Multi-resolution dynamical modelling of multiple sclerosis
- Reference number
- SB16-0011
- Start and end dates
- 170801-221231
- Amount granted
- 29 000 000 SEK
- Administrative organization
- Linköping University
- Research area
- Life Science Technology
Summary
Prospective ongoing longitudinal studies of millions of healthy donors will soon provide a quantity of biological data aimed at early detection of disease in a perspective of personalized healthcare, i.e., precision medicine. Yet, systems-based tools for holistically analysing this data are still extremely limited and underused. The scope of this project is to use existing systems biology coarse-graining strategies in the context of multiple sclerosis (MS), with the aim of shedding light on how a pregnancy condition leads to a partial improvement of the disease. We hypothesize that a system approach could provide insight into the mechanisms behind the disease remittance and guide the construction of personalized dynamical models of the disease. Briefly, we will integrate disease modules with dynamical modelling. By carefully assessing which parameters could be extracted from huge cross-sectional studies and dynamical models of healthy controls, we expect to gain information on what parameters must be inferred patient-specific to describe disease progression/remittance. The project is predicted to reveal specific information on critical processes involved in improvement and worsening of MS, to be used in the development of new therapeutic and diagnostic strategies.
Popular science description
I dag görs studier av miljontals individer runtom i världen. Dessa studier går ut på att ursprungligen friska individer vid regelbundna kontroller lämnar prover innehållande information som i efterhand kan analyseras om patienten insjuknar. Ny teknik gör det möjligt att mäta hundratusentals markörer samtidigt i vart och ett av dessa prover, samt i olika celltyper. Med hjälp av dessa data kan vi därmed söka nya sjukdomsmarkörer före att symptom faktiskt debuterar, vilket potentiellt skulle kunna leda till behandling innan patienten känner symptom. Den stora hälsomässiga vinsten i detta ligger att de flesta mediciner är effektivare desto tidigare de sätts in. Tidigare resultat kommer i mångt och mycket från att många patienter är mätta vid ett tillfälle, men eftersom samma individer repetitivt nu följs kan man också dra slutsatser av personspecifika mekanismer, och därmed inleda en tidig personspecifik behandling. Ett problem med dessa data är att markörers signaler troligen är subtila före symptomdebut och riskerar att drunkna i de stora datamängderna och att många vanliga sjukdomar är komplexa, dvs det är kombinationer av hundratals gener och miljöfaktorer som samverkar, och detta sker på flera olika sett för en och samma sjukdom. För att ta hänsyn till detta behövs systembiologiska ansatser som utgår från att helheten är större än delarna och modeller för att studera gradvis symptompåslag. För att göra detta kommer vi använda den autoimmuna sjukdomen multipel skleros (MS) och graviditet som modeller för symptompåslag. MS har återkommande perioder utan symptom följt av allvarliga symptom. Graviditet leder till en gradvis förbättring av sjukdomen, följt av en försämring. Dessa dynamiska data kommer att vägas samman med detaljerade experimentella studier av vad som dynamiskt händer när asymtomatiska patienters celler stimuleras på ett sjukdomslikt sett. Genom att noggrant utvärdera vilka parametrar som kan extraheras från stora tvärsnittsstudier och dynamiska modeller av friska kontroller, räknar vi med att få information om vilka parametrar måste härledas patientspecifikt för att beskriva sjukdomsprogression och sjukdomsaktivitet. Den aktuella forskargruppen har tidigare framgångsrikt visat på denna möjlighet och publicerat i högt ansedda tidskrifter, såsom Cell Reports, Science Translational Medicine och Nature Genetics. Vidare kommer vi skapa matematiska och patientspecifika modeller för hur graviditetshormoner förändrar MS patienters celler.