Abstract
Kanker behoort tot de grootste doodsoorzaken wereldwijd, wat de nood van nieuwe therapieën benadrukt. Hematologische kankers zijn een van de meest agressieve maligniteiten en vereisen intensieve chemotherapieën of beenmergtransplantaties. Deze therapieën hebben aanzienlijke bijwerkingen en falen vaak in gevorderde stadia. CAR-T-celtherapie is een revolutionaire nieuwe vorm van immunotherapie waarbij speciale Chimeric Antigen Receptors op T-cellen worden geplaatst. Ondanks indrukwekkende klinische resultaten, blijft het ontwerpen van deze CAR's suboptimaal als gevolg van trial-and-error strategieën en domeinen die in isolatie worden bestudeerd. Dit project introduceert een data-gedreven aanpak die generatieve deep learning, predictieve modellen en experimentele validatie integreert voor efficiënter CAR-ontwerp. We stellen eerst een CAR-T-database op die gebruikt zal worden om een generatief model, getraind op algemene eiwitsequenties, te finetunen en zo de-novo CAR's te genereren. Een predictief model evalueert deze CAR's en maakt een selectie voor in vitro testen. Experimentele feedback wordt continu geïntegreerd in het generatieve model, waardoor het na elke iteratie betere CAR's genereert. Door de expertise van het Laboratorium voor Experimentele Hematologie en het Adrem Data Lab te combineren, heeft dit interdisciplinaire project als doel om ons begrip van CAR-domeininteracties te verdiepen en de ontwikkeling van volgende generatie CAR-T-celtherapieën te versnellen.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)