Informationen aus Biobanken aufspüren
ERC Starting Grant für Forschungsprojekt an der TU Darmstadt
14.02.2022
Die TU Darmstadt erhält einen weiteren Starting Grant vom Europäischen Forschungsrat (ERC). Das Projekt „ScReeningData“ von Dr.-Ing. Michael Muma wird mit 1,5 Millionen Euro als exzellente und innovative Grundlagen- und Pionierforschung gefördert. Mit dem Vorhaben werden Methoden entwickelt, um mittels computergestütztem Lernen in komplexen biomedizinischen Daten relevante Informationen zu entdecken.
Die Entdeckung von wertvollen medizinischen Informationen aus Biobanken ist grundlegend für die Entwicklung neuer personalisierter Medizin. Das Projekt „Scalable Learning for Reproducibility in High-Dimensional Biomedical Signal Processing: A Robust Data Science Framework (ScReeningData)” stellt Forschenden aus biomedizinischen Disziplinen Methoden und reproduzierbare Erkenntnisse für ihre Forschung zur Verfügung. Der Clou: Eine Qualitätskontrolle ist dabei schon eingebaut.
Reproduzierbarkeit der Ergebnisse und statistische Robustheit der Methoden werden im „ScReeningData“-Projekt mathematisch quantifiziert und bewiesen. Dies ist wichtig, da die Hypothesen aus biomedizinischen Daten in aufwändigen Experimenten und klinischen Studien überprüft werden müssen. Ohne statistische Garantien der Reproduzierbarkeit wird wertvolle Zeit auf die Untersuchung von Zusammenhängen verwendet, die in Wirklichkeit womöglich gar nicht existieren. Eine hohe Rate an neuen, reproduzierbaren Entdeckungen hingegen beschleunigt und verbessert zum Beispiel die Entwicklung der individualisierten Diagnostik und Therapie von Krankheiten wie Krebs, Diabetes oder Herzinsuffizienz.
Komplexe Berechnungen in wenigen Tagen möglich
Die „ScReeningData“-Methoden können reproduzierbare Biomerkmale von zufällig auftretenden Mustern unterscheiden. Sie sind auch robust gegenüber Ausreißern in den Daten. Außerdem sind sie skalierbar auf sehr komplexe Probleme, wie zum Beispiel der Analyse von genetischen Daten. Berechnungen, die heute selbst mit modernsten Hochleistungsrechnern viele Jahre dauern, sind zukünftig in wenigen Tagen möglich. Somit ermöglicht „ScReeningData“ das systematische Erkunden von großen Biobanken.
Das „ScReeningData“ zugrundeliegende Konzept des computergestützten Lernens, das Muma mit seinem Forschungsteam erst kürzlich entwickelte, heißt „Terminating-Knockoff (T-Knock)“. Die Idee ist ähnlich einer Placebo-kontrollierten Studie in der Medikamentenforschung. Dabei werden systematisch randomisierte kontrollierte Experimente am Computer durchgerechnet und mathematisch modelliert. Biomerkmale werden nur dann als reproduzierbare Entdeckungen deklariert, wenn sie sich hinreichend gegen computergenerierte Placebo-Merkmale („Knockoffs“) durchsetzen. Der Geschwindigkeitsvorteil gegenüber existierenden Methoden kommt daher, dass das Lernen frühzeitig gestoppt wird (Termination), wenn Knockoffs ausgewählt werden.
Michael Muma studierte und promovierte an der TU Darmstadt. Seit 2017 ist er Postdoctoral Research Fellow, Lehrbeauftragter und Nachwuchsgruppenleiter ( ) im Fachgebiet Signalverarbeitung am Fachbereich Elektrotechnik und Informationstechnik (etit) der TU Darmstadt. Zudem forscht er im LOEWE-Zentrum emergenCITY. Seine Arbeiten und Veröffentlichungen wurden vielfach ausgezeichnet, unter anderem mit dem Early Career Award der European Association For Signal Processing (EURASIP). Athene Young Investigator
Die ERC Starting Grants werden vom Europäischen Forschungsrat an Wissenschaftlerinnen und Wissenschaftler aus allen Disziplinen bis zu sieben Jahre nach der Promotion vergeben. Damit fördert die Europäische Union herausragende Forschung und zugleich den wissenschaftlichen Nachwuchs: Der Starting Grant richtet sich an Forschende, die bereits exzellente Arbeiten vorweisen können und nun am Beginn ihrer Karriere eigenständige Forschung ausbauen oder eine eigene Arbeitsgruppe aufbauen möchten. In der aktuellen Runde hat die TU Darmstadt drei ERC Starting Grants eingeworben, neben dem Projekt „ScReeningData“ waren auch die erfolgreich. Vorhaben „DaVinci-Switches“ und „MotLang“
cst