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 Sommersemesters 2021 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 01.02.2020 per Mail an teaching@bioinf.uni-sb.de.
Außerdem müssen Sie sich bis zum 15.02.2020 verbindlich im HISPOS anmelden.
| # | Paper | Autoren | |
|---|---|---|---|
| 1 | Integration of gene interaction information into a reweighted Lasso-Cox model for accurate survival prediction | Wang and Liu | |
| 2 | Causal analysis approaches in Ingenuity Pathway Analysis | Krämer et al. | |
| 3 | Heterogeneity aware random forest for drug sensitivity prediction | Rahman et al. | |
| 4 | Logic models to predict continuous outputs based on binary inputs with an application to personalized cancer therapy | Knijnenburg al. et al. | |
| 5 | Accurate and reliable cancer classification based on probabilistic inference | Su et al. | |
| 6 | Mutual exclusivity analysis identifies oncogenic network modules | Ciriello et al. . | |
| 7 | Predicting anticancer drug responses using a dual-layer integrated cell line-drug network model | Zhang et al. | |
| 8 | Discovering personalized driver mutation profiles of single samples in cancer by network control strategy | Guo et al. | |
| 9 | A computational method of defining potential biomarkers based on differential sub-networks | Huang et al. |