Unsere Statistik
Wir nutzen hochentwickelte Methoden des Deep Learning und der neuronalen Statistik. Diese Methoden ermöglichen ein unbeaufsichtigtes maschinelles Lernen, das unabhängig von externen Eingriffen relevante Ergebnisse liefern kann. Die Ergebnisse werden mithilfe verschiedener Klassifizierungsalgorithmen ausgewertet, d.h. mit Methoden und Kriterien zur Einteilung von Objekten (in unserem Fall Patienten) in Klassen (hier z. B. Subgruppen von Prädiabetikern oder Diabetikern). Die hohe Wirksamkeit unseres Ansatzes wurde durch unsere statistischen Ergebnisse bestätigt, bei denen die Ergebnisse regelmäßig p-Werte unter 0,0001 erreichen.
Methoden
Die Klassifizierung basiert auf selbstorganisierenden Karten (SOMs), also nichtlinearen, parallelen, robusten und fehlertoleranten neuronalen Netzen. Selbstorganisierende Karten (SOM) sind künstliche neuronale Netze, die mittels unüberwachtem Lernen eine topologische Darstellung des Eingaberaums (in unserem Fall Patientendaten) ermöglichen. Der Lernalgorithmus generiert automatisch Klassifikatoren, durch die er die Eingabedaten in nicht vorab erkennbare Cluster unterteilt. SOMs werden neben dem Clustering auch zur Visualisierung komplexer Beziehungen, zur Vorhersage, Bewertung, Modellierung und Datenexploration verwendet. Um die Modelle weiter zu validieren und die Bedeutung der mRNAs für die verschiedenen Klassifizierungsmodelle zu berechnen, verwenden wir RBF-Netzwerke und andere Vorhersagemodelle wie MLPs, logistische Regression und Quinlans Entscheidungsbaum. Wo sinnvoll und machbar, nutzen wir adaptives Boosting nach den Methoden von Shapire und Freund.
Wir erschließen das Potenzial des Fettgewebes
Unterhautfettgewebe (UFG)
Das Unterhautfettgewebe (UFG) spielt eine wichtige Rolle bei der Entstehung und Modulation von Stoffwechselerkrankungen. Es bietet vollkommen neue Ansätze für eine personalisierte Medizin.
Mehr lesenmRNAs sind ein Schlüssel zur personalisierten Medizin
mRNAs (messenger RNAs)
mRNAs (Messenger-RNAs) übermitteln genetische Informationen im Körper. Sie sind maßgeblich an der Modulation von Stoffwechselprozessen beteiligt, insbesondere an Prozessen des Energiestoffwechsels. Bei Stoffwechselerkrankungen können sie als „drivers of pathology“ angesehen werden.
Mehr lesenWir gehen neue Wege in der Diagnostik, der Therapie und der Prävention
Diagnose
Die mRNA-Analyse des UFG bietet völlig neue Einblicke in den Energiestoffwechsel. Insbesondere bei Stoffwechselerkrankungen spielen die aktuelle Dynamik des Körpers und Umwelteinflüsse eine weitaus größere Rolle als die genetische Disposition des Patienten.
Mehr lesenTherapie
Der Schlüssel zur erfolgreichen Behandlung von Stoffwechselerkrankungen liegt im Eingriff in die der Krankheit zugrundeliegenden biologischen Prozesse. Da die mRNA des UFG in zentraler Weise in die Pathologie dieser Erkrankungen involviert sind, bieten sie einen starken Hebel für die Therapie.
Mehr lesenPrävention
Ein großer Vorteil der mRNA-Analyse des Unterhautfettgewebes liegt in der sehr frühen Erkennung von Fehlentwicklungen des Stoffwechsels, lange bevor in der Blutanalyse erste Anzeichen erkennbar werden oder körperliche Symptome auftreten. Sie ist daher ein wichtiger Baustein in der präventiven personalisierten Medizin.
Mehr lesen