Die Prävalenz von PAIS(postakutes Infektionssyndrom)ist nach wie vor unzureichend verstanden, was den Bedarf nach tieferen Einblicken in seine biologischen Mechanismen unterstreicht. In diesem Projekt wollen wir die Herausforderungen hochdimensionaler medizinischer Daten angehen: Während klinische Datensätze typischerweise wenige Merkmale enthalten, sind Bildgebungs- und Omics-Datensätze äußerst hochdimensional. Wir werden Deep-Learning-basierte Merkmalsextraktion und Foundation Models einsetzen, um kompakte Repräsentationen zu erlernen, die die komplexen Abhängigkeiten zwischen Merkmalen erfassen. Für die Bildgebung werden wir zunächst vorhandene, auf ImageNet vortrainierte Modelle nutzen und anschließend Modelle untersuchen, die speziell auf MRT-Gehirnbilddaten trainiert wurden und für Long COVID/PAIS relevant sind. Wir werden verschiedene Modellarchitekturen wie Convolutional Neural Networks (CNNs) und Vision Transformers (ViT s) erkunden und bei Bedarf ein maßgeschneidertes Modell entwickeln. 

Für Omics-Daten werden wir DNA- und RNA-basierte Foundation Models evaluieren und ihre Anwendbarkeit auf PAIS-Kohorten prüfen, einschließlich Möglichkeiten zur Entdeckung kausaler Mechanismen. Darüber hinaus planen wir, trainierte Modelle zu nutzen, um die Kohortengröße zu vergrößern, indem wir in der UK Biobank zusätzliche Proben identifizieren, die der PAIS-Klassifikation entsprechen, aber derzeit nicht als solche klassifiziert sind.