Forschung

Wir entwickeln Algorithmen für maschinelles Lernen, die große Proteinstruktur- und -sequenzdaten nutzen, um die Diagnose und Behandlung von Krebs und Infektionskrankheiten zu verbessern.

Zu den jüngsten Erfolgen gehören neuartige Leitstrukturen zur Überwindung der Resistenz gegen eine Krebs-Chemotherapie, zur Inaktivierung von B-Zellen bei Autoimmunerkrankungen und zur Behandlung der Chagas-Krankheit. Die Leitstrukturen wurden anhand eines In-silico-Screens von Strukturdaten vorhergesagt, bei dem die Bindungsstellen von Arzneimitteln und ihre Wechselwirkung mit ihren Zielstrukturen verglichen wurden. Die Arbeit hat zu einem sehr gut genutzten Online- und Open-Source-Tool zur Analyse molekularer Wechselwirkungen namens PLIP https://plip.biotec.tu-dresden.de/ und dem Spin-off-Unternehmen pharmAI GmbH www.pharm.ai/ geführt.

Neben Strukturdaten analysieren wir auch Sequenzdaten. In einem großen Screening von Patient:innen mit Bauchspeicheldrüsenkrebs haben wir maschinelles Lernen eingesetzt, um die Krebsdiagnose anhand von Blutproben zu verbessern. Unsere KI analysiert die DNA der Patient:innen und trennt Bauchspeicheldrüsenkrebs von einer Entzündung mit einer Erfolgsquote von über 90 % im Vergleich zum besten klinischen Marker CA19-9 mit 70-80 %.

Außerdem analysieren wir die Antibiotikaresistenz von E. coli in Abwässern. Wir haben genomische Variationen mit Antibiotikaresistenz korreliert und Kandidaten für Resistenzgene in E. coli identifiziert.

Veröffentlichungen finden Sie auf Googe Scholar