benötigten Proben über ein europaweites Konsortium gesammelt, wobei auch klinische Studienkollektive eingeschlossen werden. Der Klassifikator wird in der Folge multizentrisch validiert und die Datenerhebung und -interpretation zwischen den einzelnen Projektpartnern harmonisiert werden. Der an der LMU München ansässige Teil des Konsortiums wird Daten für das Referenzkollektiv beitragen und zusammen mit der Arbeitsgruppe an der Charité Berlin die Hauptverantwortung für die Entwicklung des Machine Learning Klassifikators übernehmen. Zudem wird der mögliche Einfluss von Tumorheterogenität auf das Klassifikationsergebnis durch die Analyse von mehreren Tumorregionen sowie gepaarten Biopsien und Operationspräparten geprüft.