New Statistical Algorithms for the Analysis of Mass - FU Berlin, FB MI ...

Contents
Acknowledgments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
Extended Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Introduction and Survey . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Goals, Objectives and Tasks . . . . . . . . . . . . . . . . . . . . 7
2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Topic Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 An Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3 Mathematical Modeling and Algorithms . . . . . . . . . . . . . 23
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Introduction to MALDI TOF MS . . . . . . . . . . . . . . . . . 25
3.3 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4 Highly Sensitive Peak Detection . . . . . . . . . . . . . . . . . . 36
3.5 Peak Detection in 2D Maps . . . . . . . . . . . . . . . . . . . . 42
3.6 Peak Registration (Alignment) . . . . . . . . . . . . . . . . . . 44
3.7 Identifying Potential Features . . . . . . . . . . . . . . . . . . . 50
3.8 Extracting Fingerprints . . . . . . . . . . . . . . . . . . . . . . 56
3.9 Complexity Analysis . . . . . . . . . . . . . . . . . . . . . . . . 63
4 (Bio-)Medical Applications . . . . . . . . . . . . . . . . . . . . . 65
4.1 Data Used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Statistical Remarks . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3 Study Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.4 Identification of Proteomic Fingerprints in Blood Serum by
High-sensitive Bioinformatic Analysis of SELDI-TOF MS Data
for Detection of Testicular Germ Cell Cancer . . . . . . . . . . 90
4.5 Identification of Proteomic Fingerprints in Blood Serum by
High-sensitive Bioinformatic Analysis of MALDI-TOF MS Data
for Detection of Thyroid Diseases . . . . . . . . . . . . . . . . . 96
4.6 Biological Applications . . . . . . . . . . . . . . . . . . . . . . . 101
5 Computer Science Grid Strategies . . . . . . . . . . . . . . . . 103
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.2 The Quasi Ad-hoc (QAD) Grid . . . . . . . . . . . . . . . . . . 111
5.3 QAD Grid Platform Server . . . . . . . . . . . . . . . . . . . . 114
5.4 QAD Grid Worker . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.5 QAD Grid Platform Services . . . . . . . . . . . . . . . . . . . 138
5.6 QAD Grid Workflows . . . . . . . . . . . . . . . . . . . . . . . 141
iii