Entwicklung effizienter Algorithmen zur Analyse von krankheitsassoziierten Daten

Die Dissertation aus dem Bereich der Bioinformatik fokussiert sich auf die Erforschung und Entwicklung effizienter Algorithmen und Frameworks zur Analyse von krankheitsassoziierten genomischen Daten im Feld Immunologie. Dadurch entstanden drei Datenverarbeitungsframeworks, welche unter anderem eine automatisierte Vor- und Verarbeitung von Sequenzierungsdaten mit sogenannten Unique Molecular Identifier (UMI) von Zellen des Immunsystems sowie die Untersuchung von Genexpressionsdaten aus öffentlichen Datenbanken ermöglichen. Jedes Framework wurde implementiert, um unterschiedliche biologische Forschungsfragen zu beantworten und zudem so konzipiert, um die Nutzung durch eine breitere Community zu ermöglichen. Einerseits wurde auf der Grundlage von Next-Generation-Sequencing-Daten (NGS) von Patient*innen mit chronischer myeloischer Leukämie (CML) ein Softwaretool implementiert, um genetische Mutationen zu identifizieren, welche zu Arzneimittelresistenzen führen können und somit einen Rückfall zur Folge haben können. Andererseits wurde eine Software zur Analyse von Immunrepertoiredaten entwickelt. Konkret wurden hier Daten von Nierentransplantpatient*innen automatisiert analysiert und für die nachfolgende Anwendung von maschinellem Lernen vorbereitet. Ziel war es, zu erkennen, ob es zu einer Abstoßungsreaktion kommt oder nicht. Auch die dritte Pipeline im Rahmen eines Projekts zur Identifikation von innovativen Therapien im Kampf gegen akute myeloische Leukämie zeigte eine hohe Reproduzierbarkeit der Laborexperimente unter Verwendung und Analyse von öffentlich zugänglichen Datensätzen.

Word-Rap mit Julia Vetter