Gerichtete Graphen zur Modellierung von Gen-Gen- und Gen-Umwelt-Interaktionen in Studien der genetischen Epidemiologie

在这种方法中，也有一个面向遗传学流行病学韦尔登的基因与环境相互作用模型的图形化项目。我们将重点放在图形模型和神经内策上。后记：Bei der Erkrankungen spielen im zunehmenden Maße individuelle genetische Faktoren eine greße Rolle. Der überwiegende Anteil der in der Bevölkerung relevanten Krankheiten，wie Herz-Kreislauf-Erkrankungen und Krebs，ist den komplexen Erkrankungen zuzurechnen，die somit für die ffentliche Gesundelbon außerordentlichem Interesse sind.复杂的工作是多因素作用的自然结果。für ihre Entstehung韦尔登versedene genetische und nicht-genetische（umweltbedingte）Faktoren sowie deren Zusammenspiel verantwortlich gemacht. Gerade die Analyse solcher Gen-Gen- oder Gen-Umwelt-Interaktionen scheint entscheidend für das Verständnis der Krankheitsentwicklung und die Etablierung möglicher Therapien zu sein.识别解决方案的工作机制是一个复杂的问题，它是一个非常复杂的问题，也是一种统计方法。在单基因遗传学的基础上，遗传学的发展并不局限于此，它是一种不友好的遗传学。Ziel：（a）Formulierung graphischer Modelle und künstlicher neuronaler内策，以建立复杂的Krankheiten模型，开发类似的理论和主要统计特征的分析，（B）开发和验证软件，（c）开发测试的实践性。

In diesem sowohl methodisch als auch anwendungsorientiert angelegten Projekt sollen gerichtete Graphen zur Modellierung von Gen-Gen- und Gen-Umwelt-Interaktionen in Studien zur genetischen Epidemiologie eingesetzt werden. Hierbei fokussiert das Vorhaben auf graphische Modelle und künstliche neuronale Netze. Hintergrund: Bei der Erforschung der Ätiologie von Erkrankungen spielen im zunehmenden Maße individuelle genetische Faktoren eine große Rolle. Der überwiegende Anteil der in der Bevölkerung relevanten Krankheiten, wie Herz-Kreislauf-Erkrankungen, psychiatrische Erkrankungen und Krebs, ist den komplexen Erkrankungen zuzurechnen, die somit für die öffentliche Gesundheit von außerordentlichem Interesse sind. Komplexe Erkrankungen sind ihrer Natur nach multifaktoriell, d.h. für ihre Entstehung werden verschiedene genetische und nicht-genetische (umweltbedingte) Faktoren sowie deren Zusammenspiel verantwortlich gemacht. Gerade die Analyse solcher Gen-Gen- oder Gen-Umwelt-Interaktionen scheint entscheidend für das Verständnis der Krankheitsentwicklung und die Etablierung möglicher Therapien zu sein. Die Identifikation solcher Wirkmechanismen erweist sich dabei als eine komplexe Aufgabe, die erhebliche Anforderungen an die einzusetzende statistische Methodik stellt. Im Gegensatz zu den monogenetischen Erkrankungen existieren hier jedoch nur wenige, zum Teil unbefriedigende Lösungsansätze. Ziel: (a) Formulierung graphischer Modelle und künstlicher neuronaler Netze zur Modellierung komplexer Krankheiten, Entwicklung der zugrunde liegenden Theorie und Diskussion der primär statistischen Eigenschaften, (b) Entwicklung und Validierung entsprechender Software, (c) Überprüfung der Praxistauglichkeit der entwickelten Verfahren.