In der Studie wird das Modell UNAGI („Unsupervised Neural Analysis of Gene Interactions“) vorgestellt – ein generatives Deep-Learning-Verfahren, das erstmals longitudinale Einzelzell-Transkriptomdaten nutzt, um zelluläre Dynamiken im Verlauf chronischer Erkrankungen zu rekonstruieren. Während klassische Analysen statische Momentaufnahmen liefern, erlaubt UNAGI eine zeitlich aufgelöste Betrachtung der Krankheitsprogression. Dabei werden aus hochdimensionalen Transkriptomdaten sogenannte disease-informed embeddings generiert, die funktionelle Zellzustände in Abhängigkeit von Krankheitsstadien abbilden.

Anhand von Daten zur idiopathischen Lungenfibrose (IPF) demonstrierten die Forschenden, dass UNAGI präzise zwischen frühen, intermediären und späten Krankheitsphasen auf Zellebene unterscheiden kann. Das Modell identifizierte fibroblastische Subpopulationen, die mit progredienter Gewebeumbildung assoziiert sind, und konnte deren Transkriptionsprogramme im Verlauf der Erkrankung nachzeichnen. Diese Informationen ermöglichen es, regulatorische Netzwerke zu identifizieren, die für den Übergang von reversiblen zu irreversiblen Fibrosezuständen entscheidend sind.

Besonders innovativ ist die Kombination der Modellierung zellulärer Dynamiken mit einem in silico Drug-Screening-Ansatz. Auf Basis der generierten Krankheitsprofile kann UNAGI vorhersagen, welche pharmakologischen Substanzen spezifische pathologische Zellzustände modulieren könnten. Potenziell antifibrotische Kandidaten wurden experimentell in humanen Lungen-Präzisionsschnittkulturen überprüft und konnte dort durch eine messbare Reduktion fibrotischer Marker validiert werden.

„Mit solchen Ansätzen rücken wir zelluläre Mechanismen und letztlich Therapieoptionen viel näher an den Patienten heran“, betont BREATH-PI Jonas Schupp. Die Ergebnisse unterstreichen das Potenzial moderner KI-gestützter Verfahren, Krankheitsmechanismen auf Einzelzellebene nicht nur zu beschreiben, sondern auch therapeutisch nutzbar zu machen.

Die Publikation entstand in enger internationaler Zusammenarbeit und verdeutlicht die Bedeutung global vernetzter Forschung für den Fortschritt in der Pneumologie. Für BREATH und das Deutsche Zentrum für Lungenforschung (DZL) markiert sie einen wichtigen Schritt hin zu datengetriebener, präziser und patientennaher Lungenforschung.

Die Originalpublikation finden Sie hier.

Text: BREATH/AB

Foto: privat