Dokument: Etablierung von maschinellem Lernen und konfokaler Raman-Spektroskopie zur schnellen, markierungsfreien Identifizierung von Glioblastom-Stammzellen: Entwicklung einer Technologie für die translationale Anwendung und personalisierte Medizin

Titel:	Etablierung von maschinellem Lernen und konfokaler Raman-Spektroskopie zur schnellen, markierungsfreien Identifizierung von Glioblastom-Stammzellen: Entwicklung einer Technologie für die translationale Anwendung und personalisierte Medizin
Weiterer Titel:	Establishment of machine learning and confocal Raman spectroscopy for the rapid, label-free identification of glioblastoma stem cells: Development of a technology for translational application and personalized medicine
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=73756
URN (NBN):	urn:nbn:de:hbz:061-20260709-102521-4
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Wurm, Lennard Merlin [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 5,20 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 29.06.2026 / geändert 29.06.2026
Beitragende:	Prof. Dr. rer. nat. Kahlert, Ulf D. [Gutachter] Prof. Dr. med. Caspers, Julian [Gutachter]
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Glioblastoma Multiforme (GBM) ist der häufigste und aggressivste primär maligne Hirntumor des Erwachsenen. Trotz bedeutender Fortschritte in der onkologischen Forschung und multimodaler Therapiepfeiler gehört das GBM zu den tödlichsten Krebsarten. Als wesentlicher Treiber der Tumormalignität zeichnen sich Glioblastomale Stammzellen (GSCs) aus, da sie Fähigkeiten zu Tumorinitiierung, Selbsterneuerung, Invasivität, Adaptivität und Resistenzentwicklung zeigen. Ihre gezielte Identifikation kann daher als Schlüsselfaktor für eine effektivere Behandlung gesehen werden und den Erfolg GSC-adaptierter personalisierter Therapien erhöhen. In der vorliegenden Dissertation wird ein innovatives präklinisches Diagnoseverfahren etabliert, die konfokale Raman-Spektroskopie, d.h. eine optische, markierungsfreie Technik zur schnellen molekularen Charakterisierung lebender Zellen, mit maschinellem Lernen kombiniert, um GSCs von differenzierten Glioblastomzellen (DGCs) zu unterscheiden. Dieses Verfahren kann hochauflösende intrazelluläre Spektren mit individuellen Zellsignaturen erzeugen und so die biochemischen Vorgänge der Zellen abbilden. Mithilfe serieller Datenverarbeitung und Training verschiedener Klassifikationsalgorithmen konnten wir in der vorliegenden Arbeit eine Methodik etablieren, die eine Unterscheidung der vorgestellten Phänotypen erlaubt. Hierbei konnten wir Veränderungen im Lipid-, Protein- und Nukleinsäureprofil aufdecken und mithilfe von künstlichen Neuronalen Netzen (NN) Eigenschaften identifizieren, die für Stammzelleigenschaften typisch sind. Die Ergebnisse zeigen, dass GSCs eine spezifische, erhöhte Anreicherung ungesättigter Lipide und veränderter mitochondrialer Parameter, sowie andere Proteinstrukturen aufweisen. Besonders Messungen des Lipidmetabolismus in lipidhaltigen Zellorganellen, die wir als Lipid Droplets (LD) diskutieren, konnten kombiniert mit NN eine Klassifikationsgenauigkeit von 91,7 % erreichen. Durch Feature Selection und Reduktion auf einige relevante Peaks konnten wir hierbei die Messzeit auf wenige Millisekunden beschleunigen. Die Technologie bietet somit das Potential, anhand der vorgestellten Zellmerkmale diagnostische Marker zur Stammzellidentifikation zu etablieren und translational in den neurochirurgischen Alltag zu implementieren. Langfristig bietet diese Technologie das Potential in der translationalen Anwendung die Prognose des GBM durch schnelle Stammzelldiagnostik zu verbessern und personalisierter Therapie den Weg zu ebnen, speziell LDs sollten hierbei genauere Berücksichtigung finden. Glioblastoma Multiforme (GBM) is the most common and most aggressive primary malignant brain tumor in adults. Despite significant advances in oncological research and multimodal therapy approaches, GBMs remain among the deadliest types of cancer. Glioblastoma stem cells (GSCs) are considered major drivers of tumor malignancy, as they exhibit capabilities for tumor initiation, self-renewal, invasiveness, adaptability, and resistance mechanisms. Their targeted identification can therefore be seen as a key factor for more effective treatment and can increase the success of GSC-adapted personalized therapies. This dissertation presents an innovative preclinical diagnostic procedure that combines confocal Raman spectroscopy, an optical, label-free technique for the rapid molecular characterization of living cells, with machine learning to distinguish GSCs from differentiated glioblastoma cells (DGCs). This method can generate high-resolution intracellular spectra with individual cell signatures, thereby reflecting the cells’ biochemical processes. Through serial data processing, as also comparison and training of different classification algorithms, we established a methodology that allows us to differentiate between the presented phenotypes. In doing so, we uncovered changes in the lipid, protein, and nucleic acid profiles and, with the help of artificial neural networks (NN), identified features characteristic of stem cell properties. The results show that GSCs exhibit a specific, increased accumulation of unsaturated lipids, altered mitochondrial parameters, and other protein structures. In particular, measurements of lipid metabolism in lipid-containing cell organelles, discussed here as lipid droplets (LD), achieved a classification accuracy of 91,7 % when combined with neural networks. Through feature selection and the reduction to a few relevant peaks, we were able to reduce the measurement time to just a few milliseconds. This technology thus offers the potential to establish diagnostic markers for stem cell identification based on the presented cellular characteristics and to implement them translationally into everyday neurosurgical practice. In the long term, this technology holds the potential to improve the prognosis of GBM patients through enhanced stem cell diagnostics in translational applications and to pave the way for more personalized therapy, of which especially LDs should be a considered as target for future applications.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	09.07.2026
Dateien geändert am:	09.07.2026
Promotionsantrag am:	19.11.2025
Datum der Promotion:	25.06.2026