Mit guten Bakterien gegen die Schlechten: Maschinelles Lernen zur Maximierung von anti-pathogenen Interaktionen durch Nährstoffoptimierung

• Antragsteller: Or Shalev Skriptchak, Ph.D.
• Fachliche Zuordnung: Medizinische Mikrobiologie und Mykologie, Hygiene, Molekulare Infektionsbiologie ; Bioinformatik und Theoretische Biologie ; Mikrobielle Ökologie und Angewandte Mikrobiologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 516931136

Antibiotika haben der Menschheit mit großem Erfolg seit nahezu einem Jahrhundert gedient und dabei viele Infektionskrankheiten eingedämmt. Diese außergewöhnliche Erfolgsgeschichte ist jedoch momentan bedroht, weil mehr und mehr Pathogene Resistenzen gegen Antibiotika entwickeln. Diese Entwicklung macht Krankheiten, die formals einfach zu behandeln waren, wieder zu tödlichen Gefahren. Einige Wissenschaftler rechnen sogar damit, dass bis zu 10 Millionen Todesfälle im Jahr 2050 durch Antibiotikaresistenzen verursacht werden - ein wahrlich erschreckendes Szenario. Im Angesicht dieser sich abzeichnenden Gesundheitskrise benötigen wir neue Methoden, um Infektionskrankheiten zu behandeln. Das zentrale Ziel dieses Projektes ist es, solch eine alternative Infektionstherapie zu entwickeln, die mikrobielle Interaktionen nutzt, um Pathogene zu bekämpfen. Pathogene, die unseren Körper besiedeln wollen, müssen nicht nur mit unserem Immunsystem interagieren, sondern auch mit den Mikroben, die natürlicherweise mit uns leben - so genannte Kommensalen. Entsprechend können diese Kommensalen uns vor Pathogenen schützen, wenn sie deren Wachstum hemmen. Ich will diesen natürlichen Schutzmechanismus nutzen, indem ich mikrobielle Interaktionen manipuliere, um native Kommensalen spezifisch gegen Pathogene zu richten. Ich werde eine Kombination von Hochdurchsatz-Messungen und maschinellem Lernen verwenden, um vorherzusagen, welche Nährstoffe zu maximaler Inhibierung von Pathogenen durch Kommensalen führen. Zu diesem Zweck werde ich eine Messmethode entwickeln, die mehr als 10.000 Interaktionen pro Tag zwischen einer diversen Menge an Kommensalen und einem bestimmten Pathogen messen kann. Diese Methode wird mir einen großen Datensatz liefern, um ein Modell basierend auf maschinellem Lernen zu trainieren. Mein Ziel ist es, das trainierte Modell einzusetzen, um vorherzusagen welche - für das Modell unbekannten - Kommensalen das Pathogen unterdrücken können, basierend nur auf dem Genome des Kommensalen und den Nährstoffbedingungen. Im Anschluss will ich das trainierte Modell nutzen, um Nährstoffbedingungen vorherzusagen, die eine maximalen Inhibition des Pathogens bedingen. Zuletzt werde ich testen, ob die Nährstoffbedingungen, die zum Schutz vor Pathogenen führen, auch einen Wirt (Caenorhabditis elegans) vor Infektionen schützen können. Mein Ziel ist es eine Plattformtechnologie zu entwickeln, die es erlaubt optimale Nährstoffbedingungen zu ermitteln, um eine Infektionen zu bekämpfen, und die einfach modifiziert und auf im Grunde jede Infektion im Beisein von Kommensalen angewandt werden kann. Dies würde zu einer minimal-invasiven Methode führen, die keine fremden Mikroben in den Körper einbringt und es müssten keine Medikamente mit potentiellen Nebenwirkungen verabreicht werden. Außerdem könnte diese Methoden für jeden Patienten individualisiert werden.

• DFG-Verfahren: WBP Stelle