Mithilfe eines integrativen Ansatzes aus Systembiologie, Molekularbiologie und Bioinformatik untersucht das Labor das Zusammenspiel und den Beitrag von Genetik, miRs und Mikrobiom bei Transplantatabstoßung sowie Nieren-, Lungen- und Herz-Kreislauf-Erkrankungen. Wir verwenden einen interdisziplinären Ansatz zur Analyse primärer menschlicher Proben in Krankheits- und Gesundheitszuständen, um einzigartige Signaturen zu verstehen, die mit verschiedenen menschlichen Erkrankungen verbunden sind, damit wir Krankheiten besser vorbeugen und behandeln können.
Sarkoidose ist eine entzündliche Erkrankung, die mehrere Organe, insbesondere die Lunge und die Lymphknoten, befällt und überproportional viele Afroamerikaner betrifft. Lungenfibrose ist die häufigste Todesursache bei Sarkoidosepatienten. Ungefähr 30 Prozent der Patienten entwickeln eine fortschreitende, schwächende Form der Sarkoidose, aber die Mechanismen, die für die Verschlechterung oder die Widerstandsfähigkeit gegen die Krankheit verantwortlich sind, sind noch immer nicht gut verstanden. Wir untersuchen derzeit die Beziehung zwischen mikrobieller Belastung und Immunreaktionen bei Sarkoidose und wie sich dies auf Diagnose und Prognose auswirkt.
Das Finn-Perkins-Labor integriert modernste Ansätze der künstlichen Intelligenz (KI) mit biomedizinischer Forschung, um unser Verständnis komplexer Krankheiten, insbesondere Sarkoidose und immunvermittelter Erkrankungen, zu verbessern. Der Kern unserer rechnergestützten Arbeit ist scGPT (Single-Cell Generative Pretrained Transformer), ein hochmodernes KI-Modell, das wir zur Analyse von Einzelzell-RNA-Sequenzierungsdaten anwenden und optimieren. Unsere Implementierung von scGPT erreicht eine Genauigkeit von über 85 % bei der Vorhersage des Krankheitsschweregrads und hat sich als besonders effektiv bei der Identifizierung neuer langer nicht-kodierender RNA-Interaktionen erwiesen, die Immunreaktionen beeinflussen.
Unser Labor nutzt eine Hochleistungs-Computerinfrastruktur, darunter zwei NVIDIA RTX A6000- und A100-GPUs und 128 GB RAM-Workstations sowie Zugang zum Computercluster des National Center for Genomics Resources (NCGR), um anspruchsvolle Multitasking-Lernmodelle zu entwickeln. Diese Modelle integrieren verschiedene klinische Daten mit molekularen Profilen, darunter Patientendemografie, Behandlungsreaktionen und Krankheitsverlaufsmarker. Mit diesen KI-gesteuerten Ansätzen wollen wir neue Biomarker entdecken, Krankheitsmechanismen verstehen und personalisierte Behandlungsstrategien entwickeln, die Ungleichheiten im Gesundheitswesen angehen. Unsere Computer-Pipeline umfasst etablierte Tools wie Seurat und Cell Ranger zur Datenvorverarbeitung, gepaart mit benutzerdefinierten maschinellen Lernalgorithmen für nachgelagerte Analysen und Vorhersagen. Dieser umfassende Ansatz ermöglicht es uns, Daten von über 50,000 Zellen pro Patient zu verarbeiten und zu analysieren, was beispiellose Einblicke in Krankheitsmechanismen auf Einzelzellebene ermöglicht.
Organtransplantationen sind die letzte Behandlungsmethode bei Organversagen. Organtransplantationen wurden erstmals in den 1960er Jahren durchgeführt, waren jedoch aufgrund immunologischer Abstoßungen auf Zwillingstransplantationen beschränkt. Die Einführung von Immunsuppressiva hat zu deutlich längeren Überlebenszeiten geführt. Insbesondere einige Organe wie Nieren haben im Vergleich zu anderen Organen wie Lungen deutlich bessere Überlebenszeiten. Unsere aktuellen Untersuchungen untersuchen die Rolle des Mikrobioms im Hinblick auf Transplantationsergebnisse.
Direktor des Zentrums für personalisierte Gesundheit, Co-Direktor des MD/PhD-Programms
Dekan der Medizinischen Fakultät der Universität von New Mexico
