Navigation

Lukas Folle, M. Sc.

Researcher

Department of Computer Science
Chair of Computer Science 5 (Pattern Recognition)

Room: Room 09.130
Martensstr. 3
91058 Erlangen

Office hours

Daily Mo, Tu, We, Th, Fr, 08:00 - 17:00, Room 09.130,

  • Since 08/2020:
    Ph.D Student at Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg
  • 10/2017 – 07/2020:
    M. Sc. Medical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg
  • 10/2014 – 09/2017
    B. Sc. Medical Engineering, Universität Lübeck

2020

  • Molecular Assessment of Signatures ChAracterizing the Remission of Arthritis

    (Third Party Funds Single)

    Term: April 1, 2020 - September 30, 2022
    Funding source: Bundesministerium für Bildung und Forschung (BMBF)

    MASCARA zielt auf eine detaillierte, molekulare Charakterisierung der Remission bei Arthritis ab. Das Projekt basiert auf der kombinierten klinischen und technischen Erfahrung von Rheumatologen, Radiologen, Medizinphysikern, Nuklearmedizinern, Gastroenterologen, grundlagenwissenschaftlichen Biologen und Informatikern und verbindet fünf akademische Fachzentren in Deutschland. Das Projekt adressiert 1) den Umstand der zunehmenden Zahl von Arthritis Patienten in Remission, 2) die Herausforderungen, eine effektive Unterdrückung der Entzündung von einer Heilung zu unterscheiden und 3) das begrenzte Wissen über die Gewebeveränderungen in den Gelenken von Patienten mit Arthritis. MASCARA wird auf der Grundlage vorläufiger Daten vier wichtige mechanistische Bereiche (immunstoffwechselbedingte Veränderungen, mesenchymale Gewebereaktionen, residente Immunzellen und Schutzfunktion des Darms) untersuchen, die gemeinsam den molekularen Zustand der Remission bestimmen. Das Projekt zielt auf die Sammlung von Synovialbiopsien und die anschließende Gewebeanalyse bei Patienten mit aktiver Arthritis und Patienten in Remission ab. Die Gewebeanalysen umfassen (Einzelzell)-mRNA-Sequenzierung, Massenzytometrie sowie die Messung von Immunmetaboliten und werden durch molekulare Bildgebungsverfahren wie CEST-MRT und FAPI-PET ergänzt. Sämtliche Daten, die in dem Vorhaben generiert werden, werden in einem bereits bestehenden Datenbanksystem mit den Daten der anderen Partner zusammengeführt und gespeichert. Das Zusammenführen der Daten soll – mit Hilfe von maschinellem Lernen – krankheitsspezifische und mit der Krankheitsaktivität verbundene Mustermatrizen identifizieren.

2021

Journal Articles

Conference Contributions

2019

Conference Contributions