Computational Biology & Digital Sciences

Nutzung von Forschungsdaten für schnellere Entscheidungen und bessere Berücksichtigung der Patientenbedürfnisse

Unser Ansatz im Bereich Computational Biology and Digital Science (CBDS) basiert auf der Nutzung großer Datensätze und Tools Instrumente zur Datenanalyse, um wissenschaftliche Einblicke zu ermöglichen, anhand derer wir die Discovery Entdeckung neuartiger Targets voranbringen, für neue Kenntnisse zu Biomarkern sorgen gewinnen und das Modalitätsdesign von Wirkstoffen für alle Therapiegebiete von Boehringer Ingelheim optimieren. Um Analysen und tiefgehende Einblicke auf Datenbasis zu ermöglichen, entwickeln unsere Teams robuste und skalierbare Daten- und Infrastrukturlösungen wie Cloud-Computing, Pipelines zur End-to-End-Verarbeitung, sowie auf Machine Learning (ML) gestützte Daten- und AnalyselLösungen nach dem FAIR (Findable, Accessible, Interoperable und Reuseable)-Prinzip. Dabei arbeiten unsere Wissenschaftler und Dateningenieure eng mit Versuchslaboren an der Weiterentwicklung von Methoden und der Erstellung einer vielfältigen Bandbreite sogenannter Multi-Omics-Daten (von der Genomik über die Transkriptomik bis hin zur Epigenomik), die sie mit klinischen Informationen verknüpfen. Durch die Anwendung neuester Algorithmen auf diesen Daten gewinnen wir wichtige Einblicke, die dann in Zusammenarbeit mit unseren externen Kooperationspartnern validiert werden, um den Drug Discovery (ArzneimittelentdeckungsDrug Discovery-Pprozess) zu beschleunigen. 

Forschungsthemen in Bereich CBDS am Regional Center Vienna

Target Discovery und Priorisierung in der Onkologieforschung

Wir wenden die Methoden der Simulationswissenschaftencomputergestützte Methoden und Data Science auf große präklinische (z.B. Sammlungen von Krebs-Zelllinien) und klinische Datensätze (z.B. Krebspatienten) an, um neue Targets mit einer höheren Erfolgsquote zu identifizieren und unsere Aktivitäten in der Target-Priorisierung zu beschleunigen. Aus diesem Grund gehören wir auch dem Cancer Dependency Map Consortium (DepMap 2.0) an, das die Landschaft der Schwachstellen von Krebs anhand von Modellen und genetischen, sowie chemischen Hochdurchsatz-Screening Methoden, kartografisch abbilden beschreiben will. Darüber hinaus bauen wir unsere Kooperationen aus, um auf Real-World-Daten (RWD) von Krebspatienten zugreifen zu können. Das würde uns die Möglichkeit zur Entdeckung alternativer Wirkstoff-Targets bieten, die bei der Nutzung Zelllinien-basierter Modelle möglicherweise übersehen wurden. Wir sind überzeugt, dass unsere Aktivitäten in Verbindung mit der entsprechenden experimentellen Validierung das Potenzial bieten, die datengestützte Target Discovery auf eine neue Ebene zu heben und die Erfolgsquote unserer Pipeline zu verbessern. 

Außerdem wollen wir insbesondere die Projekte mit hoher Priorität beschleunigen, die einen direkten Einfluss auf unsere Onkologie-Pipeline haben. Beispielsweise untersuchen wir derzeit mithilfe modernster rechnergestützter Simulationsmethoden sowie anhand von Multi-Omics-Daten ein neues Feld für  krebsspezifischer Antigene. Ein zentrales Ergebnis hiervon soll der Aufbau einer Datenbank sein, mit deren Hilfe Kandidaten für Krebsantigene in Abhängigkeit der Eigenschaften therapeutischer Modalitäten wie T-Zell-Engager, Krebsimpfstoffe und Antikörper-Wirkstoff-Konjugate computerbasiert priorisiert werden.

Datenexploration und Ausweitung der Patientenreichweite bei klinischen Wirkstoff-Entwicklungskandidaten

Gemeinsam mit Onkologie-Forschern arbeiten wir bei Boehringer Ingelheim stetig an der Verbesserung unserer Daten und analytischen Fähigkeiten, um die Entscheidungsfindung entlang der gesamten Wertschöpfungskette der Drug Discovery zu beschleunigen. Wir bewerten im großen Maßstab die sogenannte Loss-/Gain-of-Function Genetik sowie Screenings zu Wirkstoffstörungen in größeren Sammlungen von Zelllinien-Modellen. Diese Ansätze sorgen für ein tiefergehendes Verständnis des jeweiligen Wirkmechanismus unserer neuartigen Entwicklungskandidaten, bieten eine Analyse des Ansprechens auf Wirkstoffkandidaten oder bekräftigen Hypothesen zur Patientenauswahl und pharmakodynamischen Biomarkern. Gestützt auf ein tiefes Verständnis von Krebsbiologie und Real-World-Daten unterstützen wir Teams bei der Entscheidungsfindung zu potenziellen neuen Wirkstoffkombinationen von Entwicklungskandidaten oder schlagen neuartige Möglichkeiten zur Indikationserweiterung bei bestehenden klinischen Assets vor. Wenn wir auf diesem Gebiet erfolgreich sind, können wir letztlich mehr Patienten mit unseren Behandlungen versorgen.

Eine Landschaft miteinander verbundener Daten und Tools zur Beschleunigung einer datengestützten Drug Discovery

Unsere Daten- und Infrastrukturstrategie beinhaltet die Zusammenarbeit mit Forschenden und IT-Experten von Boehringer Ingelheim, um eine vollständig miteinander verbundene Landschaft Daten- und Analysebasis in den Bereichen FAIR-Daten und Governance zu schaffen. Dieser Ansatz ermöglicht die Verarbeitung von Tera- bis Petabytes an Omics-Daten sowie weiteren Datentypen, die sowohl in der gesamten Organisation generiert werden als auch aus externen Quellen stammen. Darüber hinaus entwickeln die Teams modernste Pipelines zur End-to-End-Verarbeitung, welche die Aufnahme bzw. Integration neuer Daten ermöglichen. Wir wollen ML/KI-Lösungen an kritischen Schritten unserer Data Engineering Workflows positionieren, um so die Qualität der entsprechenden Daten-Assets zu erhöhen. Unsere Strategie umfasst außerdem die Weiterentwicklung von Methoden und Tools zur Datenvisualisierung. Die visuelle Datenexploration birgt das Potenzial, Muster aufzuzeigen bzw. für Einblicke zu sorgen, die in vollautomatisierten Lösungen möglicherweise übersehen würden.