Artifical Intelligence in Translational Systems Medicine (Ergen Lab)

Patientinnen und Patienten mit derselben klinischen Diagnose zeigen häufig sehr unterschiedliche Krankheitsverläufe und sprechen unterschiedlich auf dieselbe Therapie an. Die Ursachen dieser Unterschiede sind bislang nur unvollständig verstanden, da Krankheiten durch komplexe molekulare Prozesse bestimmt werden, die sich über viele biologische Ebenen hinweg entfalten. Die heute verwendeten klinischen Klassifikationen erfassen jedoch nur einen Teil dieser biologischen Vielfalt. Unser Labor untersucht die molekularen Ursachen dieser Krankheitsheterogenität durch die Entwicklung von Methoden der künstlichen Intelligenz, die Informationen über verschiedene biologische Ebenen hinweg integrieren. Langfristiges Ziel unserer Forschung ist es, die molekularen Mechanismen klinisch relevanter Krankheitsuntergruppen zu identifizieren und damit die Grundlage für präzisere Diagnostik und personalisierte Therapien zu schaffen.

Die rasante Entwicklung von Einzelzellgenomik, räumlichen Omics-Technologien und digitalen Gesundheitsdaten hat die biomedizinische Forschung grundlegend verändert. Erstmals ist es möglich, umfassende molekulare Charakterisierungen von Patientinnen und Patienten zu erstellen, die Zellzusammensetzung, Gewebearchitektur und klinische Informationen miteinander erfassen. Gleichzeitig eröffnen moderne Verfahren des maschinellen Lernens und der generativen künstlichen Intelligenz neue Möglichkeiten, diese hochkomplexen und heterogenen Daten zu integrieren und daraus prädiktive Modelle biologischer Prozesse abzuleiten. Gemeinsam bilden diese Entwicklungen die Grundlage einer neuen datengetriebenen Systemmedizin.

Unser Labor entwickelt computergestützte Methoden zur Integration multimodaler molekularer Daten, digitaler Pathologie und longitudinaler klinischer Informationen, um Erkrankungen über verschiedene biologische Ebenen hinweg zu untersuchen. Wir erforschen, wie molekulare Krankheitszustände entstehen, sich im Verlauf einer Erkrankung verändern und das Ansprechen auf Therapien bestimmen. Um die biologischen Mechanismen hinter den Vorhersagen unserer Modelle zu verstehen, verbinden wir KI-gestützte Datenanalysen mit experimentellen Untersuchungen in komplexen in vitro-Modellsystemen. Mit diesem interdisziplinären Ansatz möchten wir ein mechanistisches und prädiktives Verständnis komplexer Erkrankungen schaffen und so den Weg zu einer datengetriebenen Präzisionsmedizin mit präziserer Diagnostik, besserer Patientenstratifizierung und individuelleren Therapieentscheidungen ebnen.

ResolVI - addressing noise and bias in spatial transcriptomics, Can Ergen, Nir Yosef
bioRxiv 2025.01.20.634005; doi: https://doi.org/10.1101/2025.01.20.634005

Boyeau, P., Hong, J., Gayoso, A. et al. Deep generative modeling of sample-level heterogeneity in single-cell genomics. Nat Methods 22, 2264–2274 (2025).https://doi.org/10.1038/s41592-025-02808-x

Wells, S.B., Rainbow, D.B., Mark, M. et al. Multimodal profiling reveals tissue-directed signatures of human immune cells altered with age. Nat Immunol 26, 1612–1625 (2025). https://doi.org/10.1038/s41590-025-02241-4

Ergen, C., Pour Amiri, V.V., Kim, M. et al. Scvi-hub: an actionable repository for model-driven single-cell analysis. Nat Methods 22, 1836–1845 (2025). https://doi.org/10.1038/s41592-025-02799-9

Ergen, C., Xing, G., Xu, C. et al. Consensus prediction of cell type labels in single-cell data with popV. Nat Genet 56, 2731–2738 (2024). https://doi.org/10.1038/s41588-024-01993-3

Tabula Sapiens reveals transcription factor expression, senescence effects, and sex-specific features in cell types from 28 human organs and tissues, The Tabula Sapiens Consortium, Stephen R Quake
bioRxiv 2024.12.03.626516; doi: https://doi.org/10.1101/2024.12.03.626516