Door artificiële intelligentie/machine learning (AI/ML) gestuurde dissectie van de multifactoriële impact van het microbioom op het immuunlandschap van colorectale kanker om klinische immunotherapie te begeleiden.

Veel patiënten met colorectale kanker (CRK) reageren niet op immunotherapie door immunosuppressieve laag-antigene CRK. Eerder onderzoek bracht differentiële microbioom associaties aan het licht met verschillende prognosewaarden van CRK-patiënten, inclusief immunotherapie-respons. De huidige uni-variabele technologie gedreven benaderingen geven echter niet volledig de multifactoriële micro-omgevingscontext weer. Vooral bij CRK is AI/ML nodig voor de schatting van de immuun toestand, gevormd door de interacties in het darm microbioom en verstorende klinisch-pathologische kenmerken. We willen een ML-model met tumor-immuun micro-omgeving en microbioom gegevens creëren om immuun activatie/CD8+ T-cel-uitputting in CRK te definiëren en door microbioom gestuurde CRK-klinische pathologie en patiëntoverleving te voorspellen -heel uniek met hoge waarde voor prognostische classificaties. We zullen een originele/veelzijdige pijplijn creëren die zal worden toegepast op andere samenhangende multidimensionale datasets, waarbij we het hoge impact potentieel van dit voorstel schetsen met behulp van onze unieke toegang tot afgestemde tumor-scRNAseq-data met TCR-diversiteit; microarray tumor-expressiegegevens (>500 patiënten) met gematcht 16s-RNA; en originele microarray gegevens van klinische proeven met ~6000 CRC-patiëntstalen met follow-up. Een ‘first-in-class’, innovatief immuno-oncologisch voorstel voor het ontdekken en valideren van biomarkers met prognostische resultaten voor de patiënt.

Trefwoorden:computational immunology, microbiome, immunogenetics, metatranscriptomics, single-cell RNA-seq, classifier

Disciplines:Bio-informatica van ziekten, Computationele biomodellering en machine learning, Computationele transcriptomics en epigenomics, Single-cell data analyse