Klinische Prognosen auf Grundlage von genregulatorischen Netzwerken

这些项目是在网络监管基础上对临床预测方法的改进。近年来，我们将加强对方法的研究，并将分子量与z. B. Genexpressiondaten zur Verbesserung von klinischen Prognosen zu verwenden.如果将生物学知识应用于预测统计学中，则预测结果是不准确的，并将预测统计学中的基因分析最佳化。在这个项目中，我们将在Bayesschen Netzwerken上建立一个新的数据库，其中包含一个通用的韦尔登工具。首先，韦尔登将患者纳入遗传学标准，并通过一种不同的网络分析韦尔登进行遗传学分析，以获得用于患者遗传学网络分析的德国统计学和生物学解释。Im zweiten Schritt韦尔登für vorgegebene Gengebene Gengruppen neue Patientengruppen gebildet，so dass sich die jeweils zugehörigen Netzwerke unterscheiden，and erst danach韦尔登die klinische Unterscheide der neu identifizierten Patientengruppen analysiert. Mit diesen Ansätzen können für die pestischen Unterschede in Form der unterschedlichen genregulatorischen Netzwerke direkt biologisch plausible kausale Ursachen untersucht韦尔登.该方法韦尔登是一个有200名患者参与的独特的数据库，并经过验证。

Ziel des Projekts ist die Entwicklung von Methoden zur Erstellung von klinischen Prognosen auf Grundlage von genregulatorischen Netzwerken. Seit einigen Jahren wird intensiv nach Methoden gesucht, genomweite molekulare Messungen wie z.B. Genexpressionsdaten zur Verbesserung von klinischen Prognosen zu verwenden. Die Prognosequalität steigt, wenn einerseits zusätzliches biologisches Wissen in die Schätzungen integriert wird und andererseits die Anzahl der Gene im Sinne der Prognose statistisch optimal reduziert wird. In diesem Projekt verfolgen wir einen neuen derartigen Ansatz basierend auf Bayesschen Netzwerken, mit denen genregulatorische Netzwerke geschätzt werden können. Im ersten Schritt werden Patienten nach prognostischen Kriterien in Untergruppen geteilt, und mit einer differentiellen Netzwerkanalyse werden Gengruppen gesucht, für die sich die jeweils für die Patientengruppen geschätzten genetischen Netzwerke statistisch deutlich und biologisch interpretierbar unterscheiden. Im zweiten Schritt werden für vorgegebene Gengruppen neue Patientengruppen gebildet, so dass sich die jeweils zugehörigen Netzwerke unterscheiden, und erst danach werden die klinische Unterscheide der neu identifizierten Patientengruppen analysiert. Mit diesen Ansätzen können für die prognostischen Unterschiede in Form der unterschiedlichen genregulatorischen Netzwerke direkt biologisch plausible kausale Ursachen untersucht werden. Die Methoden werden an einem eigenen Brustkrebsdatensatz mit 200 Patientinnen entwickelt und auf verschiedenen anderen Datensätzen validiert.