Computational methods for breath metabolomics in clinical diagnostics

Abstract

For a long time, human odors and vapors have been known for their diagnostic power. Therefore, the analysis of the metabolic composition of human breath and odors creates the opportunity for a non-invasive tool for clinical diagnostics. Innovative analytical technologies to capture the metabolic profile of a patient’s breath are available, such as, for instance, the ion mobility spectrometry coupled to a multicapilary collumn. However, we are lacking automated systems to process, analyse and evaluate large clinical studies of the human exhaled air. To fill this gap, a number of computational challenges need to be addressed. For instance, breath studies generate large amounts of heterogeneous data that requires automated preprocessing, peak-detection and identification as a basis for a sophisticated follow up analysis. In addition, generalizable statistical evaluation frameworks for the detection of breath biomarker profiles that are robust enough to be employed in routine clinical practice are necessary. In particular since breath metabolomics is susceptible to specific confounding factors and background noise, similar to other clinical diagnostics technologies. Moreover, spesific manifestations of disease stages and progression, may largely influence the breathomics profiles. To this end, this thesis will address these challenges to move towards more automatization and generalization in clinical breath research. In particular I present methods to support the search for biomarker profiles that enable a non-invasive detection of diseases, treatment optimization and prognosis to provide a new powerful tool for precision medicine.

Seit jeher ist bekannt, dass Körpergeruch und der Atem Hinweise zu deren Gesundheitszustand liefern können. Eine Analyse der Atemluft auf molekularer Ebene verspricht daher neue Ansätze zur Diagnose spezifischer Krankheiten. Innovative Technologien wie die Ionen Mobilitäts Spectrometrie in Kombination mit einer Multikapilarsäule, erlauben erstmals hochauflösende metabolische Profile der Atemluft innerhalb kürzester Zeit zu erzeugen. Zur Zeit fehlen jedoch die notwendigen computergestützten Applikationen zur automatischen Organisation und Auswertung der generierten Daten. Eine besondere Herausforderung stellen dabei die großen Mengen heterogenener klinischer und analytischer Daten und deren Verarbeitung. Ähnlich wie andere Hochdurchsatzverfahren unterliegt die Atemluft dem Einfluss von Hintergrundsignalen wie der Umgebungsluft oder Anderen die Ergebnisse verzerrenden Faktoren, wie zum Beispiel Ernährung, Lebensgewohnheiten oder Medikation. Dies erfordert den Einsatz von modernen Methoden der Statistik und des maschinellen Lernens, um robuste und generalisierbare Krankheitsmarker zu identifizieren. Ein besonderer Augenmerk gilt hierbei auch Krankheiten deren metabolischer Fingerabdruck sich im Krankheitsverlauf drastisch verändern können. Das Ziel meiner Arbeit ist es Lösungen für die beschriebenen Probleme zu finden und damit die Suche nach praxistauglichen Krankheitsmarkern mit bioinformatischen Methoden zu unterstützen. Im Rahmen mehrerer Studien und Softwareprojekten wurden grundlegende Methodiken vorgestellt, evaluiert und etabliert, insbesondere im Hinblick auf die Entwicklung computergestützter Systeme zur automatischen Analyse von Atemluftdaten. Die vorgestellten Verfahren legen den Grundstein für die nicht invasive Detektion von Krankheiten, Optimierung und Prognose von Behandlungen und darüber hinaus für ein weiteres Werkzeug der personalisierten Medizin.