Universität zu Köln

Die präklinische Schlaganfallforschung untersucht die akute Hirnverletzung, die zugrunde liegende Pathophysiologie und die Erholungsmechanismen, um Therapien zu entwickeln, die in die klinische Praxis übertragbar sind. Die Integration multimodaler Daten zu Verhaltensparametern und magnetresonanztomographischen (MRT-)Biomarkern birgt großes Potenzial für die Entdeckung neuartiger Mechanismen und die Überwachung therapeutischer Effekte. Dieser Ansatz erzeugt jedoch eine enorme Menge hochdiverser Daten in Format und Umfang, angefangen bei Datentabellen zur Dokumentation von Verhaltensmetriken bis hin zu MR-Bilddatensätzen. Bis jetzt wurden die Daten in uneinheitlichen Formaten gespeichert, was die Reproduzierbarkeit erschwert hat. Außerdem ist die Gewährleistung einer hohen Qualität der MRT-Daten bei großen Datensätzen mit erheblichem manuellem Aufwand verbunden. Zur Bewältigung dieser Herausforderungen etablierte diese Arbeit ein einheitliches Rahmenwerk für multimodale Tierstudien, basierend auf den FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable) des Datenmanagements sowie den 3R-Prinzipien (Replacement, Reduction, Refinement) der Tierversuchsforschung. Es wurde eine Infrastruktur implementiert, die DataLad für versionierte Workflows und GIN für die langfristige öffentliche Archivierung nutzt, wodurch eine transparente, effiziente und nachhaltige Forschungsdatenpipeline entsteht. Darauf aufbauend wurde AIDAqc entwickelt, eine automatisierte Qualitätssicherungs-Pipeline, die quantitative Bildgebungsmetriken extrahiert und in einem MehrheitsentscheidungsFramework mehrere Machine-Learning-Modelle einsetzt, um Ausreißer Scans effizient und intelligent zu detektieren. Validiert an 23 realen Datensätzen aus 19 internationalen Einrichtungen, gewährleistet AIDAqc eine objektive Erkennung minderwertiger Daten vor der weiteren Verarbeitung und demonstriert Robustheit sowie Generalisierbarkeit über unterschiedliche Settings hinweg. Abschließend wurde die Plattform in einem MausSchlaganfallmodell eingesetzt, um die Proportional Recovery Rule zu testen, ein etabliertes klinisches Modell, das eine lineare Beziehung zwischen initialer motorischer Beeinträchtigung und anschließender funktioneller Verbesserung beschreibt. Hierfür wurde die Mouse Recovery Rule vorgeschlagen, die zeigt, dass etwa 90 % der verlorenen motorischen Funktion wiedererlangt werden, vergleichbar mit den rund 70 % Erholung beim Menschen. Der entwickelte integrierte Ansatz stellt eine skalierbare Vorlage für das multimodale Datenmanagement in der translationalen Tierforschung dar und dient als Beispiel für eine neue Form datengetriebener experimenteller Schlaganfallstudien.

German

پژوهش‌های پیش‌بالینی در زمینه سکته مغزی، آسیب حاد مغزی، سازوکارهای آسیب‌شناختی زیربنایی و فرایندهای بهبودی را بررسی می‌کنند تا روش‌های درمانی قابل انتقال به کاربردهای بالینی توسعه یابند. ادغام داده‌های چندوجهی مربوط به شاخص‌های رفتاری و نشانگرهای زیستی حاصل از تصویربرداری تشدید مغناطیسی، ظرفیت بالایی برای شناسایی سازوکارهای جدید و پایش اثرات درمانی دارد. بااین‌حال، این رویکرد حجم عظیمی از داده‌های ناهمگون را از نظر قالب و مقیاس تولید می‌کند؛ از جدول‌های ثبت شاخص‌های رفتاری گرفته تا مجموعه‌داده‌های تصاویر تشدید مغناطیسی. در گذشته، داده‌ها در قالب‌های ناهماهنگ ذخیره می‌شدند که بازتولیدپذیری پژوهش‌ها را دشوار می‌کرد. افزون بر این، تضمین کیفیت بالای داده‌های تصویربرداری تشدید مغناطیسی در مجموعه‌داده‌های بزرگ، به کار دستی فراوان و زمان‌بری نیاز دارد. برای مقابله با این چالش‌ها، این رساله چارچوبی یکپارچه برای مطالعات چندوجهی حیوانی ایجاد کرده است. این چارچوب بر اصول مدیریت داده‌ها، شامل قابلیت یافتن، دسترسی‌پذیری، تعامل‌پذیری و استفاده مجدد، و همچنین اصول سه‌گانه جایگزینی، کاهش و بهبود روش‌ها در پژوهش‌های حیوانی استوار است. در این راستا، زیرساختی پیاده‌سازی شد که از ابزار «دیتالد» برای مدیریت فرایندهای کاری همراه با ثبت نسخه‌های مختلف و از بستر «گین» برای بایگانی عمومی و بلندمدت داده‌ها استفاده می‌کند. نتیجه این کار، ایجاد یک فرایند مدیریت داده‌های پژوهشی شفاف، کارآمد و پایدار بود. بر پایه این زیرساخت، سامانه «آیداکیو‌سی» توسعه یافت؛ یک سامانه خودکار کنترل کیفیت که شاخص‌های کمی تصویربرداری را استخراج می‌کند و با بهره‌گیری از چندین مدل یادگیری ماشین و سازوکار رأی‌گیری اکثریت، تصاویر غیرعادی و دارای کیفیت نامطلوب را به‌صورت کارآمد و هوشمندانه شناسایی می‌کند. این سامانه با استفاده از ۲۳ مجموعه‌داده واقعی از ۱۹ مؤسسه بین‌المللی ارزیابی شد. نتایج نشان داد که «آیداکیو‌سی» می‌تواند پیش از مراحل بعدی پردازش، داده‌های کم‌کیفیت را به‌صورت عینی شناسایی کند و در شرایط و محیط‌های گوناگون از استحکام و قابلیت تعمیم بالایی برخوردار است. در مرحله نهایی، از این چارچوب برای بررسی «قاعده بهبودی متناسب» در یک مدل سکته مغزی در موش استفاده شد. این قاعده، مدلی بالینی و شناخته‌شده است که رابطه‌ای خطی میان شدت اختلال حرکتی اولیه و میزان بهبود عملکردی پس از آن توصیف می‌کند. بر این اساس، «قاعده بهبودی در موش» پیشنهاد شد که نشان می‌دهد حدود ۹۰ درصد از عملکرد حرکتی ازدست‌رفته در موش‌ها بازیابی می‌شود؛ درحالی‌که میزان بهبودی گزارش‌شده در انسان‌ها حدود ۷۰ درصد است. رویکرد یکپارچه توسعه‌یافته در این رساله، الگویی مقیاس‌پذیر برای مدیریت داده‌های چندوجهی در پژوهش‌های حیوانی با هدف کاربرد بالینی ارائه می‌دهد و نمونه‌ای از شکل نوینی از مطالعات تجربی سکته مغزی مبتنی بر داده‌های گسترده به شمار می‌رود.

Iranian languages