Search

Transmembrane proteins perform many essential tasks, including transport, signaling, regulation, and cell adhesion. Although they are very important and serve as targets for most drugs, only a minor fraction of known 3D protein structures represents transmembrane proteins. This dissertation presents a comprehensive overview over the membrane protein universe and the gradual evolution of methods designed to predict transmembrane proteins and their structural features., Transmembranproteine erledigen viele essentielle Aufgaben, einschließlich Transport, Signalisierung, Regulation, sowie Zelladhäsion. Obwohl sie sehr wichtig sind und als Zielstrukturen für die meisten Medikamente dienen, stellt nur ein kleiner Teil der bekannten 3D-Strukturen Transmembranproteine dar. Diese Dissertation gibt einen umfassenden Überblick über Transmembranproteine und die schrittweise Weiterentwicklung von Methoden zur Vorhersage dieser und deren strukturellen Merkmalen.

Predicting protein function and structure from sequence is one important challenge for computational biology. For nearly 3 decades, most approaches that took up on this challenge combined machine learning and evolutionary information (EI). Here, I introduced novel concepts from representation learning to protein sequences to bypass some of the limitations inherent to EI. The proposed solution rivals EI-based methods in their predictive performance while relying only on single protein sequences., Die Vorhersage von Proteinfunktion und -struktur ist eine der wichtigsten Herausforderungen für Bioinformatik. Seit 3 Jahrzehnten wird diese Aufgabe mit einer Kombination aus Machine Learning und Evolutionary Information (EI) gelöst. In dieser Dissertation übertrage ich Ideen von Representation Learning auf Proteinsequenzen. Dabei erreichen die vorgestellte Lösungen vergleichbare Performance benötigen dafür aber nur einzelne Proteinsequenzen wodurch inhärente Probleme von EI gelöst werden.

The AI revolution, which culminated recently in the release of GPT-4, not only impacted how we process natural language but the very same principles could readily be transferred to other sequential data such as protein sequences. Adapting these techniques to computational biology changed the way we process proteins today fundamentally. By simply feeding single amino acid sequences to large language models trained to parse and understand protein sequences, researchers were able to build state-of-the-art predictors on top that estimate the effect of mutations, the subcellular localization of proteins, their binding regions, or even guide the design of variations with expected functions. Even though, it was shown that these protein language models (pLMs) learn a rudimentary understanding of a protein’s 3D structure solely from 1D sequences, the large abundance of high-quality 3D structures available since the release of AlphaFold2 raises the question, whether this wealth of 3D information could be somehow leveraged directly during the pLM pre-training. Towards this end, we map 3D structures to 1D strings using Foldseek which uses a learned mapping from 3D coordinates to a 1D string. The resulting 3Di alphabet was shown to capture structural information well enough to detect extremely remote homologs that could not be detected by other means such as sequence alignments. Here, we assess whether we could get more informative protein representations compared to pLMs trained solely on amino acids by training multiple pLMs either solely on amino acids (baseline) or 3Di sequences (gain from the structure) or a merger of both (best of both worlds) and benchmark their performance on various downstream tasks. To establish a meaningful comparison, we did extensive hyper-parameter optimizations on our model and scaled up training to UniRef50 - a large protein sequence database. Our findings show that 3Di sequences are good at predicting structure-related information but not at che

Exposure to childhood maltreatment (CM) has consistently been linked to an increased risk for developing psychiatric disorders later on in life. Epigenetic mechanisms such as DNA methylation (DNAm) have been proposed as a mechanism for the biological embedding of environmental exposures, including CM. This thesis aims to extend our understanding of the temporal dynamics of the biological embedding of CM via DNAm as well as the effects of concurrent exposures., Belastung durch Kindesmisshandlung wurde wiederholt mit erhöhtem Risiko für psychiatrische Erkrankungen in Verbindung gebracht. Epigenetische Mechanismen, wie die DNA Methylierung (DNAm), wurden als potentielle molekulare Grundlage für die biologische Einbettung von Umweltfeinflüssen untersucht. Ziel dieser Arbeit ist es, die Effekte von Kindesmissbrauch sowie anderen Stressoren auf epigenetischer Ebene zu untersuchen und deren Stabilität im zeitlichen Verlauf zu ermitteln.

Goal of this thesis was to complete a high-throughput analysis of how binding residues affect genetic variants and vice versa. First, we developed of a new and comprehensive system (named ProNA2020) that takes only protein sequence as input. Then it was applied to the analysis of SAVs from 60,706 people. This revealed that SAVs on macro-molecular binding residues have more effect on protein functions. Overall, this novel research about binding residues might benefit future research in molecular and medical biology., Ziel dieser Arbeit war es, eine Hochdurchsatzanalyse durchzuführen, wie Bindungsreste genetische Varianten beeinflussen und umgekehrt. Zunächst haben wir ein neues und umfassendes System (ProNA2020) entwickelt, das nur die Proteinsequenz als Eingabe verwendet. Dann wurde es auf die Analyse von SAVs von 60.706 Personen angewendet. Dies zeigte, dass SAVs auf makromolekularen Bindungsresten einen größeren Einfluss auf die Proteinfunktionen haben. Insgesamt könnte diese neuartige Forschung über Bindungsreste der zukünftigen Forschung in der Molekular- und Medizinbiologie zugute kommen.

Determining a protein’s function is crucial to understand the molecular mechanisms of life. This dissertation deals with advancing prediction methods for different aspects of protein function. Those methods are utilizing different aspects of Machine Learning highlighting its relevance for the prediction of protein function and computational biology in general., Die Bestimmung der Funktion eines Proteins ist entscheidend, um die molekularen Mechanismen des Lebens zu verstehen. Diese Dissertation beschäftigt sich mit der Weiterentwicklung von Vorhersagemethoden für verschiedene Aspekte von Proteinfunktionen. Diese Methoden nutzen verschiedene Aspekte des maschinellen Lernens, wodurch dessen Relevanz für die Vorhersafe von Proteinfunktion und die Bioinformatik im Allgemeinen unterstrichen wird.

The thesis discusses the challenges faced by methods which predict the effect of protein sequence variants. The analyses illustrate that methods are biased towards deleterious, high effect variants which exhibit strong sequence conservation. Furthermore, variants with beneficial effect are generally neglected. Overall, no method performs best under all circumstances. Accounting for deficiencies will allow methods to support clinical action and drive large-scale adoption of precision medicine., Diese Arbeit befasst sich mit Herausforderungen für Methoden, die den Effekt von Proteinsequenzvarianten vorhersagen. Die Analysen zeigen, dass sie dazu neigen, Varianten mit starkem, schädlichem Effekt zu detektieren. Des Weiteren werden Varianten mit positivem Effekt generell vernachlässigt. Keine einzelne Methode zeigt unter allen Umständen die beste Leistung. Zukünftige Anstrengungen werden klinische Anwendungen und damit die umfassende Einführung von Präzisionsmedizin unterstützen.

In this work, we developed new approaches to significantly improve identification of molecular malfunction patterns leading to disease. We introduced a new feature, characterizing protein sequence positions by the distribution of variant effects on protein function. For application in improved effect prediction, we implemented a Machine Learning approach predicting this feature with high accuracy. We further explored the microbiome perspective and designed tools that enable the analyses of microbiome function profiles for disease states as well as microbial functional similarity. To account for Big Data bottlenecks, we published a load balancing software pooling compute resources which speeded up analyses drastically., Wir entwickelten neue Ansätze, um die Identifikation fehlerhafter molekularer Muster in Bezug auf Krankheiten signifikant zu verbessern. Ein neues Merkmal charakterisiert Positionen einer Proteinsequenz anhand der Verteilung von Mutations-Effekten auf Proteinfunktion. Zur verbesserten Effekt-Vorhersage verwendeten wir Machine Learning, um jenes mit hoher Präzision vorherzusagen. Aus Mikrobiom-Perspektive analysierten wir Metagenom-Funktions-Profile bezüglich Krankheitsstadien und evaluierten funktionelle Gemeinsamkeiten zwischen Mikroorganismen. Um Anforderungen von Big Data zu entsprechen, veröffentlichten wir eine Software zur Lastverteilung zwischen Rechenzentren, die die Analysen drastisch beschleunigte.

Determining a protein’s function is crucial to understand the molecular mechanisms of life. This dissertation deals with advancing prediction methods for different aspects of protein function. Those methods are utilizing different aspects of Machine Learning highlighting its relevance for the prediction of protein function and computational biology in general., Die Bestimmung der Funktion eines Proteins ist entscheidend, um die molekularen Mechanismen des Lebens zu verstehen. Diese Dissertation beschäftigt sich mit der Weiterentwicklung von Vorhersagemethoden für verschiedene Aspekte von Proteinfunktionen. Diese Methoden nutzen verschiedene Aspekte des maschinellen Lernens, wodurch dessen Relevanz für die Vorhersafe von Proteinfunktion und die Bioinformatik im Allgemeinen unterstrichen wird.

The thesis discusses the challenges faced by methods which predict the effect of protein sequence variants. The analyses illustrate that methods are biased towards deleterious, high effect variants which exhibit strong sequence conservation. Furthermore, variants with beneficial effect are generally neglected. Overall, no method performs best under all circumstances. Accounting for deficiencies will allow methods to support clinical action and drive large-scale adoption of precision medicine., Diese Arbeit befasst sich mit Herausforderungen für Methoden, die den Effekt von Proteinsequenzvarianten vorhersagen. Die Analysen zeigen, dass sie dazu neigen, Varianten mit starkem, schädlichem Effekt zu detektieren. Des Weiteren werden Varianten mit positivem Effekt generell vernachlässigt. Keine einzelne Methode zeigt unter allen Umständen die beste Leistung. Zukünftige Anstrengungen werden klinische Anwendungen und damit die umfassende Einführung von Präzisionsmedizin unterstützen.

Large scale functional high throughput datasets enable the study of complex biological processes at systems level, where the biological mechanisms then help to understand the etiology of diseases. My dissertation work is focused on data integration, analysis, and visualisation together with knowledge management and text-mining of literature to facilitate data driven hypothesis generation and validation. Knowledge of the underlying mechanisms leads to biomarkers for diagnostics and stratification as well as potential drug targets for a personalised medicine., Die im Hochdurchsatz generierten Daten in den Lebenswissenschaften geben einen systemweiten Einblick in die zugrundeliegenden biologischen Prozesse. Das Verständnis der Mechanismen hilft die Ätiologie von Erkrankungen zu verstehen. Diese Arbeit behandelt die Datenintegration, -analyse und –visualisierung. Ein Wissensmanagement und Textmining ermöglicht dann eine Hypothesengenerierung, die zur Identifizierung von Biomarkern benutzt werden, die in der Diagnostik und Stratifizierung eingesetzt werden bzw. neue Drug Targets sein können.

This dissertation shows how the automatic text-mining of the biomedical literature can assist human experts in their work. We look at three real cases, wherein automatic annotations effectively leveraged the feedback of experts. We worked with the renowned scientific repositories PubMed, UniProtKB, and FlyBase; we showed that the newly developed methods saved time and costs in database curation. We applied techniques of active learning, named-entity recognition, and relationship extraction., In dieser Dissertation wird gezeigt, inwiefern automatisiertes Text-Mining biomedizinischen Fachartikeln Experten bei ihrer täglichen Arbeit unterstützen kann. Im Zuge dessen betrachten wir drei reale Fälle, in denen das Feedback der Experten durch automatisierte Annotation unterstützt wurde. Wir griffen auf etablierte Datenbanken wie PubMed, UniProtKB und FlyBase zurück und konnten zeigen, dass durch die neu entwickelten Methoden sowohl Zeit als auch Geld bei der Pflege der Datenbanken gespart werden kann. Technisch gesehen werden in dieser Arbeit Bereiche des aktiven Lernens, der named-entity recognition sowie der relationship extraction angewendet.

Environmental metagenomic studies are a rich source for genetic diversity. Terabytes of short read sequencing data are publicly available and the growth rate has increased steadily, with the rate of exponential decrease in costs and increase in throughput outperforming Moore's law two-fold in the last decade. Now, not the creation of the data but their analysis is the main time and cost bottleneck. Crucial for sequence data analysis are the sequence clustering and homology search steps for the functional annotation of the discovered open reading frames (ORFs). Clustering protein sequences can considerably reduce the redundancy of sequence sets and costs of downstream analysis and storage. Clustering can also be used to define protein families when clustering to lower sequence identities. We propose two clustering methods: (1) MMseqs, a fast and sensitive clustering method, and (2) Linclust, the first sequence e clustering algorithm whose runtime scales linearly with the number of sequences and independent of the numbers of clusters obtained. MMseqs is a very sensitive all-against-all search based clustering algorithm that can cluster protein sets down to 30% sequence identity while remaining more sensitive and faster than other state of the art methods. MMseqs computes a similarity graph by self comparison of the protein set and then uses a greedy set cover algorithm to cluster the graph. This approach reduces the number of clusters compared to the state of the art greedy clustering. Sequence search is used to annotate novel sequences by homology inference from known sequences. Fast sequence search methods trade sensitivity for runtime speed. We developed MMseqs2 an successor of MMseqs. Our method can perform sequence searches as sensitive as BLAST and profile searches even more sensitive than PSI-BLAST, but two to three orders of magnitude faster. MMseqs2 also supports fast reverse profile searches, which we used to annotate 1.1 billion metagenomic protein sequence, Metagenomische studien sind eine reiche Quelle für genetische Vielfalt. Terabyte von Sequenzierungsdaten sind öffentlich verfügbar und wachsen stetig. Dies kommt von der exponentiellen Abnahme der Kosten und der Erhöhung des Durchsatzes von Sequenzierern. Die technische Entwicklung der Sequenzierung hat das Mooresche Gesetz in den letzten zehn Jahren um ein Zweifaches übertroffen. Aktuell ist nicht mehr die Erzeugung, sondern die Datenanalyse der größte Zeit- und Kostenfaktor. Entscheidend für die Datenanalyse sind das Clustern und die Homologiesuchen von Sequenzen. Clustering-Proteinsequenzen kann Redundanz in Sequenzdaten reduzieren und somit die Kosten der nachgeschalteten Analyse und Speicherung erheblich reduzieren. Durch das Clustering auf niedrige Sequenzidentitäten können wir auch Proteinfamilien definieren. In dieser Arbeit stellen wir zwei Clustering-Methoden vor: (1) MMseqs, eine schnelle und sensitive Clustering-Methode, und (2) Linclust, der erste Sequenzclustering Algorithmus, dessen Laufzeit linear mit der Anzahl der Sequenzen und unabhängig von der Anzahl der Cluster wächst. MMseqs ist ein sehr sensitiver Clustering-Algorithmus der auf einer Alle-Gegen-Alle Suche basiert, welche Proteinsequenzen bis auf 30\% Sequenzidentität clustern kann. Die Methode ist empfindlicher und schneller als andere aktuelle Methoden. MMseqs berechnet erst einen Ähnlichkeitsgraph durch Selbstvergleiche der Proteinsequenzen und verwendet dann einen Greedy-Set-Cover-Algorithmus, um den Graphen zu clustern. Dieser Ansatz reduziert die Anzahl der Cluster im weiter als andere moderne Methoden. Sequenzsuchen werden verwendet um neue Sequenzen durch Homologieinferenz durch schon bekannten Sequenzen zu annotieren. Schnelle moderne Sequenzsuchmethoden tauschen Empfindlichkeit für Geschwindigkeit. Mit MMseqs2, dem Nachfolger von MMseqs haben wir eine Methode entwickelt die Sequenzsuchen so empfindlich wie BLAST- und Profilsuchen so empfindlicher wie PSI-BLAST, jedoch zwei bis drei G

This thesis describes a novel stem cell isolation method using a specific type of stress on pre-established fibroblasts. As a result, skin-derived precursor cells were successfully isolated and proven to be multipotent. Secondly, two novel mosaic imaging methods were developed to image and analyze microscopic targets in macro areas. Thirdly, the novel stem cell isolation method was successfully applied for progeria syndrome. Overall, this novel stem cell isolation method will further help basic and translational research towards establishing novel regenerative therapies., Diese Dissertation beschreibt eine neuartige Stammzellisolationsmethode, welche eine spezifische Art von Stress auf etablierte Firbroblasten verwendet. Als Ergebnis wurden Vorläuferzellen der Haut erfolgreich isoliert und erwiesen sich als multipotent. Zweitens wurden zwei neuartige Mosaik-Bildgebungsverfahren entwickelt, um mikroskopische Ziele in Makrobereichen abzubilden und zu analysieren. Drittens wurde die Stammzellisolationsmethode für das Progerie-Syndrom erfolgreich angewendet. Insgesamt wird diese neuartige Stammzellisolationsmethode die Grundlagenforschung und translationale Forschung zur Etablierung neuartiger regenerativer Therapien unterstützen.

RNA sequencing (RNA-seq) has become a major method for the analysis of the transcriptome. In the course of this PhD project, more than 1,500 RNA-seq samples have been analyzed. An automated RNA-seq data analysis pipeline was implemented to allow for a convenient and user-friendly way to process these data. On top of that, different methods and parameters were investigated in order to provide reliable results. These results are stored in a relational database and can be browsed via a web application., RNA Sequencing (RNA-seq) ist zu einer wichtigen Methode für die Analyse des Transkriptoms geworden. Mehr als 1.500 RNA-seq Proben wurden im Laufe dieses Dissertationsprojekts analysiert. Um diese Daten einfach und benutzerfreundlich analysieren zu können, wurde eine automatisierte RNA-seq Daten Analyse Pipeline entwickelt. Zusätzlich wurden Methoden und Parameter untersucht, um verlässliche Ergebnisse zu gewährleisten. Diese Ergebnisse werden in einer relationalen Datenbank gespeichert und können mittels einer Webapplikation durchsucht werden.

Today, patient data often includes large amounts of structured information, such as neuroimaging data, neuropsychological test results, etc. Human beings, however, cannot analyze so much information, at least not without the help of modern data mining and machine learning methods. Given the diverse sources of information, computerized methods show a great promise to help clinicians to discover hidden patterns in disease data., Heutzutage enthalten Patientendaten häufig eine große Menge von strukturierten Informationen, wie beispielsweise Neuroimaging-Daten, neuropsychologische Test Ergebnisse, usw. Allerdings können Menschen so viele Informationen nicht ohne die Hilfe von modernem Datamining und maschinellen Lernverfahren analysieren. Mit Hilfe solch vielfältiger Informationsquellen können Computerwissenschaftler computergestützte Methoden entwickeln, um Muster zu entdecken, welche Ärzten dabei helfen können.

Over a decade, genome-wide association studies (GWASs) have provided insightful information into the genetic architecture of complex traits. However, the variants found by GWASs explain just a small portion of heritability. Meanwhile, as large scale GWASs and meta-analyses of multiple phenotypes are becoming increasingly common, there is a need to develop computationally efficient models/tools for multi-locus studies and multi-phenotype studies. Thus, we were motivated to focus on the development of tools serving for epistatic studies and to seek for analysis strategy jointly analyzed multiple phenotypes. By exploiting the technical and methodological progress, we developed three R packages. SimPhe was built based on the Cockerham epistasis model to simulate (multiple correlated) phenotype(s) with epistatic effects. Another two packages, episcan and gpuEpiScan, simplified the calculation of EPIBALSTER and epiHSIC and were implemented with high performance, especially the package based on Graphics Processing Unit (GPU). The two packages can be employed by epistasis detection in both case-control studies and quantitative trait studies. Our packages might help drive down costs of computation and increase innovation in epistatic studies. Moreover, we explored the gene-gene interactions on developmental dyslexia, which is mainly characterized by reading problems in children. Multivariate meta-analysis was performed on genome-wide interaction study (GWIS) for reading-related phenotypes in the dyslexia dataset, which contains nine cohorts from different locations. We identified one genome-wide significant epistasis, rs1442415 and rs8013684, associated with word reading, as well as suggestive genetic interactions which might affect reading abilities. Except for rs1442415, which has been reported to influence educational attainment, the genetic variants involved in the suggestive interactions have shown associations with psychiatric disorders in previous GWASs, particularly, Über ein Jahrzehnt haben GWASs aufschlussreiche Informationen zur genetischen Architektur komplexer Merkmale geliefert. Die von GWASs gefundenen Varianten erklären jedoch nur einen kleinen Teil der Erblichkeit. In der Zwischenzeit, da sich GWASs im großen Maßstab und Meta-Analysen für mehrere Phänotypen immer mehr durchsetzen, besteht die Notwendigkeit, rechenintensive Modelle/Werkzeuge für Multi-Locus-Studien und Multi-Phänotyp-Studien zu entwickeln. Daher haben wir Programme und Analysestrategien für epistatische Studien entwickelt, die mehrere Phänotypen gemeinsam behandeln. Wir nutzten den technischen und methodischen Fortschritt aus und entwickelten drei R-Pakete. SimPhe basiert auf dem Epistasemodell von Cockerham, um (mehrfach korrelierte) Phänotyp(en) mit epistatischen Effekten zu simulieren. Die beiden anderen Pakete, episcan und gpuEpiScan, vereinfachen die Berechnung von EPIBLASTER und epiHSIC und wurden mit hoher Rechenleistung implementiert, insbesondere das auf GPU basierende Paket. Die beiden Pakete können durch Epistasisnachweis sowohl in Fall-Kontroll-Studien als auch in quantitativen Merkmalsstudien eingesetzt werden. Unsere Pakete könnten dazu beitragen, die Rechenkosten zu senken und die Innovation bei epistatischen Studien zu steigern. Darüber hinaus untersuchten wir die Gen-Gen-Wechselwirkungen bei Entwicklungsstörungen, die hauptsächlich durch Leseprobleme bei Kindern gekennzeichnet sind. Multivariate Meta-Analysen wurden an GWIS für lesebezogene Phänotypen in den Dyslexie-Daten durchgeführt, die neun Kohorten aus verschiedenen Orten enthält. Wir identifizierten eine genomweit signifikante Epistase, rs1442415 und rs8013684, die mit dem Lesen von Wörtern assoziiert sind, sowie suggestive genetische Interaktionen, die die Lesefähigkeiten beeinflussen könnten. Mit Ausnahme von rs1442415, von dem berichtet wurde, dass es den Bildungserfolg beeinflusst, haben die genetischen Varianten, die an den suggestiven Interaktionen beteiligt sind, Assoziatio

We developed a new method to predict transmembrane protein residue contacts combining co-evolution analysis with a machine learning approach. Using these contacts, we were able to separate signal peptides from N-terminal transmembrane domains. A further investigation focused on the secretion of orthologous proteins revealed numerous evolutionary signal peptide gain and loss events which are correlated with a lifestyle change. Additional insights were gained about the mechanism of their appearance., Wir haben eine neue Methode zur Vorhersage von Aminosäurekontakten in Transmembranproteinen entwickelt, welche Koevolutionsanalyse mit maschinellem Lernen verbindet. Mit Hilfe dieser Kontakte war es uns möglich Signalsequenzen von N-terminalen Transmembrandomänen zu unterscheiden. Differenzierte Analysen des Exportverhaltens orthologer Proteine offenbarten zahlreiche Zugewinne und Verluste von Signalsequenzen. Diese evolutionären Veränderungen stehen in Zusammenhang mit dem Lebensstil der untersuchten Organismen.

Over a decade, genome-wide association studies (GWASs) have provided insightful information into the genetic architecture of complex traits. However, the variants found by GWASs explain just a small portion of heritability. Meanwhile, as large scale GWASs and meta-analyses of multiple phenotypes are becoming increasingly common, there is a need to develop computationally efficient models/tools for multi-locus studies and multi-phenotype studies. Thus, we were motivated to focus on the development of tools serving for epistatic studies and to seek for analysis strategy jointly analyzed multiple phenotypes. By exploiting the technical and methodological progress, we developed three R packages. SimPhe was built based on the Cockerham epistasis model to simulate (multiple correlated) phenotype(s) with epistatic effects. Another two packages, episcan and gpuEpiScan, simplified the calculation of EPIBALSTER and epiHSIC and were implemented with high performance, especially the package based on Graphics Processing Unit (GPU). The two packages can be employed by epistasis detection in both case-control studies and quantitative trait studies. Our packages might help drive down costs of computation and increase innovation in epistatic studies. Moreover, we explored the gene-gene interactions on developmental dyslexia, which is mainly characterized by reading problems in children. Multivariate meta-analysis was performed on genome-wide interaction study (GWIS) for reading-related phenotypes in the dyslexia dataset, which contains nine cohorts from different locations. We identified one genome-wide significant epistasis, rs1442415 and rs8013684, associated with word reading, as well as suggestive genetic interactions which might affect reading abilities. Except for rs1442415, which has been reported to influence educational attainment, the genetic variants involved in the suggestive interactions have shown associations with psychiatric disorders in previous GWASs, particularly, Über ein Jahrzehnt haben GWASs aufschlussreiche Informationen zur genetischen Architektur komplexer Merkmale geliefert. Die von GWASs gefundenen Varianten erklären jedoch nur einen kleinen Teil der Erblichkeit. In der Zwischenzeit, da sich GWASs im großen Maßstab und Meta-Analysen für mehrere Phänotypen immer mehr durchsetzen, besteht die Notwendigkeit, rechenintensive Modelle/Werkzeuge für Multi-Locus-Studien und Multi-Phänotyp-Studien zu entwickeln. Daher haben wir Programme und Analysestrategien für epistatische Studien entwickelt, die mehrere Phänotypen gemeinsam behandeln. Wir nutzten den technischen und methodischen Fortschritt aus und entwickelten drei R-Pakete. SimPhe basiert auf dem Epistasemodell von Cockerham, um (mehrfach korrelierte) Phänotyp(en) mit epistatischen Effekten zu simulieren. Die beiden anderen Pakete, episcan und gpuEpiScan, vereinfachen die Berechnung von EPIBLASTER und epiHSIC und wurden mit hoher Rechenleistung implementiert, insbesondere das auf GPU basierende Paket. Die beiden Pakete können durch Epistasisnachweis sowohl in Fall-Kontroll-Studien als auch in quantitativen Merkmalsstudien eingesetzt werden. Unsere Pakete könnten dazu beitragen, die Rechenkosten zu senken und die Innovation bei epistatischen Studien zu steigern. Darüber hinaus untersuchten wir die Gen-Gen-Wechselwirkungen bei Entwicklungsstörungen, die hauptsächlich durch Leseprobleme bei Kindern gekennzeichnet sind. Multivariate Meta-Analysen wurden an GWIS für lesebezogene Phänotypen in den Dyslexie-Daten durchgeführt, die neun Kohorten aus verschiedenen Orten enthält. Wir identifizierten eine genomweit signifikante Epistase, rs1442415 und rs8013684, die mit dem Lesen von Wörtern assoziiert sind, sowie suggestive genetische Interaktionen, die die Lesefähigkeiten beeinflussen könnten. Mit Ausnahme von rs1442415, von dem berichtet wurde, dass es den Bildungserfolg beeinflusst, haben die genetischen Varianten, die an den suggestiven Interaktionen beteiligt sind, Assoziatio

The relationship between genotype and phenotype is a major open question in biology. We developed computational coevolutionary approaches that use patterns of amino acid covariation to predict phenotypes from abundantly available genotype data on different levels: protein structures, their complexes, and the phenotypic effects of mutations. We successfully validated our methods on experimentally characterized examples and then applied them to obtain de novo predictions for unsolved proteins and complexes., Der Zusammenhang zwischen Genotyp und Phänotyp ist eine wichtige ungelöste Fragestellung der Biologie. Wir entwickelten rechnergestützte koevolutionäre Methoden, die Aminosäure-Kovariationsmuster zur Vorhersage von Phänotypen auf verschiedenen Ebenen aus der Fülle an verfügbaren Genotypdaten nutzen: Proteinstrukturen, ihre Komplexe und die phänotypischen Effekte von Mutationen. Wir validierten unsere Methoden erfolgreich auf experimentell charakterisierten Beispielen und wendeten sie dann an, um de novo-Vorhersagen für ungelöste Proteine und Komplexe zu treffen.

A recent survey of UniProt reveals that only about 0.6% of those sequences contain experimental annotation. With the continuous growth in the number of new sequences, the annotation gap keeps on increasing. In this PhD project I will create publicly available, open system that helps bridge the annotation gap by integrating a battery of bioinformatics methods into a single unified platform. The goal of the work is to enable rapid and comprehensive analysis of complete proteomes and meta-proteomes in a systematic way. The system will be leveraged to investigate the metabolome in the gut of a mouse., Eine aktuelle Analyse von UniProt zeigt, dass nur etwa 0,6% der Sequenzen experimentell annotiert sind. Da die Zahl neuer Sequenzen weiterhin wächst, vergrössert sich auch die Annotations-Lücke. Im Zuge meiner Doktorarbeit werde ich ein öffentliches, offenens System erstellen, das dabei helfen wird, diese Lücke zu verkleinern, indem eine Vielzahl bioinformatischer Methoden in einer einzigen Plattform integriert wird. Das Ziel der Arbeit ist es eine schnelle, umfassende und systematische Analyse von kompletten Genomen und Meta-Proteomen zu ermöglichen. Das System wird zunächst genutzt, um das Darm-Metabolom einer Maus zu untersuchen.

Determining the localization of a protein within a biological cell is important for understanding protein’s function, as certain functions can only be performed in certain cellular environments. Despite advances in high-throughput experiments, many proteins are still lacking any functional annotation. My work presents a series of novel machine learning-based approaches that predict localization from protein amino acid sequence and thus complement experimental annotations considerably., Viele Proteinfunktionen können nur in bestimmten zellulären Kompartimenten ausgeübt werden. Deshalb ist die subzelluläre Lokalisierung wichtig, um die Funktion einzelner Proteine zu verstehen. Jedoch gestaltet sich die experimentelle Bestimmung der Proteinlokalisierung problematisch. Meine Arbeit beschreibt eine Reihe von neuen Machine Learning basierten Methoden, welche die zelluläre Lokalisierung der Proteine anhand ihrer Aminosäuresequenz vorhersagen und somit Annotationenen der Proteinfunktion wesentlich ergänzen.

The Inferential Structure Determination (ISD) framework is used to infer statistically well-defined structural ensembles of chromosomes from single-cell Chromosome Conformation Capture data and an extension to population-based data is presented. As ISD heavily relies on sampling from difficult probability distributions, a recently proposed sampling method, Replica Exchange with Non-equilibrium Switches (RENS), is tested extensively on protein systems and a scheme to adjust related methods is proposed., Das Prinzip der Inferentiellen Strukturbestimmung (ISD) wird auf Chromosome Conformation Capture-Daten einzelner Zellen angewandt, um statistisch wohldefinierte Strukturensembles zu bestimmen. Des Weiteren wird eine Erweiterung für Daten aus Zellpopulationen vorgestellt. Das Ziehen von Stichproben aus komplizierten Wahrscheinlichkeitsverteilungen ist für ISD essentiell. Eine kürzlich vorgestellte Methode hierzu, Replica Exchange with Non-equilibrium Switches (RENS), wird ausführlich an Proteinsystemen getestet und ein Schema zum Anpassen verwandter Methoden präsentiert.

Efficient learning algorithms gain importance in the time of Big Data and decentralized data processing (e.g. Internet of Things). The thesis evaluates one class of such efficient algorithms: the incremental linear model trees. The algorithms are systematically compared on stationary Big Data and are improved in their usability by the new pruning extension GuIP and the new data stream processing system PAFAS., Effiziente Lernalgorithmen werden in Zeiten des Big Data und der dezentralisierten Datenverarbeitung (z.B. im Internet der Dinge) immer wichtiger. Diese Arbeit gibt einen Einblick in eine Klasse solcher effizienter Algorithmen: den inkrementellen linearen Modellbäumen. Die Algorithmen werden sowohl hinsichtlich stationärem Big Data systematisch verglichen, als auch in ihrer Anwendbarkeit durch die neue Pruning-Erweiterung GuIP und das neue datenstromverarbeitende System PAFAS verbessert.

Among the key objectives of gene regulatory network (GRN) inference are the analysis of time series, development of suitable workflows to find new regulatory relations, and the integration of heterogeneous data sources. This thesis contributes to the analysis of gene expression time series, by both the integration of prior knowledge about network structures, known interactions, as well as suitable data discretization. Additionally, to the development of an easily adaptable analysis workflow to predict new interactions, and the integration, representation and analysis of large-scale, biological data from experiments and predictions., Zu den Kernaufgaben der Inferenz von genregulatorischen Netzwerken (GRN) zählt die Analyse von Zeitreihen, das Entwickeln geeigneter Workflows für das Auffinden neuer regulatorischer Abhängigkeiten sowie die Integration von heterogenen Datenquellen. Diese Arbeit beschäftigt sich mit der Analyse von Genexpressions-Zeitreihen mittels Integration von Vorwissen über die Netzwerkstruktur, bekannten Interaktionen, sowie geeigneter Datendiskretisierung. Darüber hinaus mit einem einfach anzupassenden Workflow für die Vorhersage neuer Interaktionen und der Integration, Darstellung und Analyse von hochskalierenden, biologischen Daten aus Experimenten und Vorhersagen.

In this thesis, we analyzed the content of intrinsically disordered proteins (IDPs) in prokaryotic organisms adapted to extreme habitats. We conclude that the extremity of the organism environment has a considerable influence on the total content of IDPs, significantly more than phylogeny. Motivated by these results, we analyzed the protein disorder content in a culture of Saccharomyces cerevisiae (baker’s yeast) experimentally exposed to high temperatures by duplicating specific chromosomes., In dieser Arbeit wird es untersucht den Anteil der „intrinsically disordered proteins“ (IDPs) in prokaryotischen Organismen, die an extreme Lebensräume angepasst sind und wie diese einen beträchtlichen Einfluss auf den Gesamtgehalt von IPDs haben. Diese Ergebnissen haben uns motiviert den IPD Gehalt in einer Kultur von Saccharomyces cerevisiae (Bäckerhefe), die plötzliche experimentell induzierte hohe Temperaturen überlebt durch die Chromosomenduplikationen, zu analysieren.

Sequence variation between people is particularly important for medical biology, as such variants can directly affect protein function. This thesis presents novel methods for the prediction of functional effects of sequence variants. Using experimental annotation of variants, the methods performed substantially better than current state-of-the-art methods. Another important novelty is the methods’ ability to predict variants in orphan proteins, thus enabling previously impossible predictions., Sequenzunterschiede im Menschen sind wichtig für medizinische Forschung, da sie Proteinfunktionen direkt beeinflussen können. In dieser Arbeit werden neue Methoden zur Vorhersage von Mutationseffekten vorgestellt. Diese auf experimentell verifizierten Varianten trainierten Methoden erzeugen signifikant bessere Vorhersagen als die aktuell besten publizierten Methoden. Die Methoden sind nicht auf evolutionäre Information angewiesen und erlauben dadurch bisher unmögliche Vorhersagen.

Next-Generation Sequencing has become an important tool in the field of human genetics. The coding sequences of >4,500 samples have been sequenced in the course of this PhD project. In order to identify disease causing variants and disease associated genes in rare and common diseases from this data, three main aspects have been investigated: (i) quality metrics (ii) variant calling programs and strategies (iii) variant filter and selection strategies., Next-Generation Sequenzierung hat sich zu einer der wichtigstenTechnologie im Bereich der Humangenetik entwickelt. Die kodierenden Bereiche von >4,500 Proben wurden im Laufe dieser Doktorarbeit sequenziert. Um krankheitsverursachende Varianten und krankheitsassozierte Gene seltener und häufiger Erkrkankungen aus diesen Daten zu identifizieren, wurden drei Punkte untersucht: (i) Qualitätskriterien (ii) Programme und Strategien zur Identifizierung von Varianten (iii) Filter- und Selektionsmethoden für Varianten.

Large scale functional high throughput datasets enable the study of complex biological processes at systems level, where the biological mechanisms then help to understand the etiology of diseases. My dissertation work is focused on data integration, analysis, and visualisation together with knowledge management and text-mining of literature to facilitate data driven hypothesis generation and validation. Knowledge of the underlying mechanisms leads to biomarkers for diagnostics and stratification as well as potential drug targets for a personalised medicine., Die im Hochdurchsatz generierten Daten in den Lebenswissenschaften geben einen systemweiten Einblick in die zugrundeliegenden biologischen Prozesse. Das Verständnis der Mechanismen hilft die Ätiologie von Erkrankungen zu verstehen. Diese Arbeit behandelt die Datenintegration, -analyse und –visualisierung. Ein Wissensmanagement und Textmining ermöglicht dann eine Hypothesengenerierung, die zur Identifizierung von Biomarkern benutzt werden, die in der Diagnostik und Stratifizierung eingesetzt werden bzw. neue Drug Targets sein können.

This dissertation shows how the automatic text-mining of the biomedical literature can assist human experts in their work. We look at three real cases, wherein automatic annotations effectively leveraged the feedback of experts. We worked with the renowned scientific repositories PubMed, UniProtKB, and FlyBase; we showed that the newly developed methods saved time and costs in database curation. We applied techniques of active learning, named-entity recognition, and relationship extraction., In dieser Dissertation wird gezeigt, inwiefern automatisiertes Text-Mining biomedizinischen Fachartikeln Experten bei ihrer täglichen Arbeit unterstützen kann. Im Zuge dessen betrachten wir drei reale Fälle, in denen das Feedback der Experten durch automatisierte Annotation unterstützt wurde. Wir griffen auf etablierte Datenbanken wie PubMed, UniProtKB und FlyBase zurück und konnten zeigen, dass durch die neu entwickelten Methoden sowohl Zeit als auch Geld bei der Pflege der Datenbanken gespart werden kann. Technisch gesehen werden in dieser Arbeit Bereiche des aktiven Lernens, der named-entity recognition sowie der relationship extraction angewendet.

This thesis focuses on graph clustering. It introduces scalable methods for clustering large databases of small graphs by common scaffolds, i.e., the existence of one sufficiently large subgraph shared by all cluster elements. Further, the thesis studies applications for classification and regression. The experimental results show that it is for the first time possible to cluster millions of graphs within a reasonable time using an accurate scaffold-based similarity measure., Diese Arbeit widmet sich dem Thema Graph Clustering. Sie führt skalierbare Verfahren zum Clustern von großen Graphdatenbanken auf Basis eines den Clusterelementen gemeinsamen, ausreichend großen Subgraphen ein. Weiterhin werden Anwendungen für die Klassifikation und Regression beschrieben. Die experimentellen Ergebnisse zeigen, dass es zum ersten Mal möglich ist, Millionen von Graphen unter Verwendung eines akkuraten strukturbasierten Ähnlichkeitsmaßes in einer annehmbaren Zeit zu clustern.

Understanding life on the molecular level requires knowledge about protein-protein interactions (PPIs), but experimental data is limited and complex, rendering computational methods indispensable. We first analyzed PPI interfaces in all known PPI structures and found surprising differences in binding modes. Then we developed a method based on artificial neural networks that predicts from sequence which amino acids interact in a PPI. Another new state-of-the-art method determines whether two proteins interact. Third, addressing the problem of missing protein annotations in network-based analysis, we developed a function predictor that relies only on sequential similarity to proteins with known annotations., Um Leben auf molekularer Ebene zu verstehen brauchen wir Wissen über Protein-Protein Interaktionen (PPIs). Experimentelle Daten sind jedoch rar und kompliziert und machen computergestützte Methoden unverzichtbar. Diese Arbeit analysierte Proteinberührungsflachen in allen bekannt PPI Strukturen und fanden überraschende Unregelmäßigkeiten im Bindungsverhalten. Dann trainierten wir künstliche Neuronale Netze die nur anhand der Proteinsequenzen vorhersagen welche Aminosäuren in einer PPI interagieren. Eine weitere Methode bestimmt ob zwei Proteine überhaupt interagieren. Zuletzt adressierten wir fehlende Annotationen bei der netzwerkbasierten Analyse von Proteinfunktionen und fanden eine neue Methode zur Proteinfunktionsvorhersage, die nur auf Sequenzähnlichkeit zu bereits annotierten Proteinen beruht.

This thesis introduces concepts for the enhancement of the calculation and application of small molecule similarity as it is used in the pharmaceutical and chemical industry. The main focus is on machine learning as well as data mining approaches used for the prediction of properties of uncharacterized molecules and for database similarity searches. The work shows how (quantitative) structure-activity relationships can be improved using enhanced small molecule similarity concepts., Diese Dissertation stellt Konzepte zur Verbesserung der Berechnung und von Anwendungen der Ähnlichkeit von Wirkstoffmolekülen wie sie in der pharmazeutischen und chemischen Industrie verwendet werden, vor. Hauptaugenmerk wird hierbei auf maschinelles Lernen sowie Data Mining auf Molekülmengen, welche zur Vorhersage von Eigenschaften nicht charakterisierter Moleküle verwendet werden, sowie auf Ähnlichkeitssuchen in Datenbanken gelegt. Die Arbeit beschäftigt sich mit der Verbesserung der Modellierung von Struktur-Wirkungsbeziehungen mithilfe der Ähnlichkeit von Wirkstoffmolekülen.

This dissertation investigates the applicability of timed automata in the domain of biological process mining. A new type of automata models the change of the variables' values without explicitly assuming the inter-dependencies. Thus, a method which automatically identifies states and transitions of the given process is established. A subsequent problem is the scalability of the approach for large data sets. Therefore, two methods that use online maximum frequent pattern based clustering are presented. Background knowledge is included in the model by attribute constrained clustering., Diese Dissertation untersucht die Anwendbarkeit von zeitannotierten Automaten für das biologische Prozess-Mining. Ein neuer Automatentyp modelliert die Änderung der Variablen ohne deren Abhängigkeiten vorher zu bestimmen. Dafür wird eine Methode vorgestellt, die die Zustände und Transitionen des Prozesses automatisch erkennt. Ein weiteres Problem ist die Skalierbarkeit auf großen Daten, weshalb zwei inkrementelle Methoden vorgestellt werden. Hintergrundwissen kann ebenfalls durch einen neuen Constrainttyp mit in die Modellierung einfließen.

Very efficient methods are required for analyzing the graph structures of molecules. A primary goal is to find subgraphs that occur primarily in the toxic or non-toxic compounds. However, the result sets are often too large for efficient post-processing. This work shows that more concise representations may be obtained efficiently, and that they can be of considerable utility for predictive models. A combination of structural and statistical constraints allows for efficient computation., Die Analyse von molekularen Graph-Strukturen erfordert hocheffiziente Methoden. Ein Ziel besteht dabei in der Identifikation von Subgraphen, die entweder in toxischen oder nicht-toxischen Verbindungen besonders häufig auftreten. Die Ergebnismengen sind jedoch oft zu groß für effiziente Folgeverarbeitung. Diese Arbeit zeigt, dass sich konzisere Repräsentationen effizient berechnen lassen und von erheblichem Nutzen für Vorhersagemodelle sind. Eine Kombination aus strukturellen und statistischen Constraints ermöglicht dabei die effiziente Berechnung.

Large classifier systems are systems in machine learning that combine multiple classifiers. The goal is to improve the performance of classifiers for data sets of complex structure. This thesis introduces two algorithms that employ large classifier systems for multi-label and multi-relational classification. The usefulness of the approaches is shown on problems from bio- and cheminformatics, the prediction of biodegradation and the prediction of toxic effects., Große Klassifikationssysteme sind Systeme im maschinellen Lernen, die mehrere Klassifikatoren zusammenfassen. Ziel ist, die Vorhersagequalität auf Datenmengen mit komplexer Struktur zu verbessern. Diese Arbeit führt zwei Algorithmen ein, die große Klassifikationssysteme für sog. Multi-Label und Multi-Relationale Klassifikation benutzen. Die Nützlichkeit der Ansätze wird in Anwendungen der Bio- und Chemieinformatik gezeigt, u.a. der Vorhersage von Bioabbau und der Vorhersage von toxischen Effekten.

Of particular interest in personalized medicine are mutations that result in a different amino acid (non-synonymous single nucleotide polymorphisms, nsSNPs) in the gene product since they could lead to molecular effects and disease. Here, we studied effects occurring on amino acid change in protein structure. A first coarse-grained analysis revealed a highly dynamic behavior of secondary structure and protein disorder. Furthermore, we developed a machine-learning model that successfully predicted structural effect induced by a single amino acid exchange. We applied our new method to nsSNPs annotated as disease-related. Our findings showed that these variants were enriched in mutations with strong predicted structural effect. This indicated that a severe effect on protein structure could raise the likelihood for disease. We combined predictions of structural and functional effects to separate disease-related from non-deleterious variants. Based on this analysis we concluded that predicted functional impact alone sufficed to accurately predict whether a nsSNP leads to disease or not., Von besonderem Interesse in personalisierter Medizin sind Mutationen, die die Aminosäure in einem Protein ändern (non-synonymous single nucleotide polymorphisms, nsSNPs) und zu molekularen Effekten und Krankheiten führen. Hier untersuchten wir diese Effekte in Protein Strukturen. Eine erste grobe Analyse zeigte ein dynamisches Verhalten von Sekundärstruktur und Protein Disorder. Desweiteren entwickelten wir ein Machine-Learning Modell, das erfolgreich den strukturellen Effekt aufgrund einer Punktmutation vorhersagte. Diese Methode wandten wir auf krankheitsverursachende nsSNPs an. Unsere Untersuchung ergab, dass diese Variationen in solchen angereichert waren, die als stark strukturändernd vorhergesagt wurden. Dies lässt den Schluss zu, dass ein starker struktureller Effekt zu Krankheiten führen kann. Wir kombinierten strukturelle und funktionale Effektvorhersagen um krankheitsbezogene von neutralen nsSNPs zu trennen. Unsere Analyse ergab, dass vorhergesagter funktionaler Effekt ausreicht um mit hoher Genauigkeit den Krankheitsstatus eines nsSNPs vorherzusagen.

RNA sequencing (RNA-seq) has become a major method for the analysis of the transcriptome. In the course of this PhD project, more than 1,500 RNA-seq samples have been analyzed. An automated RNA-seq data analysis pipeline was implemented to allow for a convenient and user-friendly way to process these data. On top of that, different methods and parameters were investigated in order to provide reliable results. These results are stored in a relational database and can be browsed via a web application., RNA Sequencing (RNA-seq) ist zu einer wichtigen Methode für die Analyse des Transkriptoms geworden. Mehr als 1.500 RNA-seq Proben wurden im Laufe dieses Dissertationsprojekts analysiert. Um diese Daten einfach und benutzerfreundlich analysieren zu können, wurde eine automatisierte RNA-seq Daten Analyse Pipeline entwickelt. Zusätzlich wurden Methoden und Parameter untersucht, um verlässliche Ergebnisse zu gewährleisten. Diese Ergebnisse werden in einer relationalen Datenbank gespeichert und können mittels einer Webapplikation durchsucht werden.

Determining the localization of a protein within a biological cell is important for understanding protein’s function, as certain functions can only be performed in certain cellular environments. Despite advances in high-throughput experiments, many proteins are still lacking any functional annotation. My work presents a series of novel machine learning-based approaches that predict localization from protein amino acid sequence and thus complement experimental annotations considerably., Viele Proteinfunktionen können nur in bestimmten zellulären Kompartimenten ausgeübt werden. Deshalb ist die subzelluläre Lokalisierung wichtig, um die Funktion einzelner Proteine zu verstehen. Jedoch gestaltet sich die experimentelle Bestimmung der Proteinlokalisierung problematisch. Meine Arbeit beschreibt eine Reihe von neuen Machine Learning basierten Methoden, welche die zelluläre Lokalisierung der Proteine anhand ihrer Aminosäuresequenz vorhersagen und somit Annotationenen der Proteinfunktion wesentlich ergänzen.

The Inferential Structure Determination (ISD) framework is used to infer statistically well-defined structural ensembles of chromosomes from single-cell Chromosome Conformation Capture data and an extension to population-based data is presented. As ISD heavily relies on sampling from difficult probability distributions, a recently proposed sampling method, Replica Exchange with Non-equilibrium Switches (RENS), is tested extensively on protein systems and a scheme to adjust related methods is proposed., Das Prinzip der Inferentiellen Strukturbestimmung (ISD) wird auf Chromosome Conformation Capture-Daten einzelner Zellen angewandt, um statistisch wohldefinierte Strukturensembles zu bestimmen. Des Weiteren wird eine Erweiterung für Daten aus Zellpopulationen vorgestellt. Das Ziehen von Stichproben aus komplizierten Wahrscheinlichkeitsverteilungen ist für ISD essentiell. Eine kürzlich vorgestellte Methode hierzu, Replica Exchange with Non-equilibrium Switches (RENS), wird ausführlich an Proteinsystemen getestet und ein Schema zum Anpassen verwandter Methoden präsentiert.

The relationship between genotype and phenotype is a major open question in biology. We developed computational coevolutionary approaches that use patterns of amino acid covariation to predict phenotypes from abundantly available genotype data on different levels: protein structures, their complexes, and the phenotypic effects of mutations. We successfully validated our methods on experimentally characterized examples and then applied them to obtain de novo predictions for unsolved proteins and complexes., Der Zusammenhang zwischen Genotyp und Phänotyp ist eine wichtige ungelöste Fragestellung der Biologie. Wir entwickelten rechnergestützte koevolutionäre Methoden, die Aminosäure-Kovariationsmuster zur Vorhersage von Phänotypen auf verschiedenen Ebenen aus der Fülle an verfügbaren Genotypdaten nutzen: Proteinstrukturen, ihre Komplexe und die phänotypischen Effekte von Mutationen. Wir validierten unsere Methoden erfolgreich auf experimentell charakterisierten Beispielen und wendeten sie dann an, um de novo-Vorhersagen für ungelöste Proteine und Komplexe zu treffen.

Next-Generation Sequencing has become an important tool in the field of human genetics. The coding sequences of >4,500 samples have been sequenced in the course of this PhD project. In order to identify disease causing variants and disease associated genes in rare and common diseases from this data, three main aspects have been investigated: (i) quality metrics (ii) variant calling programs and strategies (iii) variant filter and selection strategies., Next-Generation Sequenzierung hat sich zu einer der wichtigstenTechnologie im Bereich der Humangenetik entwickelt. Die kodierenden Bereiche von >4,500 Proben wurden im Laufe dieser Doktorarbeit sequenziert. Um krankheitsverursachende Varianten und krankheitsassozierte Gene seltener und häufiger Erkrkankungen aus diesen Daten zu identifizieren, wurden drei Punkte untersucht: (i) Qualitätskriterien (ii) Programme und Strategien zur Identifizierung von Varianten (iii) Filter- und Selektionsmethoden für Varianten.

Sequence variation between people is particularly important for medical biology, as such variants can directly affect protein function. This thesis presents novel methods for the prediction of functional effects of sequence variants. Using experimental annotation of variants, the methods performed substantially better than current state-of-the-art methods. Another important novelty is the methods’ ability to predict variants in orphan proteins, thus enabling previously impossible predictions., Sequenzunterschiede im Menschen sind wichtig für medizinische Forschung, da sie Proteinfunktionen direkt beeinflussen können. In dieser Arbeit werden neue Methoden zur Vorhersage von Mutationseffekten vorgestellt. Diese auf experimentell verifizierten Varianten trainierten Methoden erzeugen signifikant bessere Vorhersagen als die aktuell besten publizierten Methoden. Die Methoden sind nicht auf evolutionäre Information angewiesen und erlauben dadurch bisher unmögliche Vorhersagen.

This thesis describes the results of investigating the sequence-structure relationships in messenger RNAs. First, the analysis of experimentally measured probabilities of nucleotides to be paired in yeast mRNAs is presented. Second, a method for analyzing temperature-induced alterations of RNA secondary structure, and its application to study the difference between wild type and cold-adapted, temperature-sensitive influenza viruses, is shown. Based on this method, a web server RNAtips.org was developed. Finally, the analysis of mutations occurring during the E. coli evolution is discussed., Diese Arbeit beinhaltet eine Untersuchung der Sequenz-Struktur-Beziehungen in mRNAs. Zunächst wird eine Analyse experimentell ermittelter Wahrscheinlichkeiten von Nukleotidpaarungen in Hefe mRNA vorgestellt. Anschließend wird eine Methode zur Analyse von temperaturinduzierten Änderungen der Sekundärstruktur von mRNA und ihre Anwendung beim Vergleich von kälteadaptierten, temperatursensitiven Influenza-Viren mit dem Wildtyp präsentiert. Basierend darauf wurde ein Webserver (RNAtips.org) entwickelt. Zuletzt wird die Analyse von Mutationen im Verlauf der E.coli Evolution auftreten diskutiert.

Understanding life on the molecular level requires knowledge about protein-protein interactions (PPIs), but experimental data is limited and complex, rendering computational methods indispensable. We first analyzed PPI interfaces in all known PPI structures and found surprising differences in binding modes. Then we developed a method based on artificial neural networks that predicts from sequence which amino acids interact in a PPI. Another new state-of-the-art method determines whether two proteins interact. Third, addressing the problem of missing protein annotations in network-based analysis, we developed a function predictor that relies only on sequential similarity to proteins with known annotations., Um Leben auf molekularer Ebene zu verstehen brauchen wir Wissen über Protein-Protein Interaktionen (PPIs). Experimentelle Daten sind jedoch rar und kompliziert und machen computergestützte Methoden unverzichtbar. Diese Arbeit analysierte Proteinberührungsflachen in allen bekannt PPI Strukturen und fanden überraschende Unregelmäßigkeiten im Bindungsverhalten. Dann trainierten wir künstliche Neuronale Netze die nur anhand der Proteinsequenzen vorhersagen welche Aminosäuren in einer PPI interagieren. Eine weitere Methode bestimmt ob zwei Proteine überhaupt interagieren. Zuletzt adressierten wir fehlende Annotationen bei der netzwerkbasierten Analyse von Proteinfunktionen und fanden eine neue Methode zur Proteinfunktionsvorhersage, die nur auf Sequenzähnlichkeit zu bereits annotierten Proteinen beruht.

Of particular interest in personalized medicine are mutations that result in a different amino acid (non-synonymous single nucleotide polymorphisms, nsSNPs) in the gene product since they could lead to molecular effects and disease. Here, we studied effects occurring on amino acid change in protein structure. A first coarse-grained analysis revealed a highly dynamic behavior of secondary structure and protein disorder. Furthermore, we developed a machine-learning model that successfully predicted structural effect induced by a single amino acid exchange. We applied our new method to nsSNPs annotated as disease-related. Our findings showed that these variants were enriched in mutations with strong predicted structural effect. This indicated that a severe effect on protein structure could raise the likelihood for disease. We combined predictions of structural and functional effects to separate disease-related from non-deleterious variants. Based on this analysis we concluded that predicted functional impact alone sufficed to accurately predict whether a nsSNP leads to disease or not., Von besonderem Interesse in personalisierter Medizin sind Mutationen, die die Aminosäure in einem Protein ändern (non-synonymous single nucleotide polymorphisms, nsSNPs) und zu molekularen Effekten und Krankheiten führen. Hier untersuchten wir diese Effekte in Protein Strukturen. Eine erste grobe Analyse zeigte ein dynamisches Verhalten von Sekundärstruktur und Protein Disorder. Desweiteren entwickelten wir ein Machine-Learning Modell, das erfolgreich den strukturellen Effekt aufgrund einer Punktmutation vorhersagte. Diese Methode wandten wir auf krankheitsverursachende nsSNPs an. Unsere Untersuchung ergab, dass diese Variationen in solchen angereichert waren, die als stark strukturändernd vorhergesagt wurden. Dies lässt den Schluss zu, dass ein starker struktureller Effekt zu Krankheiten führen kann. Wir kombinierten strukturelle und funktionale Effektvorhersagen um krankheitsbezogene von neutralen nsSNPs zu trennen. Unsere Analyse ergab, dass vorhergesagter funktionaler Effekt ausreicht um mit hoher Genauigkeit den Krankheitsstatus eines nsSNPs vorherzusagen.

In-silico primer/probe design based on nucleic acid genome sequence data is of great interest in research and economy concerning microbial diagnostics. Facing the extremely fast growth of available genome sequence data, a scalable integrated system for primer/probe design has been developed within this thesis. It is based on a framework for efficient retrieval and management of sequence and annotation data from different heterogeneous sources and a new memory independent genome sequence index structure supporting fast non-heuristic oligonucleotide string matching., Rechnergestütztes Primer/Sonden-Design basierend auf Nukleinsäure Genomsequenzen ist von großem Interesse für die mikrobielle Diagnostik in Forschung und Wirtschaft. Mit Blick auf das extrem schnelle Wachstum der verfügbaren Genomsequenzen wurde ein skalierbares, integriertes System zum Primer/Sonden-Design entwickelt. Es basiert auf einem Framework zum effizienten Zugriff auf Genomdaten aus verschiedenen heterogenen Quellen sowie einer neuen speicherunabhängigen Genomsequenz-Indexstruktur, die schnelle nicht-heuristische Oligonukleotid-Suchen unterstützt.

Learning the structure of Bayesian networks is an NP-hard problem. Hence, if learning from high-dimensional data with many networks nodes, usually a small subset of nodes is selected, and the structure is only learned for this small subset. On the one hand, this thesis addresses the effect on the quality of the learned network structure if the reduction of dimensions is applied. New methods are introduced to measure the quality of the structure. On the other hand, new approaches are introduced to learn the structure of a whole network. Comparisons with existing methods show that the novel algorithms usually outperform existing methods in terms of network quality and performance if applied on large networks., Das Strukturlernen von Bayesianischen Netzen ist ein Problem, dessen Komplexität NP-schwer in der Anzahl der Knoten ist. Deshalb wird üblicherweise beim Strukturlernen von hochdimensionalen Daten eine kleine Untermenge selektiert, und in Wirklichkeit nur für wenige selektierte Knoten die Netzstruktur gelernt. Die vorliegende Arbeit befasst sich einerseits mit der Qualität der gelernten Struktur bei Anwendung der Dimensionsreduktion. Dazu werden neue Methoden eingeführt, um die Qualität bewerten zu können. Andererseits werden neue Lernverfahren eingeführt, die das effiziente Strukturlernen eines kompletten Netzes ermöglichen. Anhand von Vergleichen wird gezeigt, dass für große Netze die neu eingeführten Verfahren bereits bekannte Verfahren fast immer in Qualität der gelernten Struktur und Effizienz übertreffen.

Learning the structure of Bayesian networks is an NP-hard problem. Hence, if learning from high-dimensional data with many networks nodes, usually a small subset of nodes is selected, and the structure is only learned for this small subset. On the one hand, this thesis addresses the effect on the quality of the learned network structure if the reduction of dimensions is applied. New methods are introduced to measure the quality of the structure. On the other hand, new approaches are introduced to learn the structure of a whole network. Comparisons with existing methods show that the novel algorithms usually outperform existing methods in terms of network quality and performance if applied on large networks., Das Strukturlernen von Bayesianischen Netzen ist ein Problem, dessen Komplexität NP-schwer in der Anzahl der Knoten ist. Deshalb wird üblicherweise beim Strukturlernen von hochdimensionalen Daten eine kleine Untermenge selektiert, und in Wirklichkeit nur für wenige selektierte Knoten die Netzstruktur gelernt. Die vorliegende Arbeit befasst sich einerseits mit der Qualität der gelernten Struktur bei Anwendung der Dimensionsreduktion. Dazu werden neue Methoden eingeführt, um die Qualität bewerten zu können. Andererseits werden neue Lernverfahren eingeführt, die das effiziente Strukturlernen eines kompletten Netzes ermöglichen. Anhand von Vergleichen wird gezeigt, dass für große Netze die neu eingeführten Verfahren bereits bekannte Verfahren fast immer in Qualität der gelernten Struktur und Effizienz übertreffen.