Ziel der Fördermaßnahme "Computational Life Sciences" ist es, die Entwicklung innovativer Methoden und Softwarewerkzeuge zur bioinformatischen Verarbeitung, Modellierung und Simulation mit Blick auf aktuelle Fragestellungen in den Lebenswissenschaften voranzubringen. So sollen der lebenswissenschaftlichen Forschung in Deutschland effiziente und zuverlässige Hilfsmittel zur Verfügung stehen, um die durch neueste experimentelle Methoden oder die Zusammenführung verschiedener Modalitäten gewonnenen Daten geeignet zu modellieren und zu analysieren.

Im Fokus der aktuellen Bekanntmachung stehen KI-Methoden für die Systemmedizin. Ziel ist es, Methoden zu entwickeln, die mithilfe geeigneter KI-Algorithmen den derzeitigen Stand der Technik in der systemmedizinischen Datenanalyse entscheidend verbessern. Der Schwerpunkt liegt dabei auf klinisch relevanten Fragestellungen.

Im Verbundprojekt TissueNet sollen – mithilfe räumlicher Einzelzellmethoden in Verbindung mit innovativen KI und Machine-Learning-basierten Analysetechniken – der Zellstatus und die Gewebsarchitektur menschlicher Knochenmarksproben von Patientinnen und Patienten mit multiplem Myelom vor und nach einer Zelltherapie untersucht werden. Das multiple Myelom ist eine Erkrankung, bei der sich bösartige Tumorzellen im Knochenmark ausbreiten und zu Knochenabbau, Nierenversagen und einer Verminderung der Blutzellen führen. Die Inzidenz liegt in Deutschland bei sechs bis acht neuen Fällen pro 100.000 Einwohner pro Jahr. Das multiple Myelom gilt als unheilbar, die Betroffenen sterben zwischen fünf und zehn Jahren nach der Diagnose. Obwohl die sogenannte CAR-T-Zelltherapie als vielversprechender neuer Behandlungsansatz gilt, stellen die Variabilität des Ansprechens auf die Behandlung und die starken Nebenwirkungen eine große Herausforderung für den Therapieerfolg dar.

Um besser zu verstehen, wie die Zellen und die Gewebestruktur durch die Behandlung beeinflusst werden, sollen neuartige Methoden für die Analyse der Tumor-Mikroumgebung in menschlichen Tumorproben in Einzelzellauflösung über die molekulare Ebene hinweg etabliert werden. Darüber hinaus sollen Deep-Learning-Algorithmen entwickelt werden, um die Zellzustandsdynamik und die zugrundeliegenden Veränderungen der zellulären Interaktionen in der Mikroumgebung darzustellen und zu charakterisieren. Die KI-gestützte Analyse von räumlich aufgelösten Einzelzelldaten soll darüber hinaus eine effizientere Stratifizierung der Krankheit ermöglichen.