Entmischung und Inferenz biomolekularer Netzwerke

Abstract

In dieser Arbeit werden neue statistische Konzepte zur Erkennung und Analyse von Interaktionsmustern vorgestellt. Diese werden sowohl an simulierten Daten aus dem Erk-Signalübertragungsnetzwerk als auch an experimentellen Daten des mating pathways der Hefe mit Erfolg zur Anwendung gebracht.

Methodisch kann die Arbeit in zwei Themenschwerpunkte eingeteilt werden. Den Hauptschwerpunkt bildet das aus den Bayesschen Netzwerken entwickelte Verfahren der Nichtparametrischen Bayesschen Netzwerke. Dieses ist, so weit bekannt, als einzige Netzwerkinferenzmethode in der Lage, Subgruppen innerhalb der Daten zu erkennen und die Beobachtungen zu partitionieren. Weiter gelingt es in dieser Arbeit, neben dem Dirichlet-Prozess den Pitman-Yor-Prozess als a priori Verteilung der Clusterstruktur zu adaptieren. Beide Varianten des Verfahrens werden bezüglich ihrer Leistungsfähigkeit bei der Entmischung von Beobachtungen untersucht. Den zweiten Schwerpunkt der Arbeit bildet die Entwicklung einer Methode zur Schätzung von Proteinkonzentrationen, dem Komplexeschätzer. Mit ihm ist es möglich, aus Fluoreszenzkorrelationsspektroskopiemessungen (FCS) nicht wie bisher nur feste Gruppen von Proteinen zu quantifizieren, sondern gezielt einzelne Proteine und beliebige vom Anwender ausgewählte Gruppen von Proteinen zu bestimmen. Dies stellt eine deutliche Verbesserung zum gegenwärtigen Standard dar und erhöht den Informationsgewinn durch FCS-Messungen entscheidend. Mit Hilfe dieser Methode konnte eine in der Biologie bisher unbekannte Rückkopplung im Hefe mating pathway gefunden werden. Im Rahmen der Arbeit wird außerdem ein Konzept zum Clustern von gerichteten azyklischen Graphen (DAGs) entwickelt. Im Gegensatz zu den in der Literatur vorgeschlagenen Verfahren werden an die Daten keine speziellen Anforderungen gestellt. Es müssen lediglich DAGs eines festen Zeitpunkts verwendet werden. Konkret wird ein Distanzbegriff für DAGs entwickelt, welcher die Eigenschaften einer Semimetrik erfüllt. Mit ihm ist es möglich eine sinnvolle Ähnlichkeitsmatrix aufzustellen, welche zum Clustern benutzt werden kann.