BMBF veröffentlicht Richt­linie zur För­der­maß­nah­me „Com­pu­ta­tio­nal Life Scien­ces – KI-Me­tho­den für die Sys­tem­me­di­zin“

Das Ziel der vorliegenden Förderrichtlinie ist es, die Entwicklung neuer oder verbesserter KI-gestützter Methoden und Analysewerkzeuge für die systemmedizinische Forschung voranzutreiben. Diese sollen dazu beitragen, Krankheiten auf Basis von systemmedizinischen Analysen und Modellen zukünftig besser zu verstehen, frühzeitiger zu erkennen und effektiver zu behandeln.

Die Systemmedizin nutzt systemorientierte Herangehensweisen, um komplexe physiologische und pathologische Prozesse in ihrer Gesamtheit zu verstehen und damit Grundlagen für die Entwicklung innovativer Verfahren für Diagnostik, Therapie und Prävention von Krankheiten zu schaffen. Durch Fortschritte bei den experimentellen Technologien werden zunehmend genauere molekulare und zelluläre Daten erhoben. Diese bilden die Grundlage, um die molekularen und zellulären Ereignisse, die einer Krankheit vorausgehen oder die während einer Behandlung auftreten, besser zu verstehen. Mit Hilfe von Computermodellen von Krankheitsverläufen, die neben Omics-Daten auch klinische Daten, Bildgebungsdaten oder Lifestyle-Informationen integrieren, lassen sich neue Biomarker entdecken, Krankheiten frühzeitiger erkennen, Aussagen über die zukünftige Krankheitsentwicklung machen und passgenauere Therapien finden.

Viele herausfordernde Datenanalyseaufgaben in der Systemmedizin umfassen Problemstellungen aus dem Bereich des maschinellen Lernens. Ein Beispiel ist die Integration von Einzelzelldaten und räumlichen Daten, um die Rolle spezifischer Subpopulationen von Zellen und ihrer Wechselwirkungen für das Krankheitsgeschehen besser zu verstehen. Hier helfen Dimensionsreduktions- und Clustering-Verfahren dabei, Subpopulationen zu identifizieren. Modelle aus dem maschinellen Lernen helfen dabei, die lokale Zelltyp-Verteilung im Gewebe zu schätzen. Auch bei der Analyse von Multi-Omics-Daten, Bildgebungsdaten, Laborbefunden sowie Daten über Medikationen, Krankheitsverläufe oder Lebensstil kann maschinelles Lernen einen wichtigen Beitrag leisten. Dabei gibt es auf methodischer Seite noch großen Forschungsbedarf, etwa bei der Integration und Analyse heterogener, multi-modaler und hochdimensionaler Daten, der Erklär- und Anwendbarkeit der entwickelten Modelle, der Quantifizierung der Unsicherheit von Modellvorhersagen oder der Entdeckung kausaler Zusammenhänge in den Daten.

Der Zuwendungszweck ist die Förderung von interdisziplinären Forschungsprojekten zur Methodenentwicklung, in denen durch geeignete KI-Algorithmen der derzeitige Stand der Technik in der systemmedizinischen Datenanalyse entscheidend vorangebracht wird. Dabei sollen mit Hilfe der neuen Methoden klinisch relevante Fragestellungen adressiert werden.