Medizinische Statistik

Molekulare Risikofaktoren und Signalwege beim kolorektalen Karzinom und bioinformatische Methoden zur Analyse von Omics-Datensätzen

PIs: Prof. Dr. rer. nat. Tim Beißbarth, Institut für Medizinische Statistik, Frau Dr. med. Annalen Bleckmann, Klinik für Hämatologie und Onkologie und Institut für Medizinische Statistik, Universitätsmedizin Göttingen

In der modernen Krebstherapie spielen zunehmend verschiedene molekularen Subtypen eine Rolle. Hierbei ist es das Ziel, durch molekulare Marker wie Mutationen, Genexpression oder verschiedene Methylierungsmuster ein individuelles Risikoprofil für einen Patienten zu erstellen. Dies kann dann als Ansatz für eine personalisierte Therapiestrategie oder für die Behandlung mit zielgerichteten Medikamenten, welche gezielt bestimmte Moleküle blockieren, benutzt werden. Eine neue Arbeit teilt insbesondere das Kolorektale Karzinom in verschiedene Molekulare Subtypen ein (Sadanandam, Nature Medicine, 2013). Die Auswertung und Integration dieser Daten ist nach wie vor ein Engpass. In der Arbeitsgruppe Statistische Bioinformatik in der Abteilung Medizinische Statistik entwickeln wir insbesondere Methoden zur Datenintegration und zur Berechnung von molekularen Profilen zur Risikovorhersage bei Patienten. Wir wollen nun hier diese Methoden weiter ausbauen und anwenden, um damit nach den beschriebenen Subtypen in unseren Datensätzen zu suchen und dabei insbesondere die Mutationsdaten und Genexpressionsdaten zu verwenden.

Ziel ist es, durch molekulare Marker wie Mutationen, Genexpression oder verschiedene Methylierungsmuster ein individuelles Risikoprofil für einen Patienten zu erstellen. Dies kann dann als Ansatz für eine personalisierte Therapiestrategie oder für die Behandlung mit Medikamenten benutzt werden, welche gezielt bestimmte Moleküle blockieren. In Göttingen sammeln wir seit Jahren Patientenmaterial und molekulare Daten aus Primärtumoren und Metastasen. Wir entwickeln Methoden zur Datenintegration und zur Berechnung von molekularen Profilen zur Risikovorhersage bei Patienten. Wir wollen dies anwenden, um damit nach Subtypen in unseren Datensätzen zu suchen.

Relevante Daten:

Genexpressions-, SNPs- und Proteomics-Daten aus Tumorbiopsien und Metastasen aus der Klinischen Forschergruppe 179 und dem MetastaSys Projekt
Omics Daten aus öffentlichen Datenbanken, e.g. GEO, ArrayExpress, TCGA

Publikationen:
Kramer F, Bayerlová M, Klemm F, Bleckmann A, Beißbarth T. BiopaxParser--an R package to parse, modify and visualize BioPAX data. Bioinformatics, 2013, 29(4):520-2.

Johannes M, Brase JC, Fröhlich H, Gade S, Gehrman M, Fälth M, Sültmann H, Beißbarth T. Integration Of Pathway Knowledge Into A Reweighted Recursive Feature Elimination Approach For Risk Stratification Of Cancer Patients. Bioinformatics, 2010, 26(17):2136-44.

Bleckmann, A., Siam, L., Klemm, F., Rietkotter, E., Wegner, C., Kramer, F., Beissbarth, T. et al. (2013). Nuclear LEF1/TCF4 correlate with poor prognosis but not with nuclear beta-catenin in cerebral metastasis of lung adenocarcinomas. Clin. Exp. Metastasis. 2013 Apr;30(4):471-82

Artmann, S., Jung, K., Bleckmann, A., and Beissbarth, T. (2012).Detection of Simultaneous Group Effects in MicroRNA Expression and Related Target Gene Sets. PLoS. One. 7, e38365.