INCOME
Integrative, kollaborative Modellierung in der Systemmedizin
Im Forschungsprogramm e:Med werden in verschiedensten Projekten große Datenmengen generiert und eine Vielzahl an mathematischen Modellen entwickelt. Leider stehen viele der Modelle und Daten für sich alleine, werden nicht weiter verwendet oder zusammengeführt. Dies liegt unter anderem an schwer nachvollziehbaren Prozessen und uneinheitlichen Standards.
Das Ziel von INCOME ist, diese Daten und Modelle technisch bestmöglich zusammenzuführen und daraus ein umfassendes Modell zu entwickeln, das viele molekulare Prozesse einer Zelle darstellt. Dazu wird das Konsortium mehrere Veranstaltungen organisieren während dieser verschiedene e:Med Modellierungsgruppen an der Integration einzelner Modelle zu einem Gesamtmodell zusammenarbeiten. Dabei werden auch dafür relevante neue Standards und Werkzeuge diskutiert werden. Insgesamt soll durch dieses Projekt die Zusammenarbeit zwischen den Modellierungsgruppen der e:Med Gemeinschaft gestärkt werden.
Das Verbundprojekt INCOME ist ein interdisziplinäres Projekt mit drei Projektpartnern aus der (Bio-)Informatik, der Systembiologie und der Systemmedizin. Er wird über den Vernetzungsfonds für das e:Med-Netzwerk Systemmedizin gefördert. Mit dem Vernetzungsfonds sollen Vernetzungsaktivitäten innerhalb der geförderten Projekte der e:Med-Module I bis V über eine Projektförderung unterstützt werden.
Teilprojekte
TP1 Initiieren von kollaborativer Modellierung
Dr. Jan Hasenauer - Helmholtz Zentrum München, Deutsches Forschungszentrum für Gesundheit und Umwelt (GmbH), Institute of Computational Biology (ICB)
Das Ziel von INCOME ist es ein Modell- und Datenrepositorium für die Systemmedizin zu etablieren und ein integriertes Modell für zelluläre Prozesse zu entwickeln. Dies kann nicht von einzelnen Forschungsgruppen geschafft werden, sondern erfordert eine gemeinsame Anstrengung. Um dies zu erreichen wird Teilprojekt 1 vier Meetings organisieren, während derer Forscher/innen über Standards und Software-Tools informiert werden (in Zusammenarbeit mit Teilprojekt 2 und 3). Darüber hinaus werden Forscher/innen im Rahmen dieser Meetings bei der Entwicklung bzw. (Re-)Implementierung von Modellen, die diesen Standards folgen, unterstützt werden (in Zusammenarbeit mit Teilprojekt 2 und 3). Die Meetings werden den Austausch zwischen Modellierungsgruppen verbessern und es erlauben, potenzielle Synergien und Überschneidungen zwischen Projekten bzw. Modellen zu identifizieren.
TP2 Unterstützen von kollaborativer Modellierung
PD. Dr. Wolfgang Müller - HITS gGmbH - Abt. Scientific Databases and Visualization (SDBV)
Das Verbundprojekt INCOME ist ein kollaboratives, interdisziplinäres Projekt mit drei Projektpartnern aus der (Bio-)Informatik, der Systembiologie und der Systemmedizin. Ziele von INCOME sind die Verbesserung der Vernetzung deutscher Modellierungsgruppen, die Etablierung einer integrierten Datenbank für Modelle und Daten und die kollaborative Entwicklung eines großskaligen Modells vieler Signalwege. Um dies zu erreichen wird das Konsortium vier Veranstaltungen organisieren, welche den Austausch verbessern und neue Software-Tools entwickeln. Diese Veranstaltungen werden die Standardisierung von Modellen und Datensätzen sowie deren Integration ermöglichen. Dieses Vorhaben hat die Aufgabe, die Autoren von Modellen bei der Aufbereitung der Modelle für eine FAIR (Findable, Accessible, Interoperable, Reusable) Speicherung zu unterstützen. Ferner wird in den durch das Konsortium veranstalteten Symposien gelehrt.
TP3 Erweitern von kollaborativer Modellierung
Prof. Dr. Olaf Wolkenhauer - Universität Rostock, Fakultät für Informatik und Elektrotechnik, Lehrstuhl für Systembiologie und Bioinformatik
Das Ziel des INCOME-Verbunds ist es ein integriertes Modell- und Datenrepositorium sowie ein umfangreiches mechanistisches Modell medizinisch relevanter zellulärer Signalwege zu etablieren. Darüber hinaus sollen Software-Tools entwickelt werden, um die Modelle zu erweitern bzw. zu verfeinern. Im Teilprojekt an der Universität Rostock soll ein Werkzeug entwickelt werden, das auf der Software BiVeS basiert und in der Lage ist verschiedene Versionen eines Modells zusammenzuführen.
Publications
Fröhlich, F., D. Weindl, Y. Schälte, D. Pathirana, Ł. Paszkowski, G. T. Lines, P. Stapor, and J. Hasenauer (2021). "AMICI: high-performance sensitivity analysis for large ordinary differential equation models." Bioinformatics 37(20): 3676. doi.org/10.1093/bioinformatics/btab227.
Gebhardt, T., V. Touré, D. Waltemath, O. Wolkenhauer, and M. Scharm (2022). "Exploring the evolution of biochemical models at the network level." PLOS ONE 17(3): e0265735. doi.org/10.1371/journal.pone.0265735.
Hass, H., C. Loos, E. Raimúndez-Álvarez, J. Timmer, J. Hasenauer, and C. Kreutz (2019). "Benchmark problems for dynamic modeling of intracellular processes." Bioinformatics 35(17): 3073–3082. doi.org/10.1093/bioinformatics/btz020.
Raimundez, E., E. Dudkin, J. Vanhoefer, E. Alamoudi, S. Merkt, L. Fuhrmann, F. Bai, and J. Hasenauer (2021). "COVID-19 outbreak in Wuhan demonstrates the limitations of publicly available case numbers for epidemiological modeling." Epidemics 34: 100439. www.ncbi.nlm.nih.gov/pubmed/33556763.
Schmiester, L., Y. Schälte, F. T. Bergmann, T. Camba, E. Dudkin, J. Egert, F. Fröhlich, L. Fuhrmann, A. L. Hauber, S. Kemmer, P. Lakrisenko, C. Loos, S. Merkt, W. Müller, D. Pathirana, E. Raimúndez, L. Refisch, M. Rosenblatt, P. L. Stapor, P. Städter, D. Wang, F.-G. Wieland, J. R. Banga, J. Timmer, A. F. Villaverde, S. Sahle, C. Kreutz, J. Hasenauer, and D. Weindl (2021). "PEtab—Interoperable specification of parameter estimation problems in systems biology." PLoS Comput. Biol. 17(1). doi.org/10.1371/journal.pcbi.1008646.
Schmiester, L., D. Weindl, and J. Hasenauer (2020). "Parameterization of mechanistic models from qualitative data using an efficient optimal scaling approach." JOURNAL OF MATHEMATICAL BIOLOGY 81(2): 603-623. doi.org/10.1007/s00285-020-01522-w.
Städter, P., Y. Schälte, L. Schmiester, J. Hasenauer, and P. L. Stapor (2021). "Benchmarking of numerical integration methods for ODE models of biological systems." Sci. Rep. 11(2696): 1–11. doi.org/10.1038/s41598-021-82196-2.
Villaverde, A. F., E. Raimúndez, J. Hasenauer, and J. R. Banga (2019). "A Comparison of Methods for Quantifying Prediction Uncertainty in Systems Biology." IFAC-PapersOnLine 52(26): 45–51. doi.org/10.1016/j.ifacol.2019.12.234.