Skip to main content

Seed Funding Programm 2023

PRIMA

Entwicklung von Biomarkern zur Vorhersage des Progressionsrisikos des Barrett-Ösophagus

Koordinatoren

Sebastian Belle

II. Med. Klinik / Endoskopie, UMM

Karol Nowicki-Osuch

DKFZ-Hector Nachwuchsgruppe Tumorgenese und molekulare Krebsprävention

Ausführliche Beschreibung

Eine bestimmte Form der Metaplasie im Ösophagus (Speiseröhre), besser bekannt als Barrett-Ösophagus (BE), ist eine Krebsvorstufe des Ösophagus-Adenokarzinoms (OAK). Aus 0,3 % der Barrett-Ösophagus-Fälle entwickelt sich ein Ösophagus-Karzinom. Die Identifizierung von Patient:innen, bei denen ein Progressionsrisiko besteht, ist für die Verbesserung der Überlebenschancen unerlässlich. Eine genaue Diagnose wird jedoch dadurch erschwert, dass dysplastische oder Risiko-Regionen bei endoskopischen Eingriffen nur schwer identifiziert werden können. Zudem gibt es nur wenige histologische und genetische Biomarker, die ein Fortschreiten der Erkrankung indizieren. 

In dieser Studie werden wir die technischen Innovationen der heutigen endoskopischen Verfahren, die eine genaue Bildaufnahme ermöglichen, mit unseren jüngsten Entdeckungen kombinieren, die zeigen, dass genomweite genetische Anomalien und transkriptionelle Fehlregulationen wichtige Prädiktoren für das BE-Progressionsrisiko sein könnten. Im retrospektiven Teil der Studie werden wir die mutREAD-Technologie einsetzen, um die genomweite Aneuploidie, eine Genommutation, bei BE-Fällen zu untersuchen und sie mit dem Progressionsrisiko zu korrelieren. Im prospektiven Studienarm werden wir die Genauigkeit des im retrospektiven Studienarms ermittelten genetischen Vorhersage-Scores validieren. In diesem Arm werden wir auch hochauflösende endoskopische Bilder sammeln und anhand der histologischen und genetischen Diagnose maschinelle Lernmodelle erstellen, die das Dysplasie- (Fehlbildungs-) Risiko der endoskopisch identifizierbaren Regionen vorhersagen. Insgesamt wird diese Studie die Anwendbarkeit des genetischen Biomarkers (Aneuploidie-Score) validieren und Daten sammeln, die für das Training von maschinellen Lernverfahren benötigt werden, was letztendlich zu einer verbesserten Erkennung und Überlebensrate von Patient:innen mit einem Risiko für die Entwicklung einer OAK führen wird.