Entwicklung neuer Bayesscher Netzwerkmodelle für die Systembiologieforschung
Zusammenfassung der Projektergebnisse
Die Systembiologie versucht die Regulierungsmechanismen der lebenden Zellen in ihrer gesamten Komplexität zu verstehen. Mit modernen Biotechnologien werden dazu zelluläre Daten (z.B. Genexpressionen) erhoben, auf deren Grundlage die zellulären Zusammenhänge auf molekularer Ebene untersucht werden. Die Messungen sind jedoch oft stark verrauscht, so dass für die Auswertung die Entwicklung neuer statistischer Modelle und Methoden notwendig ist. Von besonderem Interesse für die Systembiologie sind Gen-regulatorische und andere zelluläre Netzwerke, die sowohl mit Differentialgleichungsmodellen als auch mit graphischen Modellen (u.a. mit Bayesschen Netzwerken) aus dem Datenmaterial extrahiert werden können. In Arbeitspaket 1 des Projektes wurden neue flexible Bayessche Netzwerkmodelle entwickelt. Die neuen Modelle ermöglichen es, nichthomogene dynamische Regulierungsprozesse geeigneter zu modellieren als es mit traditionellen (homogenen) dynamischen Bayesschen Netzwerken möglich ist. In Arbeitspaket 2 des Projekts wurde versucht, eine bessere Ausschöpfung von biologischem Prior-Wissen zu erreichen. Arbeitspaket 3 beschäftigte sich schließlich mit der Modellierung der inneren Uhr in der Modellpflanze: Arabidopsis thaliana. Dabei wurde ganz wesentlich der Einfluss des externen Faktors Licht bei der Modellierung berücksichtigt. Das Einwirken von Licht nimmt Einfluss auf die Gen-regulatorischen Mechanismen und sorgt fur eine Synchronisierung zwischen der inneren molekularen Uhr und dem durch die Rotation der Erde verursachten Tag-Nacht Zyklus.
Projektbezogene Publikationen (Auswahl)
- (2012): A non-homogeneous dynamic Bayesian network model with sequentially coupled interaction parameters for applications in systems and synthetic biology. Statistical Applications in Genetics and Molecular Biology (SAGMB), vol. 11(4), Article 7
Grzegorczyk, M. and Husmeier, D.
- (2012): Bayesian regularization of non-homogeneous dynamic Bayesian networks by globally coupling interaction parameters. Journal of Machine Learning Research (JMLR) Workshop and Conference Proceedings (AI-STATS2012), 22, 467-476
Grzegorczyk, M. and Husmeier, D.
- (2012): Modelling regulatory processes during morphogenesis in Drosophila melanogaster with an improved version of the BGMD dynamic Bayesian network model. Proceedings of the Nineth International Conference on Computational Systems Biology (WCSB2012), Ulm, Germany, pages 27-30
Grzegorczyk, M.
- (2013): Regularization of Non-Homogeneous Dynamic Bayesian Networks with Global Information-Coupling based on Hierarchical Bayesian models. Machine Learning , vol. 91(1), 105-154
Grzegorczyk, M. and Husmeier, D.
(Siehe online unter https://doi.org/10.1007/s10994-012-5326-3) - (2014): Statistical inference of circadian regulatory networks. Statistical Applications in Genetics and Molecular Biology (SAGMB), vol. 13(3), 227-273
Aderhold, A., Husmeier, D., and Grzegorczyk, M.
(Siehe online unter https://doi.org/10.1515/sagmb-2013-0051) - (2015): Inferring bi-directional interactions between circadian clock genes and metabolism with model ensembles. Statistical Applications in Genetics and Molecular Biology (SAGMB), Band 14, Heft 2, S. 143–167
Grzegorczyk, M., Husmeier, D., and Aderhold, A.
(Siehe online unter https://doi.org/10.1515/sagmb-2014-0041)
