Aufdeckung von Merkmalen mikrobieller Gemeinschaften für biomedizinische Anwendungen mithilfe von Graph-Neuronalen Netzen
Das menschliche Mikrobiom, das aus einer Vielzahl von Mikroorganismen besteht, ist entscheidend für Physiologie und Gesundheit; ein Verständnis seiner Organisation ermöglicht neue Diagnosen und Therapien. Hochdurchsatz-Next-Generation-Sequenzierung (HT-NGS) erlaubt heute eine detaillierte Charakterisierung der mikrobiellen Häufigkeiten, doch die Zusammensetzung des Mikrobioms variiert in Abhängigkeit von Genetik, Lebensstil und Umwelt. Mikroorganismen konkurrieren und kooperieren zudem miteinander und bilden dynamische Gemeinschaften, deren emergente Eigenschaften den Wirt beeinflussen. Die Analyse aller möglichen Gemeinschaftskombinationen ist technisch nicht realisierbar, was ihre Nutzung als Biomarker einschränkt. Dieses Projekt begegnet diesen Herausforderungen, indem Graph-Neuronale Netze (GNNs) in eine angepasste HT-NGS-Pipeline integriert werden, um Gesundheitszustände auf Basis des Darmmikrobioms zu charakterisieren und vorherzusagen. Im Gegensatz zu Methoden für Zeitreihen oder Bilder arbeiten GNNs mit Graphen, die Wechselwirkungen (Kanten) zwischen Mikroorganismen (Knoten) abbilden und verschiedene Datenmodalitäten in einer interpretierbaren Struktur zusammenführen.
Das Projekt verfolgt zwei komplementäre Ziele:
Untersuchung der Diversität des Darmmikrobioms und seiner Zusammenhänge mit metabolischen Funktionen über verschiedene Bevölkerungsgruppen hinweg unter Berücksichtigung von Lebensstil und Genetik, unter Nutzung öffentlicher Datensätze aus westlichen Gesellschaften und indigenen Bevölkerungsgruppen des Amazonasraums;
Analyse der Beziehung zwischen dem Mikrobiom und der Parkinson-Krankheit (PK). Da weniger als 10 % der PK-Fälle rein genetisch bedingt sind, spielen Umwelt- und Lebensstilfaktoren eine zentrale Rolle. Frühere Machine-Learning-Modelle, die sich auf einzelne Bakterien konzentrieren, liefern widersprüchliche Ergebnisse; daher richtet dieses Projekt den Fokus auf bakterielle Gemeinschaften als potenzielle Biomarker für PK mit prädiktiver Aussagekraft.
Kontakt: Renan Moioli
Gefördert durch CAPES-Humboldt-Forschungsstipendiums