Rush hour in der Zelle

Werkzeug zur kombinierten Analyse von zeitabhängigen "omics"-Daten

Highlight aus dem e:Med Newsletter.

Wie erfasst man die zelluläre Dynamik, noch dazu auf mehreren Ebenen? Um derart komplexe Vorgänge darzustellen, ist zum einen der Umgang mit enormen Datenmengen nötig und zum anderen ausgefeilte bioinformatische Softwarelösungen. Eine Applikation zur zeitlichen Analyse großer omics-Daten wird hier vorgestellt.

Auf dem Weg vom Gen über das Transkript zum Protein können viele Defekte auftreten. Umfangreiche Informationen über die genetische Ausstattung (das Genom), die Aktivität der Gene (das Transkriptom) und die resultierenden Proteine (das Proteom) helfen, die Vorgänge in der Zelle besser zu verstehen und Krankheiten zu erklären.
Neue Hochdurchsatz-Technologien ermöglichen die rasche, hochparallele Untersuchung vieler Proben auf diesen Genom-, Transkriptom- und Proteomebenen und erzeugen dabei große Datensätze von sogenannten "omics"-Daten. Die Vereinigung und übergreifende Auswertung dieser großen omics-Datensätze birgt bereits eine erhebliche Menge an Information. Wird zusätzlich der Zeitfaktor betrachtet, so lassen sich sogar Rückschlüsse auf den zeitlichen Ablauf der Prozesse in einzelnen Zellen ziehen. Wegen der hohen Dynamik zellulärer Prozesse ist ihr zeitlicher Ablauf von hohem Informationsgehalt. Allerdings ist die zeitliche Analyse eine bioinformatische Herausforderung.
Die e:Med Wissenschaftler Astrid Wachter und Tim Beißbarth im Demonstrator-Verbund MMML-Demonstrators haben eine Software entwickelt, die auf der Statistikplattform R beruht und eine Signalweg-basierte Integration von zeitabhängigen omics-Daten ermöglicht. Mit Hilfe dieser Applikation (pwOmics) haben sie die Signalwege unterhalb des sogenannten EGF-Rezeptors genauer untersucht. Dieser Rezeptor ist für das Wachstum von Zellen enorm wichtig und in vielen Krebserkrankungen überaktiv. Und tatsächlich haben die in silico-Ergebnisse der e:Med Forscher experimentelle Erkenntnisse bestätigt und zudem neue Interaktionen vorhergesagt.
Dieser systemmedizinische Ansatz ermöglicht es, riesige Datensätze in einem erweiterten Kontext nutzbar zu machen und neue Interaktionen aufzudecken. Zelluläre Prozesse können durch diese Methode zeitlich aufgelöst und somit genauer verstanden werden.

Originalpublikationen:

Wachter, A., & Beißbarth, T. (2015). pwOmics: an R package for pathway-based integration of time-series omics data using public database knowledge. Bioinformatics (Oxford, England), 31(18), 3072-3074. doi.org/10.1093/bioinformatics/btv323

Wachter, A., & Beißbarth, T. (2016). Decoding Cellular Dynamics in Epidermal Growth Factor Signaling Using a New Pathway-Based Integration Approach for Proteomics and Transcriptomics Data. Frontiers in Genetics, 6, 351. doi.org/10.3389/fgene.2015.00351

Kommentare:

keine Kommentare