MDCK-MRP2 - Dkfz
MDCK-MRP2 - Dkfz
MDCK-MRP2 - Dkfz
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Forschungsschwerpunkt C<br />
Krebsrisikofaktoren und Krebsprävention<br />
1. Biostatistische Auswertung von Genom- und<br />
Proteom-Daten (C060-01)<br />
A. Benner, C. Ittrich, A. Kopp-Schneider, W. Rittgen,<br />
L. Edler<br />
In Zusammenarbeit mit: P. Lichter, S. Joos, A. Poustka, S. M.<br />
Klauck, W. Huber, F. Lyko, M. Deichmann, U. Hamann, P.<br />
Schmezer, O. Popanda, S. Suhai, H.-W. Thielmann, H. Bartsch,<br />
A. Risch, H. Dally, W. Schmid, M. Kenzelmann, DKFZ. G. Sawitzki,<br />
Univ. Heidelberg; B. Lausen, T. Hothorn, Univ. Erlangen;<br />
M.Vingron, MPI, Berlin; M. Schwarz, Univ. Tübingen; U. Gundert-<br />
Remy, H.-B. Richter-Reichhelm, A. Oberemm, Bundesinstitut für<br />
Risikobewertung (BfR), Berlin; P.J. Kramer, M. Kröger, Merck<br />
KGaA, Darmstadt; H.-J. Ahr, G.Scholz, H. Ellinger-Ziegelbauer,<br />
Bayer Health Care AG; H. Döhner, Univ. Ulm; B. S. Kim, Yonsei<br />
University, Seoul, Korea.<br />
Genom- und Proteom-Daten unterscheiden sich von traditionellen<br />
Daten der experimentellen Krebsforschung in entscheidenden<br />
Punkten. Einer davon betrifft das Verhältnis<br />
zwischen dem Aufwand an Experimentierzeit und dem Umfang<br />
der erhaltenen Datenmenge. Während man für herkömmliche<br />
biomedizinische Daten eine relativ lange Zeit<br />
zur Produktion weniger aussagekräftiger Daten benötigte,<br />
erlauben die neuen Verfahren der Microarraytechnik und<br />
der 2D-Gelelektrophorese die Erzeugung riesiger Datenmengen<br />
in der Größenordnung von 10 4 -10 5 Einträgen in<br />
sehr kurzer Zeit, wenn die Systeme einmal etabliert sind.<br />
Diese grundsätzliche Veränderung in der Beziehung zwischen<br />
biomedizinischem Experiment und der Produktion<br />
quantitativer Daten rückt die Bedeutung der Versuchsplanung<br />
weiter in den Vordergrund und stellt neue Herausforderungen<br />
an die biostatistische Forschung. Demzufolge<br />
befasst sich die Einheit jetzt intensivst mit der Entwicklung<br />
statistischer Methoden zur Identifikation differentiell exprimierter<br />
Gene unter verschiedenen Bedingungen (z. B. Tumor-<br />
und Normalgewebe), mit der Bestimmung einer minimalen<br />
Kombination von Genen, die zwischen solchen Bedingungen<br />
diskriminiert, mit der Identifikation von Gen-Clustern,<br />
deren Expressionsniveaus korreliert sind, und mit<br />
neuen Cluster-Verfahren, die erlauben, neue Subgruppen<br />
C060<br />
Biostatistik<br />
auf der Grundlage der Genexpression zu finden. Insbesondere<br />
wurden Methoden zur Fallzahlschätzung für Genexpressions-<br />
und Proteomanalysen entwickelt und ROC-Modelle<br />
als Verfahren zur Adjustierung bezüglich möglicher<br />
Confounder etabliert. Tabelle 2 gibt einen Überblick zur<br />
Zusammenarbeit mit experimentellen Gruppen und der Anwendung<br />
statistischer Verfahren im Berichtszeitraum. Beispielhaft<br />
werden fünf Teilprojekte herausgehoben, die aufzeigen,<br />
wie die biometrische Methodik nutzbringend für<br />
die Lösung von Klassifikations- und Vorhersageproblemen<br />
der molekularen Medizin angewendet werden kann, wenn<br />
hochdimensionale Daten vorliegen.<br />
Genomweites Screening für die Untersuchung genomischer<br />
Veränderungen (Deletion, Trisomie etc.). Ig-VH-Mutation<br />
und genomische Imbalancen wurden in einer Kohorte von<br />
300 Patienten bestimmt auf das Vorliegen prognostischer<br />
genomischer Faktoren. Überlebensbäume und Ensemble<br />
Methoden angewandt auf dieselben erlaubten die Bestimmung<br />
derartiger Faktoren [69,75].<br />
Identifizierung und Prävalidierung von hepatozellulären<br />
Biomarkern zur Erfassung und Prädiktion toxischer und kanzerogener<br />
Wirkungen von chemischen Stoffen. Ein herkömmlicher<br />
Bioassay der chemisch induzierten Hepatokanzerogenese<br />
in der Ratte wurde verwendet, um durch den<br />
vergleichenden Einsatz ausgewählter Methoden der molekularen<br />
Toxikologie die Möglichkeit der Identifizierung von<br />
frühen Biomarkern zu demonstrieren, die eine Prädiktion<br />
klassischer toxikologischer Endpunkte einschließlich der Kanzerogenität<br />
erlauben. Die Etablierung in einem Kurzzeit-<br />
Kanzerogenitätstests würde einen Beitrag zur Reduzierung<br />
von belastenden Langzeit-Kanzerogenitätsstudien an Labornagern<br />
leisten. Die Erfassung der transkriptionellen Veränderungen<br />
erfolgte mit Affymetrix-Chips, Veränderungen in<br />
der Proteinexpression wurden mit 2D Gelelektrophorese<br />
und SELDI-TOF Analysen aufgezeigt. Wir erarbeiteten die<br />
methodische Grundlagen und Algorithmen zur Qualitätskontrolle<br />
und biometrischen Auswertung der bei den Projektpartnern<br />
Bayer AG, BfR und Merck KGaA erhobenen Genexpressions-<br />
und Proteinintensitätsdaten. Schwerpunktmäßig<br />
Tabelle 2: Statistische Methoden für Molekulargenetische Studien<br />
Thema Statistisches Verfahren Zitat<br />
Dodecamer Verdopplung des HOPA A-Gens und Fall-Kontroll Studie, [1]<br />
Autismus, mentaler Retardierung und Schizophrenie; Allelhäufigkeitsanalyse [2]<br />
MPO-463 G3A Polymorphism als Risiko/Schutzfaktor Fall-Kontroll Studie, [14]<br />
beim Bronchialkarzinom multiple logistische Regression<br />
Prognostische Marker beim resezierbaren Bronchialkarzinom multivariate Regression [72]<br />
zur Stratfikation in Studien zur Wirkung von Lektinen für Überlebenszeiten<br />
PTEN/MMAC1-Expression beim Melanom Häufigkeitsanalyse [15]<br />
CYP3A4*1B Allel als Risikofaktor für NSCLC logistische Regression [13]<br />
Microarrays für die Prävalenz einer Onkogenamplifikation<br />
bei Kopf-Hals Tumoren<br />
statistische Genomanalysen [37]<br />
BRCA2 Keimbahnmutationen in erblichen gynäkologischen Tumoren Korrelationsanalyse [45]<br />
Korrelation genomischer Veränderungen mit klinischen Ergebnissen beim Korrelationsanalyse [55]<br />
Mantelzell-Lymphom: VH-Mutationsstatus und VDJ Strukturveränderung Überlebenszeit-Analyse [56]<br />
Genexpression im Ependymom in Beziehung zu klinischen Faktoren Statistische Genexpressionsanalyse [67,86]<br />
Expression von Zellzyklus- und Apoptosegenen Statistische Genexpressionsanalyse [68]<br />
Genomische Targets der Knochenmarksrepopulation Häufigkeitsanalyse [74]<br />
Prognostische Marker beim Medulloblastom Überlebenszeitanalyse [85]<br />
Basale Gentranskription in Relation zu Promoteraktivität Brier Score, Genselektion [92]<br />
CYP1A1 Genexpressionregulation durch TCDD Statistische Genexpressionsanalyse [96]<br />
Kapillarelektrophorese genomischer DNA beschreibende Statistik [98]<br />
Identifikation von RCT-Genen für Mikrosatellite Mutationen statistisches Modell, Metaanalyse [103]<br />
DKFZ 2004: Wissenschaftlicher Ergebnisbericht 2002 - 2003<br />
205