MDCK-MRP2 - Dkfz

142
Forschungsschwerpunkt B
Funktionelle und Strukturelle Genomforschung
Abteilung Theoretische Bioinformatik (B080)
Leiter: Dr. Roland Eils
Wissenschaftler
Dr. Benedikt Brors (- 12/05) Martin Bentele (IWR) (10/02-8/04)
Alla Bulashevska (4/02 - 6/04) Svetlana Bulashevska (- 6/04)
Christian Conrad (- 6/04) Jürgen Eils (10/02 - 6/04)
Daniel Gerlich (- 6/02) Dr. Martin Granzow (- 6/02)
Patrick Herde (11/02 - 6/03) Bernd Kalbfuß (7 - 10/03)
Constantin Kappel (11/03-) Dr. Thomas Kochmann (- 9/02)
Dr. Rainer König (- 6/05) Dr. Olga Krebs (- 6/03)
Chris Lawerenz (4/03 - 6/04) Dr. Julian Mattes (- 8/03)
Falk Schubert (- 10/04) Dr. Wolfgang Tvarusko (1/02-9/03)
Dr. Dietmar Volz (- 4/03) Marco Weismüller (- 12/03)
Dr. Jan Wiemer (1 - 9/02)
Gastwissenschaftler
Dr. Vijayraghavan Sundararajan (8/01 - 10/02) (Indien)
David Camacho (4/03 - 3/04) (Doktorand aus Mexico)
Doktoranden
Chaitanya Athale (- 8/03) Christian Bacher (1/03 - 12/05)
Gaëlle Dubios (- 12/03) Stefan Frank (5/03 - 11/05)
Juntao Gao (- 10/04) Matthias Gebhard (- 12/03)
Joshua Allen Moore (9/02 - 8/04) Markus Ulrich (8/03 - 6/04)
Ming Xu (11/02 - 4/03)
Diplomanden
Martin Eigel (5/02 - 10/03) Armin Groll (- 7/02)
Jasmin Müller (- 12/02) Patrick Warnat (3 - 11/03)
Technische Assistenten
Johannes Fieres (- 9/02; 7 - 12/03)
Karlheinz Groß Rolf Kabbe (- 6/04)
Praktikanten
Bernd Kalbfuß (- 7/02) Eva Kowalinski (11/03 - 2/04)
Sairam Manda (7 - 12/03) Janna Nawroth (2 - 6/03)
Bernhard Tausch (11/02 - 8/03)Corinne Wacker (11/02 - 5/03)
Wolfgang Weiss (- 10/02) Sven Wichert (9 - 11/02)
Sekretariat
Christina Grosch (- 6/04)
Die Gruppe “Theoretische Bioinformatik” beschäftigt sich
mit der Entwicklung und Anwendung von Methoden aus
der Bioinformatik und der computergestützten Biologie
sowie Onkologie. Die Forschungsgebiete von größtem
Interesse schließen ein:
a) Data Mining in der molekularen Genetik
b) Datenbank und Datenmanagement
c) Grid-Computing
d) Modellierung und Simulation zellulärer Systeme
e) Biomedizinische Bildverarbeitung unter Verwendung
von geometrischen und dynamischen Modellen
Die Entwicklung von computergestützten Methoden zur
Analyse komplexer Daten in der molekularen Biologie als
auch die Entwicklung von Modellen und computerbasierten
Methoden in der Zellbiologie ist somit zentraler Gegenstand
unserer Abteilung, die sich im Jahr 2000 am
DKFZ etablierte.
Die zentralen Ergebnisse der Gruppe enthalten auch
mehrere patentierte Software-Systeme, z.B. zum wissensbasierten
Data Mining im Life Science Bereich, zur
voll automatisierten Diagnostik in der molekularen
Zytogenetik und zum Studium von dynamischen Prozessen
in lebenden Zellen. Die Gruppe kollaboriert aktiv mit
verschiedenen Partnern, um die aufgebauten Systeme
anzuwenden bzw. zu vermarkten.
Abteilung B080
Theoretische Bioinformatik
DKFZ 2004: Wissenschaftlicher Ergebnisbericht 2002 - 2003
1. Data Mining in der molekularen Genetik
B. Brors, A. Bulashevska, S. Bulashevska, G. Dubois,
M. Granzow, A. Groll, T. Kochmann, J. Müller,
F. Schubert, B. Tausch, P. Warnat, J. Wiemer, R. Eils
Kooperationen: Prof. Dr. T. Chakraborty, Institut für Medizinische
Mikrobiologie, Universität Giessen; PD Dr. Torsten Haferlach,
Leukämie-Diagnostiklabor, Universitätsklinikum Großhadern,
München; Dr. Stefan Joos, Abt. Molekulare Genetik, DKFZ; Prof.
Dr. Panthel, Institut für Tumorbiologie, Universitätsklinikum Hamburg-Eppendorf;
PD Dr. Gunhild Mechtersheimer, Pathologie, Universitätsklinikum
Heidelberg; Dr. Christoph Klein, Institut für
Immunologie, Ludwig-Maximilians-Universität München; Prof. Dr.
G. Kovacs, Chirurgische Universitätsklinik Heidelberg; PD Dr. R.
Kronenwett, Klinik für Hämatologie, Onkologie und Klinische
Immunologie, Universität Düsseldorf; Prof. Dr. Lichter, Abt. Molekulare
Genetik, DKFZ; Prof. Dr. Manfred Löhr, Innere Medizin,
Universitätsklinikum Mannheim; Prof. Dr. Christoph Niehrs, Abt.
Molekulare Embryologie, DKFZ; Prof. Walter Pyerin, Abt. Biochemische
Zellphysiologie, DKFZ; Prof. Dr. Guido Sauter, Universität
Basel, Schweiz; Prof. Dr. B. Schlegelberger, Mol. Pathologie, MH
Hannover; Dr. Alexander Schramm, Pädiatrische Onkologie,
Tumorzentrum, Universität Essen; Prof. Dr. F. Speleman, Mol. Cytogenetics,
Universitair Ziekenhuis, Gent, Belgien; Dr. C. Thiede,
Innere Medizin, Universitätsklinikum Dresden; Dr. F. Westermann,
Abt. Cytogenetik, DKFZ; phase-IT intelligent solutions AG,
Heidelberg; Boehringer Ingelheim Österreich.
Moderne molekulare Methoden in der Biologie und Medizin
produzieren Daten, die allein durch ihren Umfang die Unterstützung
aus der Informatik erfordern. Computerbasierte
Methoden wurden bisher für Sequenzdaten entwickelt,
während die Unterstützung der Auswertung von DNA-
Chips, Proteomanalysen durch 2D-Gelelektrophorese oder
Massenspektrometrie, vergleichender genomischer Hybridisierung
(CGH), Mehrfarben-Fluoreszenz-In-Situ-Hybrisisierung
(MFISH), Loss-Of-Heterozygosity Analysen (LOH) und
Einzel-Nukleotidpolymorphismen (SNP) weiterhin eine
große Herausforderung für die Bioinformatik darstellt.
Ziel unseres Projektes ist es, Methoden aus der Statistik
und dem Data Mining für diese Daten zu adaptieren bzw.
weiterzuentwickeln. Insbesondere streben wir nach Methoden,
die uns Verbindungen zwischen solchen molekulargenetischen
Daten und klinischen Informationen wie Tumorgröße
bzw. Tumorgrad, Krankheitsentwicklung und Ansprechbarkeit
auf Chemotherapie aufzeigen.
Data Mining steht in Beziehung zu Methoden, Techniken
und Werkzeugen aus der Informatik und Statistik, wie z.B.
Datenbanken, Modellierung, maschinellen Lernverfahren,
Visualisierungen, statistischen Tests und wissensbasierten
Systemen.
Ziel des Data Mining Prozesses ist es, schrittweise neues
Wissen in einem Anwendungsbereich zu generieren. Jeder
Schritt des Data-Mining-Prozesses beinhaltet eine Teilaufgabe
(z.B. Klassifizierung, Regression, zeitliche Modellierung
oder Clustering), die durch eine adäquate Technik (z.B.
neuronale Netzwerke, Entscheidungsbäume, k-nächster
Nachbar Klassifikator, Netzwerke nach Bayes und klassische
statistische Methoden) gelöst wird. Der typische Arbeitsablauf
im Data Mining gestaltet sich dann wie folgt [15]:
• Datenvorverarbeitung
• Datenvisualisierung, Hypothesengenerierung
• Entwurf eines Klassifikators
• Training und Validierung eines Klassifikators