open Menu
Search icon

TP3 - COMMITMENT

System-Medizinisches Wissen und Mechanismen

Eine erfolgreiche Umsetzung von systemmedizinischen Ansätzen zur Anwendung in der Psychiatrie wird von der Fähigkeit abhängen, pathogenetische Mechanismen genau zu modellieren und diese für die Analyse des maschinellen Lernens verfügbar zu machen. Um dies anzugehen, wird das SP3-Teilprojekt mechanistische Informationen aus der wissenschaftlichen Literatur identifizieren und extrahieren und Expertenwissen von den beteiligten biomedizinischen und klinischen Forschungspartnern erfassen. Wir werden dieses A-priori-Wissen in berechenbaren Ursache-Wirkungs-Modellen darstellen, die auf OpenBEL, der Biological Expression Language, basieren. Durch die Kodierung von A-priori-Wissen in berechenbaren Graphenmodellen (so genannten "Knowledge Assemblies") können vollständige Inventare von Mechanismengraphen erstellt werden, die für einen klinischen Indikationsbereich spezifisch sind. Wir bauen auf umfangreiche Erfahrung bei der Erstellung solcher Mechanismeninventare im Bereich neurodegenerativer Erkrankungen. Wir haben zuvor gezeigt, dass Mechanismeninventare auf Patientendaten zur mechanismenbasierten Stratifizierung von Patienten angewendet werden können. SP3 - Kenntnisse und Mechanismen werden die überwiegende Mehrheit des relevanten Wissens für den Lerntransfer zugänglich machen und die Einbeziehung von A-priori-Kenntnissen bei in SP4 entwickelten und in SP5 und SP6 angewandten Ansätzen des maschinellen Lernens wirksam unterstützen. Es werden spezielle Wissensgraphen/Wissensmodelle/Wissenrepräsentationen erstellt, die die Komorbiditätsmodellierung unterstützen, indem sie sich auf „Shared Pathways“ (Mechanismen der gemeinsamen und überlappenden Pathophysiologie) konzentrieren. Das Teilprojekt 3 umfasst zwei Arbeitspakete: WP1 konzentriert sich auf die Technologieentwicklung, die es uns ermöglicht, eine Bestandsaufnahme der Mechanismen zu erstellen, die psychotischen Erkrankungen und komorbiden Zuständen zugrunde liegen. Auf diese Weise können in SP4 entwickelte und in SP5 und SP6 angewendete Algorithmen für maschinelles Lernen auf mechanistisch wichtige Informationen abgestimmt werden. In WP1 werden wir die Technologien und Arbeitsschritte zur Pflege, Erweiterung und Aktualisierung dieser hochspezifischen Wissensressource weiterentwickeln. In diesem Arbeitspaket sind auch alle Technologieentwicklungen enthalten, die für die Integration der Ressource in die IT-Infrastruktur (SP1) und für die Bereitstellung von Wissensdiensten erforderlich sind. In WP2 wenden wir die Wissensressource an, um den Nutzen der in COMMITMENT (SP5 und SP6) angewendeten Informationen über Mechanismen für das maschinelle Lernen zu optimieren. Nach einer fachmännischen Kuration der Wissensbaugruppen, konzentrieren wir uns auf Anwendungsszenarien und Algorithmen für deren optimale Nutzung. In diesem Arbeitspaket werden insbesondere Strategien für die Einbeziehung von graphbasierten Wissensrepräsentationen in Ansätze des maschinellen Lernens und des Transfer-Lernens entwickelt.