Sample menu:

Languages:

English

German

Motivation

Angesichts der Etablierung von immer kostengünstigeren Hochdurchsatz-Technologien für die automatisierte Messung hochdimensionaler molekularer Daten hat sich die Bioinformatik als notwendige wissenschaftliche Disziplin in den letzten zwei Jahrzehnten rasant entwickelt. Sie hat zahlreiche Ansätze und Algorithmen für die Datenanalyse, Datenvisualisierung und Datenintegration der mannigfaltigen biomedizinischen Informationen hervorgebracht.

Mithilfe der statistischen Modellierung von Genexpressions- oder Methylierungsmessungen als auch von "next-generation" Hochdurchsatzsequenzierungs-geräten können molekulare Messungen z.B. mit klinischen Merkmalen verknüpft werden, um verbesserte Prognosen zu erhalten und potentiell individualisiert Therapie-entscheidungen zu unterstützen.

Komplementär dazu ermöglichen zahlreiche bioinformatische Algorithmen, biologische Zusammenhänge der erhaltenen differentiell regulierten Gene mithilfe von Signalwegs- und Netzwerkanalysen zu untersuchen. Die Gene können so durch ein höheres Abstraktions-/ Funktions-/ Informationsniveau besser charakterisiert werden, beispielsweise im Kontext von angereicherten Signalwegen oder Gen-Ontologien.

Einzelne biologische Ebenen (Transkriptom, Proteom, etc.) agieren meist nicht unabhängig voneinander, sondern interagieren in einem komplexen System. Deshalb bedarf es dringend bioinformatischer Ansätze, um diese Vernetzungen der Ebenen zu ermöglichen. Während schon erste statistische Techniken für diese Datenintegration existieren, müssen diese meist noch auf die spezifische Anwendung angepasst werden, oder eine komplette Neuentwicklung ist nötig. Nur so wird es oft erst möglich, bisher unbekannte genetisch interagierende Cluster zu finden.