Glomerulonephritiden sind schwere immunvermittelte Nierenerkrankungen, deren Diagnose bislang vor allem auf der mikroskopischen Begutachtung von Gewebebiopsien beruht. Diese erfasst die räumliche und molekulare Heterogenität des erkrankten Nierengewebes nur begrenzt und erschwert eine präzisere Prognose und Therapieauswahl. Sie zählen weltweit zu den häufigsten Ursachen für dauerhaftes Nierenversagen. Das Vorhaben am UKE Hamburg umfasst zwei Teilprojekte (TP) des Juniorverbunds DECODE-GN: TP1 entwickelt computergestützte Verfahren, die räumlich aufgelöste Genaktivitätsdaten aus Nierengewebe mit Methoden der künstlichen Intelligenz auswerten. TP3 entwickelt komplementär Verfahren des topologischen Deep Learning zur multimodalen Integration räumlicher Muster. Die eingesetzten Modelle bilden neben einzelnen Zellen auch höhergradige Gewebestrukturen wie Zellgruppen und organisierte Mikroumgebungen ab. Auf Grundlage eines Datensatzes von mehr als 140 Patientenproben mit klinischen Daten werden Verfahren entwickelt, um 1) Daten unterschiedlicher Messtechnologien zusammenzuführen; 2) krankheitsrelevante Gewebemuster zu identifizieren; 3) Patientenuntergruppen anhand molekularer Eigenschaften mit präziserer Prognose zu identifizieren sowie 4) Krankheitstrajektorien und kritische Übergangspunkte abzuleiten. Die entwickelte Software (SpatialIntegrate, DISSECT+, TopoSpatial) wird quelloffen bereitgestellt. Gemeinsam mit dem Verbundpartner TP2 (RWTH Aachen) entstehen Werkzeuge für eine präzisere Diagnose und individuellere Therapie glomerulärer Nierenerkrankungen.