Maschinelles Lernen zur Datenaufbereitung in der Laser-Tumor-Theragnostik

Mit einem Picosekunden-Infrarotlaser (PIRL) können Gewebeproben durch kalte Verdampfung sehr schonend entnommen werden. Dabei bleiben sehr empfindliche Biomoleküle wie Proteine intakt und sogar enzymatisch aktiv. Damit liefert diese Technologie die ideale Voraussetzung für die Gewinnung von Proben wie zum Beispiel von karzinogene Tumoren zur Suche nach Krebs-Markern sowie zur minimal-invasiven Gewebe-Diagnostik. Voraussetzung für eine solche Diagnostik ist die Identifizierung und Validierung von Krebsmarker-Panel.

Ziel ist es, eine informatische Lösung zu entwickeln, mit der aus den Proteomics-Daten und den Phänotypen der Krebspatienten Krebsmarker-Protein-Panel erstellt werden können, die als Basis für eine PIRL-basierte Krebsgewebe-Theragnostik dient.

Die Analyse einer Probe hinsichtlich der Frage, ob es sich um einen Krebsgewebe-Subtyp handelt oder nicht, führt mathematisch auf ein Klassifikationsproblem. Ausgehend von klassifizierten Trainingsdaten soll ein neuronales Netz trainiert werden, um einzelne Marker bzw. ganze Markerpanel zu identifizieren.