Komplexe Krankheiten wie beispielsweise Krebs oder kardiovaskuläre Erkrankungen stellen bereits heute die häufigste Todesursache der industrialisierten Länder dar (DeStatis, 2017).
Zur Untersuchung dieser Erkrankungen werden Hochdurchsatzmethoden eingesetzt mit Hilfe derer man Informationen über den (epi-)genetischen Zustand von Zellen erlangt. Dies ermöglicht eine detaillierte Analyse der verschiedensten komplexen Krankheiten wie beispielsweise Krebs, Alzheimer, Parkinson und Diabetes. Allerdings sind die generierten Hochdurchsatzdaten oft hochdimensional und nur schwer manuell untersuchbar.
Mit Hilfe unterschiedlicher Techniken im Bereich der Bioinformatik (maschinelles Lernen, Graphtheorie, etc.) kann man die große Datenmenge verarbeiten. Dadurch kann man wichtige Hinweise darauf erhalten, welche Komponenten des komplexen biologischen Systems einen entscheidenden Beitrag zu der untersuchten Erkrankung leisten und welche sich dementsprechend als Biomarker (Komponenten des biologischen Systems mit prognostischer oder diagnostischer Relevanz) eignen.
Das Ziel der personalisierten Medizin besteht dann darin, basierend auf dem Vorhandensein von Biomarkern eine optimale Therapie für jeden einzelnen Patienten zu ermitteln.
In diesem Seminar werden interessante Arbeiten und Algorithmen der Bioinformatik behandelt, die im Bereich der Biomarker-Detektion und der personalisierten Medizin Anwendung finden. Das Seminar wird als Block-Seminar in der Woche vor Vorlesungsbeginn des Wintersemesters 2022 gehalten.
Um am Seminar teilnehmen zu können, muss man beim Themenvergabe-Treffen persönlich anwesend sein. Dabei werden die Themen, ggf. per Losverfahren, verteilt.
Aufgrund der aktuellen Lage findet dieses Treffen über Zoom statt. Um an der Zoom Konferenz teilnehmen zu können, melden Sie sich bitte per Mail an teaching@bioinf.uni-sb.de.
Eine vorherige Themenreservierung ist nicht möglich.
Nach der Themenvergabe bestätigen Sie bitte Ihre Seminarteilnahme bis zum 29.07.22 per Mail an teaching@bioinf.uni-sb.de.
Außerdem müssen Sie sich bis zum 05.08.22 verbindlich im HISPOS anmelden.
| # | Paper | Autoren | |
|---|---|---|---|
| 1 | Topologically inferring risk-active pathways toward precise cancer classification by directed random walk | Liu et al. | |
| 2 | Predicting transcription factor affinities to DNA from a biophysical model. | Roider et al. | |
| 3 | Heterogeneity aware random forest for drug sensitivity prediction | Rahman et al. | |
| 4 | MatchMaker: A Deep Learning Framework for Drug Synergy Prediction | Kuru et al. | |
| 5 | Predicting in vitro drug sensitivity using Random Forests | Riddick et al. | |
| 6 | Pathway-Guided Deep Neural Network toward Interpretable and Predictive Modeling of Drug Sensitivity | Deng et al. | |
| 7 | Validation of miRNAs as Breast Cancer Biomarkers with a Machine Learning Approach | Rehman et al. | |
| 8 | A Hybrid Interpolation Weighted Collaborative Filtering Method for Anti-cancer Drug Response Prediction | Zhang et al. |