Projekt Biomedical Network Science - Cheatsheet

Definition und Bedeutung von Netzwerken in der Biomedizin

Definition:

Netzwerke in der Biomedizin analysieren komplexe biologische Systeme durch mathematische Modelle und graphentheoretische Methoden zur Erkennung von Zusammenhängen und Interaktionen.

Details:

• Vernetzt biologische Daten (z.B. Gene, Proteine, Krankheiten).
• Verwendet Knoten (Entitäten) und Kanten (Interaktionen).
• Unterstützt beim Verständnis von Krankheitsmechanismen und der Entdeckung neuer therapeutischer Ziele.
• Beispiele: Protein-Protein-Interaktionsnetzwerke, genetische Netzwerke.
• Mathematische Modelle wie \textbf{Random-Walk}, \textbf{Shortest Path Analysis} und \textbf{Community Detection}.

Grundlegende Analysemetriken und Algorithmen der Netzwerkanalyse

Definition:

Grundlegende Metriken und Algorithmen, die zur Analyse von Netzwerken verwendet werden, um Struktur, Effizienz undverbindungen zu untersuchen.

Details:

• Degree: Anzahl der Verbindungen eines Knotens.
• Betweenness Centrality: Maß für die Häufigkeit, wie oft ein Knoten auf dem kürzesten Pfad zwischen zwei anderen Knoten liegt.
• Closeness Centrality: Maß für die durchschnittliche Kürze der Pfade von einem Knoten zu allen anderen Knoten.
• Eigenvector Centrality: Maß für die Bedeutung eines Knotens basierend auf der Bedeutung seiner Nachbarn.
• PageRank: Algorithmus zur Bestimmung der Relevanz eines Knotens, basierend auf der Anzahl und Qualität der Verbindungen.
• Clustering Coefficient: Maß für die Tendenz von Knoten, Cluster zu bilden.
• Dijkstra-Algorithmus: Finden der kürzesten Pfade von einem Startknoten zu allen anderen Knoten.
• Floyd-Warshall-Algorithmus: Berechnung der kürzesten Pfade zwischen allen Paaren von Knoten.
• Komponenten-Analyse: Identifikation der zusammenhängenden Teile im Netzwerk.
• Gemeinschaftserkennung: Aufdeckung von Gruppen von Knoten mit vielen internen Verbindungen und wenigen externen Verbindungen.

Modelle zur Darstellung metabolischer und regulatorischer Netzwerke

Definition:

Mathematische und computergestützte Methoden zur Analyse und Modellierung biochemischer Prozesse und Interaktionen in Zellen.

Details:

• Ordinary Differential Equations (ODEs): \[ \frac{dy}{dt} = f(y, t) \]
• Stoichiometrische Matrizen: Darstellen von Reaktionen in Matrixform
• Constraint-based Modelle: FBA (Flux Balance Analysis)
• Graphentheorie: Knoten und Kanten als Metaboliten und Reaktionen
• Petri-Netze: Modellierung diskreter Ereignisse in Netzwerken
• Topologische Analyse: Ermittlung struktureller Eigenschaften

Methoden zur Integration unterschiedlicher Datenquellen

Definition:

Techniken zur Kombination und Vereinheitlichung von Daten aus verschiedenen Quellen für eine einheitliche Analyse und Nutzung.

Details:

• ETL (Extract, Transform, Load): Daten aus verschiedenen Quellen extrahieren, transformieren und in ein Zielsystem laden.
• Data Warehousing: Strukturierte Speicherung und Verwaltung integrierter Daten aus unterschiedlichen Quellen.
• Data Federation: Virtuelle Vereinheitlichung von Datenquellen ohne physischen Datenimport.
• API-Integration: Nutzung von Schnittstellen, um auf Daten aus unterschiedlichen Systemen zuzugreifen und diese zu konsolidieren.
• Schema Matching und Harmonisierung: Identifikation und Anpassung von unterschiedlichen Datenschemata, um Konsistenz zu gewährleisten.
• Verwendung von Datenintegrations-Tools wie Talend, Apache Nifi oder Informatica.

Herausforderungen der biomedizinischen Datenintegration

Definition:

Integration von heterogenen biomedizinischen Datenquellen zur Erstellung kohärenter und nutzbarer Datenbanken.

Details:

• Heterogenität der Datenformate und -quellen (z.B. Genomik, Proteomik, klinische Daten)
• Datenqualität und -konsistenz
• Skalierbarkeit und Speicherung großer Datenmengen
• Sicherheits- und Datenschutzanforderungen
• Standardisierung und Interoperabilität von Datensätzen
• Effiziente Datenverarbeitung und -analyse
• Integration von strukturierten und unstrukturierten Daten

Simulation und Vorhersagemodellierung biologischer Netzwerke

Definition:

Simulation und Vorhersagemodellierung biologischer Netzwerke umfasst die Nutzung computergestützter Modelle zur Vorhersage und Analyse dynamischer Verhaltensmuster in biologischen Systemen.

Details:

• Modelle: Deterministisch (z.B. ODEs) und stochastisch
• Vanier-Stochastic Model für stochastische Prozesse
• Flux Balance Analysis (FBA) zur Analyse von Stoffwechselwegen
• Parameteridentifikation durch Optimierungsverfahren
• Evaluierung mittels experimenteller Daten
• Software: MATLAB, R, Python, Copasi
• Ziel: Verständnis und Vorhersage von Netzwerkdynamiken

Visualisierung biomedizinischer Netzwerke

Definition:

Verfahren zur Darstellung und Analyse von Netzwerken in der Biomedizin. Ziel: Mustererkennung und Einsicht in Wechselwirkungen.

Details:

• Wichtige Werkzeuge: Cytoscape, Gephi
• Netzwerkelemente: Knoten (Proteine, Gene), Kanten (Interaktionen)
• Wichtige Diagrammtypen: Adjazenzmatrizen, Netzwerkgraphen
• Kennzahlen: Zentralität, Gradverteilung

Cluster- und Community-Analysen in biomedizinischen Netzwerken

Definition:

Analyse von Gruppen ähnlicher Knoten in biomedizinischen Netzwerken.

Details:

• Ziele: Erkennung funktioneller Module, Krankheitseinheiten, Gen-Funktions-Beziehungen
• Algorithmen: k-Means, Hierarchisches Clustering, Louvain
• Modularität: Maß zur Bewertung der Güte der Cluster
• Gemeinsamkeiten vs. Unterschiede: Cluster = ähnliche Knoten, Community = stark intern verknüpfte Knoten
• Wichtige Maße: Modularity \textit{Q}, Silhouette-Koeffizient, Normalized Mutual Information (NMI)