Deutsche Übersetzung des Titels: Molekulare Diagnostik des Bronchiolitis Obliterans Syndroms: Ein systembasierter Ansatz

Vorschau

PDF, Englisch Download (8MB) | Nutzungsbedingungen

Abstract

The combination of high throughput omics (i.e. genomics or proteomics) and machine learning offers new possibilities for clinical diagnostics and the detection of biomarkers. One disease for which no reliable prognostic marker has been found yet is bronchiolitis obliterans (BO), a clinical manifestation of chronic rejection after lung transplantation. BO is the major limiting factor for long-term survival after lung transplantation, and manifests as a chronic bronchiolar inammation accompanied by progressive sub-mucosal fibrosis leading to gradual obliteration of the bronchiolar lumen. The resulting reduction in forced expiratory volume per second (FEV 1 ) is defined as the bronchiolitis obliterans syndrome (BOS). As chronic lung transplant failure occurs more frequently than in other organ transplants, molecular markers for early BO and BOS detection are urgently required to adapt the patients immunosuppressive regimen when airway damage is minimal. To achieve this goal, gene expression in bronchial epithelial cells (microarray anaylsis) and on the proteome level in bronchoalveolar lavage fluid (BALF)(mass spectrometry profiling) were monitored. Analysis of the obtained data sets was performed using novel and established methods from the fields of machine learning and statistics. This thesis also introduces a novel clustering algorithm. In the analysis of gene expression microarrays one problem is the unsupervised discovery of stable and biologically relevant patient subgroups. To this end I developed a novel clustering algorithm. This algorithm focuses on the discovery of a set of patient clusters defined by the consistent up- and down-regulation of a subset of genes. Assessment of cluster stability is done using a bootstrap resampling scheme. This makes it possible to rank the genes in accordance with their clusterwise importance. The algorithm was applied to a publicly available B-cell lymphoma microarray data set and compared to other commonly used clustering algorithms.

Übersetzung des Abstracts (Deutsch)

Die Kombination aus Hochdurchsatzverfahren und Maschinellem Lernen eröffnet neue Möglichkeiten im Bereich der Biomarker basierten klinischen Diagnostik. Eine der Krankheiten für die noch kein verlässlicher prognostischer Marker gefunden wurde ist Bronchiolitis Obliterans (BO). Hierbei handelt es sich um eine klinische Manifestation der chronischen Transplantatabstoÿung nach Lungentransplantation. Bronchiolitis Obliterans, der wichtigste limitierende Faktor für das langfristige Überleben lungentransplantierter Patienten, manifestiert sich als eine chronische Entzündung. Die begleitende progressive bronchioläre submukotische Fibrose führt zu einer Obstruktion des bronchiolären Lumens. Die daraus resultierende Reduktion der forcierten exspiratorischen Einsekundenkapazität (FEV 1 ) ist als Bronchiolitis Obliterans Syndrom (BOS) definiert. Chronisches Transplantatversagen tritt bei Lungentransplantaten deutlich häufiger auf als in anderen Organen. Deswegen sind molekulare Marker zur Früherkennung dringend erforderlich. Eine solche Früherkennung würde eine Anpassung der immunsuppressiven Therapie ermöglichen, wenn der Schaden der Atemwege noch gering ist. Um dieses Ziel zu erreichen wurde die Genexpression in bronchialen Epithelzellen (Microarray Analyse) und das Proteom der bronchoalveolären Flüssigkeit (BAL) (Massenspektrometrie) untersucht. Die Analyse der dadurch erhaltenen Datensätze erfolgte mittels etablierter und neuartiger Methoden aus den Bereichen Maschinelles Lernen und Statistik. Desweiteren wurde im Rahmen der vorligenden Dissertation ein neuer Clustering-Algorithmus entwickelt. Ein Problem bei der Analyse von Genexpressions Daten ist die Entdeckung stabiler und biologisch relevanter Patienten-Untergruppen. Zu diesem Zweck entwick- elte ich einen Clustering-Algorithmus zur Entdeckung von Patienten Untergruppen, die durch die hoch- und herunterregulierung einer Gengruppe deniert sind. Die Bewertung der Stabilität einer Gruppe von Genen erfolgt unter Verwendung eines Bootstrap-Resampling Ansatzes. Dieser Ansatz macht es auch möglich Gene nach ihrer Bedeutung für die jeweiligen Patienten Cluster zu ordnen. Der Algorithmus wurde an einem öffentlich zugänglichen B-Zell-Lymphom Microarray Datensatz getestet, und mit anderen häufig verwendeten Clustering-Algorithmen verglichen.