– Vi ønsker å forstå hvordan immunsystemet fungerer, hvordan det evner å identifisere fremmede patogener og bekjempe sykdom, sier Victor Greiff, førsteamanuensis ved Klinmed.
For å få til det bruker hans gruppe en avansert metode forenklet kalt immunsekvensering.
– Utfordringen med denne metoden er at hver enkelt forskningsgruppe på feltet har utviklet sitt eget datasett. Immunsystemets kompleksitet gjør at vi ønsker å slå sammen disse datasettene. Vi vil derfor i dette prosjektet utvikle et globalt Meta-datasett på tvers av alle disse forskningsgruppene, sier han.
Global datadelingsplattform for immunologisk forskning
Forskningsprosjektet iReceptor Plus skal utvikle en informasjonsteknisk plattform som linker alle disse datasettene sammen, litt som et telefonnettverk av datasett. Målet med prosjektet er å bygge en felles plattform for å integrere allerede eksisterende datasett på immunsekvensering. Dette kan gi bedre personmedisin og immunterapi for blant annet kreft, inflammatoriske- og autoimmune sykdommer, allergi og smittsomme sykdommer.
– Vi skal bygge en stor og global datadelingsplattform, hvor forskere både kan legge inn egne data men også hente ut andres data fra systemet. Slik blir det enkelt å dele disse datasettene på immunsekvensering, forteller forskeren.
iReceptor Plus har til sammen fått 8 millioner euro fra EU-programmet Horisont2020. Bak prosjektet står et stort globalt konsortium bestående av 20 partnere, inkludert akademia, sykehus og bedrifter.
– Dette er et EU-initiert europeisk-kanadisk forskningssamarbeid med prosjektledere i Canada og Israel. Den kanadiske gruppen er ledende på feltet. De var de første som startet med å generere data på denne måten og har utviklet standarder for hvordan vi kan lagre og dele disse dataene, sier Greiff.
Gjenkjenne mønstre i systemet
Victor Greiff og forskningsgruppen hans er partner i prosjektet og får rundt 1,7 millioner kroner over 4 år. Ludvig Sollid er partner i prosjektet fra OUS med tilsvarende sum.
– Vår del i prosjektet handler om å utvikle nye metoder for maskinlæring for å kunne analysere disse storskala-dataene. Når vi har klart å sammenfatte alle disse datasettene i et stort nettverk, hvordan kan vi da trekke ut kunnskap fra dette systemet? Det er så mange mønstre som er linket til sykdom, men hjernen vår kan ikke prosessere all informasjonen, så derfor trenger vi høydimensjonal mønstergjenkjenning i disse datasettene på immunsystemet for å finne disse mønstrene. Det vil vi utvikle her, forklarer forskeren.
Bedre immundiagnostikk og bedre medisiner
Å kunne kombinere store mengder gendata med omfattende helsedata er revolusjonerende biomedisinsk forskning. Denne kombinasjonen har stort potensial for å forbedre pasientomsorgen.
– Immunsystemet er naturlig diagnostisk og terapeutisk, men vi vet fortsatt ikke hvordan vi kan etterligne dets evner til å bekjempe sykdom eller raskt gjenkjenne hva som er fiendtlige patogener for kroppen, og hva som ikke er det, forteller Greiff.
Selv om dette er grunnforskning, er målet for forskerne bedre medisiner og bedre diagnostikk av autoimmune sykdommer ved å kunne etterligne immunsystemets egenskaper. Slik kan de identifisere hvem som er mer utsatt for sykdomsrisiko og hvem som vil utvikle eksempelvis alvorlig kreft raskere enn andre.
– Målet er bedre medisiner og bedre immundiagnostikk slik at vi kan diagnostisere sykdom tidligere og i tillegg forutsi hvordan sykdommer utvikler seg. I tillegg prøver vi å finne ut hva som skiller et friskt immunsystem fra et autoimmunt immunsystem. Hvilke individer kan være friske nå, men har kanskje en stor risiko for å utvikle en autoimmun sykdom innen to-tre år?
Felles plattform gir store forskningsfordeler
Globalt gir dette prosjektet store økonomiske fordeler, og både øker effektiviteten og produktiviteten innen forskning på immunsystemet.
– Vi gjør mer koordinerte forsøk og forhindrer at to grupper gjør den samme forskningen samtidig. Alle disse databasene er viktige for oss for å kunne hente ut informasjon, men også for å kunne legge inn våre data slik at andre forskere kan videreutvikle datasettene vi har generert. Så kan vi sammen dra nytte av hva andre forskere allerede har gjort, sier en entusiastisk Greiff.