Molekulární nástroje pro predikci výsledků transplantace ledvin od marginálních dárců

Poskytovatel

Ministerstvo zdravotnictví

Program

Program na podporu zdravotnického aplikovaného výzkumu na léta 2024-2030

Veřejná soutěž

SMZ0202600001

Hlavní účastníci

Institut klinické a experimentální medicíny

Druh soutěže

VS - Veřejná soutěž

Číslo smlouvy

NW26-06-00299

Název projektu anglicky

Molecular tools for outcome prediction of kidney transplantation from marginal donors

Anotace anglicky

The increasing proportion of kidneys procured from deceased donors that are subsequently discarded for transplantation represents a significant medical problem. Identifying kidneys from older donors that are suitable for transplantation because they will achieve acceptable long-term outcomes can increase the number of donors, which is the unmet medical need in organ transplantation. Whole-genome transcriptomic assessment of donor biopsies together with machine learning methods allows for more precise donor stratification beyond traditional clinical metrics. Our study, together with other research, has shown that some kidneys transplanted from older donors or donors with a high risk index (KDRI) may still have acceptable function in the first year. Within the framework of the presented grant, the applicability of the already created model will be verified for identifying kidneys with a better prognosis only in the group of expanded criteria donors (ECD) and, newly, in donors after circulatory death (DCD), where organs are exposed to warm ischemia. Gene expression in ECD (n=130) and DCD (n=60) will be examined using microarray. Data from existing external cohorts (n=308) will be used to validate the model. Subsequently, we will characterize the transcriptome evolution over time from hour zero biopsy to 3 months after kidney transplantation (n=340) to improve the model's ability to predict rapid fibrosis progression. The model will be refined by increasing the dataset size and by using newly available machine learning techniques (prototype contrast learning). The created model will allow for a more accurate estimation of graft function (eGFR) after transplantation, which is essential in the decision on immunosuppressive treatment, particularly when adjustments are needed due to inadequate graft function.

Kategorie VaV

AP - Aplikovaný výzkum

OECD FORD - hlavní obor

30213 - Transplantation

OECD FORD - vedlejší obor

—

OECD FORD - další vedlejší obor

—

CEP - odpovídající obory <br>(dle <a href="http://www.vyzkum.cz/storage/att/E6EF7938F0E854BAE520AC119FB22E8D/Prevodnik_oboru_Frascati.pdf">převodníku</a>)

FJ - Chirurgie včetně transplantologie

Zahájení řešení

1. 1. 2026

Ukončení řešení

31. 12. 2029

Poslední stav řešení

Z - Začínající víceletý projekt

Poslední uvolnění podpory

—

Důvěrnost údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Systémové označení dodávky dat

CEP26-MZ0-NW-R

Datum dodání záznamu

23. 3. 2026

Celkové uznané náklady

12 995 tis. Kč

Výše podpory ze státního rozpočtu

12 995 tis. Kč

Ostatní veřejné zdroje financování

0 tis. Kč

Neveřejné tuz. a zahr. zdroje finan.

0 tis. Kč