Einführung in die Bioinformatik für die Translationale Medizin - Cheatsheet

Definition und Geschichte der Bioinformatik

Definition:

Bioinformatik: Anwendung von Informatikmethoden zur Analyse biologischer Daten. Ursprünge in den 1960er Jahren aufgrund der Notwendigkeit, molekularbiologische Daten effizient zu verarbeiten.

Details:

• 1960er: Erste Auswertungen von DNA/RNA-Sequenzen.
• 1970er: Entwicklung von Algorithmen zur Sequenzanalyse.
• 1980er: Wachstum durch Human Genome Project und Datenbanken wie GenBank.
• 1990er+: Hochdurchsatzsequenzierung und -datenanalyse, integrative Ansätze in Genomics, Proteomics.

Alignments: Pairwise und Multiple Sequence Alignments

Definition:

Vergleich und Ausrichtung von zwei (Paarweiser) oder mehreren (Multiple) Sequenzen, um Ähnlichkeiten, Unterschiede und evolutionäre Beziehungen zu erkennen.

Details:

• Pairwise Alignment: Vergleich zweier Sequenzen zur Bestimmung ihrer Ähnlichkeit.
• Multiple Sequence Alignment (MSA): Gleichzeitiger Vergleich und Ausrichtung mehrerer Sequenzen.
• Verwendete Algorithmen: Needleman-Wunsch (global), Smith-Waterman (lokal) für Paarweiser Alignment; Clustal Omega, MUSCLE für MSA.
• Bewertung: Scoring-Matrizen wie PAM oder BLOSUM, Gap-Penalties.
• Anwendungen: Homologie- und Funktionsvorhersage, evolutionsbiologische Studien.

3D-Strukturbestimmung mittels Röntgenkristallographie und NMR

Definition:

Bestimmung der dreidimensionalen Struktur von Molekülen mittels Röntgenkristallographie und Kernspinresonanz (NMR).

Details:

• Röntgenkristallographie: Kristallisation notwendig, Röntgenstrahlen erzeugen Beugungsmuster, Elektronendichtekarte wird erstellt, 3D-Struktur durch Modellierung aus der Elektronendichte.
• NMR-Spektroskopie: Analysiert magnetische Eigenschaften von Atomkernen in einem Magnetfeld, Aufklärung der Struktur in Lösungen, multidimensionale NMR zur besseren Strukturaufklärung.
• Beide Methoden liefern atomare Auflösung, komplementäre Techniken: Röntgen für feste Kristalle, NMR für flexible, lösliche Proteine.
• Anwendung in der Medizin: Design von Medikamenten, Verständnis von Protein-Ligand-Interaktionen.

Machine Learning-Methoden in der Medizin

Definition:

Einsatz von Algorithmen und statistischen Modellen zur Analyse und Interpretation medizinischer Daten.

Details:

• Beispiele: Entscheidungsbäume, Neuronale Netze, SVMs
• Wichtige Anwendungen: Diagnostik, Prognose, personalisierte Medizin
• Training und Validierung: Kreuzvalidierung, ROC-Kurve, AUC
• Daten: EHRs, Genomdaten, Bilddaten
• Herausforderungen: Datenqualität, Interpretierbarkeit, Datenschutz
• Evaluation: Genauigkeit, Präzision, Reproduzierbarkeit

Personalisierte Medizin und Genomsequenzierung

Definition:

Individuell angepasste medizinische Behandlung basierend auf den genetischen Informationen des Patienten.

Details:

• Genomsequenzierung: Untersuchung der vollständigen DNA-Sequenz eines Organismus.
• Ziel: Optimierung der Diagnostik und Therapie.
• Anwendungen: Krebsbehandlung, Pharmakogenetik.
• Technologien: Next-Generation Sequencing (NGS), CRISPR.
• Herausforderungen: Datenschutz, ethische Fragen.

Algorithmen wie Needleman-Wunsch und Smith-Waterman

Definition:

Algorithmen für Sequenzalignment (global: Needleman-Wunsch, lokal: Smith-Waterman); zentrale Tools in Bioinformatik für die Identifikation von Sequenzähnlichkeiten.

Details:

• Needleman-Wunsch: globales Alignment
• Smith-Waterman: lokales Alignment
• Beide Algorithmen nutzen dynamische Programmierung
• Ziel: Maximierung des Alignment-Scores
• Scoring-Matrix: Belohnung für Übereinstimmungen, Bestrafung für Lücken und Fehlausrichtungen
• Komplexität: beide \textit{O}(n^2)

Homologie-Modellierung und Ab initio Methoden

Definition:

Homologie-Modellierung: Strukturvorhersage basierend auf ähnlichen Proteinstrukturen (Templates); Ab initio Methoden: Strukturvorhersage nur aus der Aminosäuresequenz ohne Templates

Details:

• Homologie-Modellierung: nutzt Sequenz-Homologie zu bekannten Strukturen.
• Schritte der Homologie-Modellierung: Template-Erkennung, Sequenz-Ausrichtung, Modellbau, Verfeinerung und Validierung.
• Ab initio Methoden: physikalisch-chemische Prinzipien und algorithmische Vorhersagen.
• Verwendet Methoden wie Monte-Carlo-Simulationen, Molekulardynamik.
• Vorteil Homologie-Modellierung: schnell und genau bei hohen Sequenzähnlichkeiten.
• Vorteil Ab initio: unabhängig von bekannten Strukturen, nützlich für neue Proteine.

Omics-Technologien und ihre klinischen Anwendungen

Definition:

Technologien zur umfassenden Analyse biologischer Moleküle (Genomics, Proteomics, Metabolomics) zur Gewinnung tiefgehender Erkenntnisse für die Medizin.

Details:

• Genomics: Analyse des gesamten Genoms, Sequenzierung
• Proteomics: Untersuchung des Proteoms, Protein-Protein-Interaktionen
• Metabolomics: Analyse von Metaboliten, Stoffwechselwege
• Klinische Anwendungen: Personalisierte Medizin, Diagnose, Behandlung maßgeschneidert auf molekularer Ebene
• Werkzeuge: NGS, Massenspektrometrie, Bioinformatik