Reconstruction of functional context from heterogenous data networks

Abstract

In Kontrast zu rein hypothesengetriebenen Ansätzen verlagerte sich die Forschung in der Molekularbiologie in signifikanter Weise in Richtung explorative Analyse auf Basis reichhaltiger Datensätze. Diese Tatsache gründet auf der Entwicklung von neuen experimentellen Technologien (Stichwort: ’omics’ - Revolution) zur Beobachtung von gesamtzellulären Prozessen, ergänzt durch computergestützte Algorithmen für Datenvorhersage und Systemmodellierung. Verfahren, welche zelluläre Prozesse zu erklären und relevante Schlüsselstellen (Biomarker) zu identifizieren versuchen, bedienen sich der explorativen Analyse und der klassischen Statistik in sequentieller Art und Weise, um letztendlich funktionalen Kontext aus gegebenen Daten ableiten zu können. Aus grundlegenden Ideen der neuen Disziplin Systems Biology entstanden mittlerweile integrativere Ansätze auf Basis dieser gegebenen, jedoch sehr heterogenen Datensätze. Unter diesen Umständen ist anzunehmen, dass eine Entwicklung - weg von einer sequentiellen und hin zu einer parallel getriebenen - integrativeren Analyse stattfinden wird: Die verfügbaren ’large-scale’ Daten umfassen Genexpression, Proteinexpression, -lokalisation und -interaktion. Funktionale Abhängigkeiten werden im Kontext analysiert - im Gegesatz zu dem sequentiellen Ablauf - folgend der Herangehensweise ’from gene to protein to function’. Im Rahmen dieser Diplomarbeit erfolgte die Implementierung einer neuen Methode, welche darauf abzielt, Biomarker im funktionalen Kontext zu entschlüsseln: Unser Konzept folgt dem Ansatz der Dynamischen Hierarchien respektive der Emergenz als zugrundeliegendes organisatorisches Prinzip biologischer Prozesse und erlaubt eine parallele und integrative Analyse der heterogenen ’omics’-Daten.

Research in molecular biology has significantly changed towards utilizing explorative analysis on the basis of vast, but heterogeneous data sets - in contrast to purely hypothesis driven approaches. This development has grounded on the availability of novel experimental technologies (the ’omics’ revolution) for monitoring cell-wide events, complemented by computational procedures for data prediction and systems modeling. Present procedures for understanding cellular processes and identification of relevant key players (biomarkers) have utilized explorative analysis and classical statistic approaches in a sequential manner, with the ultimate goal of identifying functional context and associated biomarkers. With upcoming approaches on the basis of Systems Biology a more integrated procedure on the basis of given, but heterogeneous data sets has emerged. Under these premises the sequential linking of data will change towards a parallel, integrated analysis approach: Available large scale data on cellular processes covering gene expression, protein abundance, protein location and their functional interplay are contextually analyzed in contrast to a sequential analysis procedure which focuses on a ’from gene to protein to function’ approach. This thesis outlines a novel computational methodology aimed at deciphering functional context and biomarkers: Our concept is following the framework of dynamical hierarchies and emergence as organizational principle of the underlying biological processes. This framework allows a parallel and integrative analysis of heterogeneous sources from ’omics’.