Krebs ist als Krankheit die zweithäufigste Todesursache weltweit. Die Krebsbehandlung wird jedoch durch die Entwicklung von Resistenzen gegen die derzeitigen Therapien erschwert. Die Kombination der Multiomics-Daten einzelner Tumore mit den Informationen über ihren in-vitro Medikamentenempfindlichkeits- und Resistenztest (DSRT) kann dazu beitragen, eine geeignete Therapie für Patienten zu bestimmen. Miniaturisierte Hochdurchsatztechnologien wie Droplet-Mikroarray ermöglichen eine personalisierte Onkologie.

Das Projekt konzentriert sich auf die Entwicklung einer Plattform mit Arbeitsabläufen für die Erstellung von DSRT-Profilen aus winzigen Mengen an Zellmaterial und Reagenzen. Experimentelle Ergebnisse beruhen oft auf Mikroskopiebilder. Eine manuelle Bildanalyse ist jedoch zeitaufwändig, nicht reproduzierbar und bei Hochdurchsatz nicht möglich. Daher sind automatisierte Bildverarbeitungslösungen ein wesentlicher Bestandteil einer Screening-Plattform für die personalisierte Onkologie.

Das Ziel der IAI-Arbeitspakete ist die Entwicklung von Arbeitsabläufen, Algorithmen und Schnittstellen unter Verwendung von Deep Learning für die automatisierte Hochdurchsatz-Bildverarbeitung.

Tools:

1. Grid Screener

   • Grid Screener: A Tool for Automated High-throughput Screening on Biochemical and Biological Analysis Platforms

   • https://gitlab.kit.edu/kit/iai/ml4home/grid-screener

2. Karlsruhe Image Data Annotation Tool (KaIDA)

   • KaIDA: a modular tool for assisting image annotation in deep learning

   • https://gitlab.kit.edu/kit/iai/ml4home/kaida