Onderzoeken en exploiteren van het spatiale darmkanker ecosysteem voor nieuwe biologische, diagnostische en therapeutische inzichten

Inter en intra-tumor heterogeniteit bemoeilijkt kanker diagnostiek en therapie. Het gebruik van machine learning kon al heterogeniteit tonen en kwantificeren en worden gebruikt in diagnostiek. Wij vonden single cell parameters gelinkt aan heterogeniteit en hebben deze spatiaal bekeken. Om deze data diagnostisch en therapeutisch te exploiteren, integreren we de data van verschillende modaliteiten om de complexe data te reduceren in simpele weefsel metingen die doenbaar zijn in diagnostiek. We detecteren ook macrostructuren en onderliggende cel netwerken via graph analyses. Deze parameters gebruiken we vervolgens om stratificatie en prognose te voorspellen. De resultaten versterken KULeuven’s portfolio op 3 manieren: 1) de diagnostisch relevante patronen en algoritmen kunnen verder gevalideerd worden voor darmkanker diagnostiek, 2) cel interactie netwerken en hun heterogeniteit kunnen therapeutische regimes voorstellen, en 3) consolidatie van deze analyse strategie laat ook toe om deze toe te passen in de andere spatiale datasets waarin KULeuven onderzoekers zwaar geïnvesteerd hebben.

Trefwoorden:Colorectal cancer, Pathology, Pattern recognition, Diagnostics, Cancer biology

Disciplines:Kankerdiagnose, Gastro-enterologie, Computationele biomodellering en machine learning