Entwicklung neuer Methoden des maschinellen Lernens zur Analyse von Sequenz- und Expressionsdaten in der Bioinformatik

这些研究是微阵列数据生物信息学研究的新方法。Genexpressionsdaten，Lokationsdaten）. Dadenosoll ein besseres Verständnis des Zusammenoskens der verbenedenen Zellbestandteile（Gene，Proteine，usw.）是韦尔登。Diese Interaktionen können in Form von regulatorischen Netzwerken dargestellt韦尔登.网络结构重建的基础是遗传学，但相对于微阵列数据库的测试而言，这是非常明显的。这是很明显的，下面是一个问题：首先，开发一个系统的实验计划。这是一个非常大的Zahl实验，它只不过是一个简单的实验和一个简单的实验。我们可以从一个实验韦尔登中获得最大化的结果。第二，在一个Zelle（z.B. Stoffwechselwege），and die Bestimmung der Struktur dieser Subnetzwerke.卫理公会是一个很好的地方，它可以帮助学生们更好地了解他们的生活。

Das Ziel dieses Forschungsvorhabens ist die Entwicklung neuer Methoden der Bioinformatik zur verbesserten Analyse von Microarray-Daten (z.B. Genexpressionsdaten, Lokationsdaten). Dadurch soll ein besseres Verständnis des Zusammenwirkens der verschiedenen Zellbestandteile (Gene, Proteine, usw.) erreicht werden. Diese Interaktionen können in Form von regulatorischen Netzwerken dargestellt werden. Die besondere Herausforderung bei der Rekonstruktion der Netwerkstruktur liegt darin, daß nur relativ wenige Microarray-Daten zur Verfügung stehen, welche zudem stark vertauscht sind. Es ist beabsichtigt, folgende Probleme anzugehen: Erstens, die Entwicklung eines Ansatzes zur systematischen Planung von Experimenten. Das Ziel ist, aus der extrem großen Zahl von möglichen Experimenten nur die "vielversprechendsten" auszuwählen und tatsächlich durchzuführen. Dadurch kann ein maximaler Erkenntnisgewinn aus einer begrenzten Anzahl von Experimenten erzielt werden. Zweitens, das Auffinden neuer funktionaler Untereinheiten in einer Zelle (z.B. Stoffwechselwege), und die Bestimmung der Struktur dieser Subnetzwerke. Methodisch ist beabsichtigt, aktives Lernen einzusetzen sowie verschiedene Datenquellen zu kombinieren.