Weltweit stellt Krebs eine der häufigsten Todesursachen dar. In Deutschland beispielsweise war Krebs die zweithäufigste Todesursache im Jahr 2015 (DeStatis, 2017). Krebs bezeichnet dabei eine große Klasse von Krankheiten, die sich alle durch unkontrolliertes Zellwachstum auszeichnen.
Die Diversität von Krebs liegt nicht zuletzt in der großen (epi-)genetischen Variabilität zwischen verschiedenen Tumoren (Inter-Tumorheterogenität) und innerhalb eines Tumors (Intra-Tumorheterogenität) begründet. Heutzutage, kann man mit sogenannten Hochdurchsatzmethoden Informationen über den (epi-)genetischen Zustand von Zellen erlangen. Dies ermöglicht auch eine detaillierte Analyse der Ursachen von Krebs. Allerdings sind die generierten Hochdurchsatzdaten oft hochdimensional und nur schwer manuell untersuchbar.
Mit Hilfe verschiedenster 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 Krebs leisten und welche sich 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 Therapieoptimierung zur Krebsbehandlung und der personalisierten Medizin Anwendung finden. Das Seminar wird als Block-Seminar in der Woche vor Vorlesungsbeginn des Wintersemesters 2019/2020 gehalten.
Um am Seminar teilnehmen zu können, muss man beim Themenvergabe-Treffen persönlich anwesend sein.
Dabei werden die Themen, ggf. per Losverfahren, verteilt.
Vorherige Anmeldung oder Themenreservierung ist nicht möglich.
Bitte bestätigen Sie Ihre Seminarteilnahme bis zum 12.07.2019 per Mail an teaching@bioinf.uni-sb.de.
Außerdem müssen Sie sich bis zum 27.07.2019 verbindlich im HISPOS anmelden.
| # | Paper | Autoren | |
|---|---|---|---|
| 1 | A novel computational approach for drug repurposing using systems biology | Peyvandipour et al. | |
| 2 | Heterogeneity aware random forest for drug sensitivity prediction | Rahman et al. | |
| 3 | N-of-1-pathways MixEnrich: advancing precision medicine via single-subject analysis in discovering dynamic changes of transcriptomes | Li et al. | |
| 4 | Knowledge-guided gene prioritization reveals new insights into the mechanisms of chemoresistance | Emad et al. | |
| 5 | Optimal drug prediction from personal genomics profiles | Sheng et al. | |
| 6 | Machine learning prediction of cancer cell sensitivity to drugs based on genomic and chemical properties | Menden et al. | |
| 7 | Network-based stratification of tumor mutations | Hofree et al. | |
| 8 | Predicting anticancer drug responses using a dual-layer integrated cell line-drug network model | Zhang et al. | |
| 9 | Discovering personalized driver mutation profiles of single samples in cancer by network control strategy | Guo et al. | |
| 10 | Drug response prediction as a link prediction problem | Stanfield et al. |