Inhalt

Das Verständnis von biologischen Netzwerken spielt heute in den Lebenswissenschaften eine wichtige Rolle. In lebenden Organismen sind eine Vielzahl von Netzwerken gleichzeitig aktiv, z.B. transkriptionelle Regulation, Proteininteraktionen, Signaltransduktion zur Übertragung von Information aus der Umwelt in die Zelle, metabolische Netzwerke, etc. Man unterscheidet, ob man statisch das Netzwerk aller (unter geegneten Bedingungen) möglichen molekularen Interaktinoen betrachtet, oder dynamisch zu gegebenen Bedingungen das dann aktive Netzwerk.

• Bei der transkriptionellen Regulation beispielsweise ergeben sich Abhängigkeiten der Art: Protein A hemmt (oder fördert) die Produktion von Protein B. So entstehen komplexe Netzwerke von Abhängigkeiten mit Rückkopplungen, und man kann die Dynamik solcher Netzwerke mit formalen Methoden untersuchen. Jedoch stoßen wir bereits bei der Aufklärung der Netzwerktopologie (also welche Kanten überhaupt bestehen) auf erhebliche Herausforderungen.
• Proteininteraktionsnetzwerke beschreiben, welche Proteine in der Zelle physikalisch miteinander in Kontakt treten, um bestimmte Funktionen gemeinsam durchzuführen.
• Bei der Signaltransduktion arbeiten ebenfalls verschiedene Proteine in genau festgelegten Kaskaden zusammen, um Informationen über die Umwelt (z.B. "Die Zuckerkonzentration in der Umgebung ist sehr hoch.") über molekulare Mechanismen in die Zelle zu übertragen. Wir untersuchen die Abfolge und wechselseitigen Abhängigkeiten der dazu notwendigen Reaktionen.
• Metabolische Netzwerke beschreiben, wie Stoffe, die mit der Nahrung aufgenommen werden, vom Körper in verwertbare Produkte umgesetzt werden. Hierbei greifen viele verschiedene chemische Reaktionen zwischen organischen Molekülen ineinander und hängen wechselseitig voneinander ab.
  

Eine große Herausforderung besteht darin, aus biotechnologischen Messdaten auf diese Netzwerke zurückzuschließen. In der Vorlesung werden im nötigen Umfang die molekularbiologischen Grundlagen vermittelt, um die Art der Daten zu verstehen. Das Hauptaugenmerk liegt auf Algorithmen, Modellen und Datenanalyseverfahren, um aus den Daten die Struktur und quantitativen Parameter der Netzwerke zu schätzen. Ein Fokus wird dabei auf probabilistischen Methoden liegen, die es erlauben, mit unsicheren und verrauschten Daten angemessen umzugehen.

Eine Auswahl aus dem Inhalt der Vorlesung:

• Graphen als Netzwerkmodelle
• Beschreibende Eigenschaften von Netzwerken: degree distribution, power law
  
• Modelle für zufällige Graphen als zufällige Netzwerke
  
• Was ist transkriptionelle Regulation? Formale Beschreibung von Transkriptionsfaktorbindestellen (TFBSen)
• Schätzung von Regulationsnetzwerken aus Expressionsdaten
• Der EM-Algorithmus
• Anwendung des EM-Algorithmus zur Identifikation von TFBSen
• Das Problem der Identifizierbarkeit in linearen Signal-Sensor-Netzwerken
• Optimierungsprobleme in linearen Signal-Sensor-Netzwerken
  
• Metabolische Netze und ihre Analyse mit Methoden der linearen Algebra
• Double Description Method (DDM)
• Signaltransduktionsnetzwerke anhand von Beispielen
• Bayes'sche Netze als Modelle für Signaltransduktionsnetzwerke
• Nested Effect Models (NEMs)
• Proteininteraktionsnetzwerke und -hypernetzwerke
• Vorhersage von Proteinkomplexen
• Probabilistische arithmetische Automaten (PAAs)
• Anwendung von PAAs zur Identifikation von TFBSen

Literatur und Material

Skript: Ein Skript wird parallel zur Vorlesung erstellt. Aktuelle Version siehe oberhalb des Zeitplans
Weitere Literatur in Kürze hier.