Projekt azonosítószáma: 2019-2.1.7-ERA-NET-2020-00008

Pályázati felhívás:

ERA-NET COFUND és EJP COFUND programok közös nemzetközi pályázati felhívásaiban sikeresen szereplő magyar szervezetek támogatására (2019-2.1.7-ERA-NET)

Projekt időtartama: 2020.03.01-2023.12.31.

A támogatást elnyerő szervezet:  Természettudományi Kutatóközpont

A projekt támogatása: 97 800 000 Ft

Támogatási intenzitás: 100 %

Projekt tartalma:

Az „Az Alzheimer-kór altípusainak korai azonosítása” (Early Detection of Alzheimer’s Disease Subtypes (E-DADS)) nemzetközi konzorciális projekt célja az Alzheimer-kór (AD) altípusainak azonosítása és előrejelzése évekkel a betegség kialakulása előtt multidiszciplináris kutatást alkalmazva.

Az elmúlt évtizedekben a várható élettartam emelkedésével nagyon nagy mértékben nőtt az AD előfordulási gyakorisága, és drámai méreteket öltött annak gazdaságra, társadalomra és egészségügyre gyakorolt hatása. Ebből kifolyólag világszerte fokozott erőfeszítéseket tesznek az AD neurobiológiai mechanizmusainak megértését, a betegség megelőzését, korai diagnózisát és hatékony kezelését célzó kutatások elősegítésére. Az EU Joint Programme – Neurodegenerative Disease Research programjának Multinational Research Projects on Personalised Medicine for Neurodegenerative Diseases felhívásán nyertes E-DADS együttműködési pályázat céljai összhangban vannak ezen törekvésekkel.

Az E-DADS által kifejlesztésre kerülő prediktív modellezésen alapuló technológia megvilágíthatja az AD korai kockázati tényezői és a lehetséges klinikai megjelenése közötti összefüggéseket. Így az egyéneket egyes AD-altípusokba sorolhatjuk évtizedekkel a betegség kezdete előtt; pontosan és személyre szabottan meghatározva a hatékony diagnosztikát, kezelést vagy megelőzést. Ez egy különösen korai terápiás ablakot nyithat és olyan új, precíziós gyógyászati beavatkozásokat tehet lehetővé, amelyek az egyén patológiájáért felelős konkrét elemeket célozzák. Így lehetővé válhat a betegség kialakulásának késleltetése és lefolyásának lassítása célzott életmódbeli és/vagy gyógyászati beavatkozásokkal. Ez a megközelítés, természetesen, alkalmazható lehet más demenciatípusokra, neurodegeneratív állapotokra és krónikus betegségekre általában.

Az E-DADS program az University College London (Egyesült Királyság) vezetésével, és a Stichting VU University Medical Center (Hollandia), IRCCS Fatebenefratelli Brescia (Olaszország), INRIA, Institut du Cerveau et de la Moelle épinière – Brain and Spine Institute (Franciaország), Commonwealth Scientific and Industrial Research Organisation (Ausztrália) valamint a Természettudományi Kutatóközpont Agyi Képalkotó Központ (TTK AKK) részvételével valósul meg.

Az AKK kiemelt céljaként tűzte ki az E-DADS programban való részvételt. Az E-DADS-hez történő csatlakozás egyedülálló lehetőséget nyújt az AKK kutatóinak a legkorszerűbb multimodális adatfeldolgozási és modellezési módszerekkel kapcsolatos tudás és tapasztalat megszerzésére. Az AKK-nak az E-DADS tagjaként kiemelt célja a megszerzett tudás és tapasztalat átadása a magyarországi kutatói és klinikai közösségnek, így elősegítve a nyugat-európai országokhoz való felzárkózást az Alzheimer-kórral kapcsolatos kutatás, oktatás és betegellátás terén. Az AKK tevékenysége az E-DADS-en belül két célra fókuszál:

1. Egy olyan platform kifejlesztése, mely lehetővé teszi az E-DADS keretein belül létrehozott, az AD altípusainak korai azonosítására szolgáló szoftverek alkalmazását, a prediktív modellek validálását és továbbfejlesztését.

2. Egy longitudinális kohorszvizsgálat megtervezése és kivitelezése preklinikai képalkotó, genetikai és plazmavizsgálatokból származó adatok gyűjtésére magyar résztvevőktől, az E-DADS szoftvereinek validálása és továbbfejlesztése céljából.

Projektvezető: Dr. Vidnyánszky Zoltán

Kapcsolat:

Vidnyánszky Zoltán, TTK AKK igazgató, vidnyanszky.zoltan@ttk.hu

Eredmények, publikációk:

Vakli, P., Weiss, B., Szalma, J., Barsi, P., Gyuricza, I., Kemenczky, P., Somogyi, E., Nárai, Á., Gál, V., Hermann, P., Vidnyánszky, Z., 2023. Automatic brain MRI motion artifact detection based on end-to-end deep learning is similarly effective as traditional machine learning trained on image quality metrics. Medical Image Analysis 88, 102850. https://doi.org/10.1016/j.media.2023.102850