Künstliche Intelligenz-gestützte Präzisionsonkologie beim früh einsetzenden kolorektalen Krebs: Molekulare Charakterisierung mittels spatialer Proteomik, spatialer Transkriptomik, Multi-Omics, Mikrobiom, sozialen Determinanten und klinischen Daten.

192 Hintergrund: Früher kolorektaler Krebs (EOCRC; <50 Jahre) nimmt alarmierend zu und betrifft unverhältnismäßig Hispanics/Latinos (H/L) und andere unterversorgte Bevölkerungsgruppen. Die biologischen Treiber von EOCRC sowie der Einfluss klinischer Expositionen und sozialer Determinanten der Gesundheit (SDoH) sind bislang wenig definiert. Spatial Proteomik- und Transkriptomik-Technologien ermöglichen eine hochauflösende Analyse von Tumor-, Immun- und Stromakompartimenten, während künstliche Intelligenz (KI) Chancen zur Datenintegration bietet. Wir stellten die Hypothese auf, dass EOCRC bei H/L-Patienten abstammungsassoziierte Veränderungen und räumliche Expressionsmuster aufweist, die die Therapieansprache und Outcomes beeinflussen. Methoden: Wir führten eine retrospektive, beobachtende Multi-Kohorten-Studie mit 4.874 CRC-Patienten (frühes und spätes Auftreten, multiethnisch) unter Verwendung institutioneller und öffentlicher Datensätze durch. Die Daten umfassten spatial Proteomik (Phenocycler 2.0), spatial Transkriptomik (10x Genomics Visium HD), RNA-Sequenzierung, Whole-Exome-Sequenzierung (WES) sowie Mikrobiomprofilierung (16S/Shotgun). Klinische Daten und SDoH-Variablen wurden integriert, um abstammungsspezifische Assoziationen mit verschiedenen Therapien (FOLFOX, FOLFIRI, Anti-EGFR, Anti-VEGF, Immuntherapie) zu bewerten. Standardisierte Pipelines wurden angewandt, gefolgt von KI-gestützter Integration mittels konversationeller Agenten zur domänenübergreifenden Erkundung molekularer und klinischer Merkmale. Ergebnisse: WES zeigte abstammungsgebundene molekulare Profile, die EOCRC von late-onset CRC unterscheiden, insbesondere bei H/L-Patienten. Integrierte WES/RNAseq-Analysen bestätigten abstammungsspezifische Veränderungen onkogener Signalwege. Spatial Proteomik und Transkriptomik zeigten signifikante Kompartiment-Heterogenität, wobei EOCRC-Tumore unterschiedliche Pfadaktivierungen in epithelialen, immunologischen und stromalen Bereichen aufwiesen. Multi-Omics- und Mikrobiom-Analysen wiesen eine Anreicherung pro-tumorogener Taxa und differenzierte Signalwegaktivitäten bei EOCRC nach. Die Einbeziehung klinischer und SDoH-Daten offenbarte abstammungsassoziierte Unterschiede im Therapieansprechen, wobei vorläufige Analysen unterschiedliche Gesamtüberlebensmuster zwischen EOCRC und late-onset CRC unter Chemo-, Targeted- und Immuntherapie zeigten. Schlussfolgerungen: KI-gestützte molekulare Charakterisierung von EOCRC zeigt abstammungsassoziierte Veränderungen, räumliche Heterogenität und therapiebezogene Disparitäten, besonders bei H/L-Populationen. Die Integration spatialer, multi-omischer, mikrobieller, klinischer und SDoH-Daten schafft einen umfassenden Rahmen für Präzisionsonkologie bei EOCRC. Diese Erkenntnisse unterstreichen die Bedeutung von Abstammung und SDoH bei der Biomarkerdetektion und Therapieoptimierung und fördern die Präzisionsmedizin für junge Patienten.