HOPARL - Identifikation von Pathogen-Wirt Interaktion und Dynamik durch Representation-Learning auf Einzelzelldaten

Abstract

Das HOPARL-Projekt („Dissecting host-pathogen crosstalk and dynamics via representation learning of single-cell response“) zielt darauf ab, den molekularen Dialog zwischen Wirt und Erreger mithilfe fortschrittlicher Machine-Learning-Ansätze (ML) aufzudecken. Die Wechselwirkungen zwischen Wirt und Erreger sind komplexe, dynamische Prozesse, die für das Verständnis der Infektionsbiologie und die Entwicklung neuer Behandlungsstrategien von zentraler Bedeutung sind. Jüngste Fortschritte in den Einzelzell- und Multi-Omics-Technologien – wie Einzelzell-RNA-Sequenzierung (scRNA-seq), Dual-RNA-seq, metabolische RNA-Markierung (scSLAM-seq) und genomweite CRISPR-Störungsscreens – ermöglichen es inzwischen, Tausende von molekularen Merkmalen sowohl des Wirts als auch des Erregers gleichzeitig und mit hoher Auflösung zu messen. Das volle Potenzial dieser Datensätze bleibt jedoch ungenutzt, da es an spezialisierten rechnergestützten Analyse-Konzepten mangelt, die verschiedene Datenmodalitäten integrieren, zeitliche und räumliche Dynamiken berücksichtigen und biologisch interpretierbare Ergebnisse liefern. HOPARL schließt diese Lücke durch die Entwicklung von drei sich ergänzenden methodischen Konzepten: ● Dynamische Genmodelle zur Rekonstruktion von Infektionsverläufen auf Einzelgen- und Einzelzellniveau. ● Graph-basierte Modelle zur Aufdeckung von Gemeinsamkeiten und Unterschieden in den Reaktionen des Wirts, mit besonderem Fokus auf Zell-Zell-Kommunikation. ● Störungsmodelle zur Vorhersage der Auswirkungen genetischer Veränderungen im Genom von Wirt oder Erreger. ● Die entwickelten Methoden werden anhand bestehender Datensätze zu relevanten humanpathogenen Erregern (z. B. Salmonella enterica, humanes Zytomegalievirus, SARS-CoV-2) evaluiert und experimentell validiert.