@phdthesis{Wilde2019,
  author    = {Wilde, Sabrina},
  title     = {Einsatz von mechanistischen Biomarkern zur Charakterisierung und Bewertung von \(in\) \(vitro\) Genotoxinen},
  doi       = {10.25972/OPUS-18278},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-182782},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2019},
  abstract  = {Die verf{\"u}gbaren in vitro Genotoxizit{\"a}tstests weisen hinsichtlich ihrer Spezifit{\"a}t und ihres Informationsgehalts zum vorliegenden Wirkmechanismus (Mode of Action, MoA) Einschr{\"a}nkungen auf. Um diese M{\"a}ngel zu {\"u}berwinden, wurden in dieser Arbeit zwei Ziele verfolgt, die zu der Entwicklung und Etablierung neuer in vitro Methoden zur Pr{\"u}fung auf Genotoxizit{\"a}t in der Arzneimittelentwicklung beitragen. 1. Etablierung und Bewertung einer neuen in vitro Genotoxizit{\"a}tsmethode (MultiFlow Methode) Die MultiFlow Methode basiert auf DNA-schadensassoziierten Proteinantworten von γH2AX (DNA-Doppelstrangbr{\"u}che), phosphorylierten H3 (S10) (mitotische Zellen), nukle{\"a}ren Protein p53 (Genotoxizit{\"a}t) und cleaved PARP1 (Apoptose) in TK6-Zellen. Insgesamt wurden 31 Modellsubstanzen mit dem MultiFlow Assay und erg{\"a}nzend mit dem etablierten Mikrokerntest (MicroFlow MNT), auf ihre F{\"a}higkeit verschiedene MoA-Gruppen (Aneugene/Klastogene/Nicht-Genotoxine) zu differenzieren, untersucht. Die Performance der „neuen" gegen{\"u}ber der „alten" Methode f{\"u}hrte zu einer verbesserten Sensitivit{\"a}t von 95\% gegen{\"u}ber 90\%, Spezifit{\"a}t von 90\% gegen{\"u}ber 72\% und einer MoA-Klassifizierungsrate von 85\% gegen{\"u}ber 45\% (Aneugen vs. Klastogen). 2. Identifizierung mechanistischer Biomarker zur Klassifizierung genotoxischer Substanzen Die Analyse 67 ausgew{\"a}hlter DNA-schadensassoziierter Gene in der QuantiGene Plex Methode zeigte, dass mehrere Gene gleichzeitig zur MoA-Klassifizierung beitragen k{\"o}nnen. Die Kombination der h{\"o}chstrangierten Marker BIK, KIF20A, TP53I3, DDB2 und OGG1 erm{\"o}glichte die beste Identifizierungsrate der Modellsubstanzen. Das synergetische Modell kategorisierte 16 von 16 Substanzen korrekt in Aneugene, Klastogene und Nicht-Genotoxine. Unter Verwendung der Leave-One-Out-Kreuzvalidierung wurde das Modell evaluiert und erreichte eine Sensitivit{\"a}t, Spezifit{\"a}t und Pr{\"a}diktivit{\"a}t von 86\%, 83\% und 85\%. Ergebnisse der traditionellen qPCR Methode zeigten, dass Genotoxizit{\"a}t mit TP53I3, Klastogenit{\"a}t mit ATR und RAD17 und oxidativer Stress mit NFE2L2 detektiert werden kann. Durch die Untersuchungen von posttranslationalen Modifikationen unter Verwendung der High-Content-Imaging-Technologie wurden mechanistische Assoziationen f{\"u}r BubR1 (S670) und pH3 (S28) mit Aneugenit{\"a}t, 53BP1 (S1778) und FANCD2 (S1404) mit Klastogenit{\"a}t, p53 (K373) mit Genotoxizit{\"a}t und Nrf2 (S40) mit oxidativem Stress identifiziert. Diese Arbeit zeigt, dass (Geno)toxine unterschiedliche Gen- und Proteinver{\"a}nderungen in TK6-Zellen induzieren, die zur Erfassung mechanistischer Aktivit{\"a}ten und Einteilung (geno)toxischer MoA-Gruppen (Aneugen/Klastogen/ Reaktive Sauerstoffspezies) eingesetzt werden k{\"o}nnen und daher eine bessere Risikobewertung von Wirkstoffkandidaten erm{\"o}glichen.},
  subject      = {Genotoxizit{\"a}t},
  language  = {de}
}
@article{StaigerCadotKooteretal.2012,
  author    = {Staiger, Christine and Cadot, Sidney and Kooter, Raul and Dittrich, Marcus and M{\"u}ller, Tobias and Klau, Gunnar W. and Wessels, Lodewyk F. A.},
  title     = {A Critical Evaluation of Network and Pathway-Based Classifiers for Outcome Prediction in Breast Cancer},
  series = {PLoS One},
  volume    = {7},
  journal   = {PLoS One},
  number    = {4},
  doi       = {10.1371/journal.pone.0034796},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-131323},
  pages     = {e34796},
  year      = {2012},
  abstract  = {Recently, several classifiers that combine primary tumor data, like gene expression data, and secondary data sources, such as protein-protein interaction networks, have been proposed for predicting outcome in breast cancer. In these approaches, new composite features are typically constructed by aggregating the expression levels of several genes. The secondary data sources are employed to guide this aggregation. Although many studies claim that these approaches improve classification performance over single genes classifiers, the gain in performance is difficult to assess. This stems mainly from the fact that different breast cancer data sets and validation procedures are employed to assess the performance. Here we address these issues by employing a large cohort of six breast cancer data sets as benchmark set and by performing an unbiased evaluation of the classification accuracies of the different approaches. Contrary to previous claims, we find that composite feature classifiers do not outperform simple single genes classifiers. We investigate the effect of (1) the number of selected features; (2) the specific gene set from which features are selected; (3) the size of the training set and (4) the heterogeneity of the data set on the performance of composite feature and single genes classifiers. Strikingly, we find that randomization of secondary data sources, which destroys all biological information in these sources, does not result in a deterioration in performance of composite feature classifiers. Finally, we show that when a proper correction for gene set size is performed, the stability of single genes sets is similar to the stability of composite feature sets. Based on these results there is currently no reason to prefer prognostic classifiers based on composite features over single genes classifiers for predicting outcome in breast cancer.},
  language  = {en}
}
@phdthesis{Engelmann2008,
  author    = {Engelmann, Julia Cath{\´e}rine},
  title     = {DNA microarrays: applications and novel approaches for analysis and interpretation},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-29747},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2008},
  abstract  = {In der vorliegenden Dissertation wird die Entwicklung eines phylogenetischen DNA Microarrays, die Analyse von mehreren Microarray-Genexpressionsdatens{\"a}tzen und neue Ans{\"a}tze f{\"u}r die Datenanalyse und Interpretation der Ergebnisse vorgestellt. Die Entwicklung und Analyse der Daten eines phylogenetischen DNA Microarrays wird in der ersten Publikation dargestellt. Ich konnte zeigen, dass die Spezies-Detektion mit phylogenetischen Microarrays durch die Datenanalyse mit einem linearen Regressionsansatz signifikant verbessert werden kann. Standard-Methoden haben bislang nur Signalintensit{\"a}ten betrachtet und eine Spezies als an- oder abwesend bezeichnet, wenn die Signalintensit{\"a}t ihres Messpunktes oberhalb eines willk{\"u}rlich gesetzten Schwellenwertes lag. Dieses Verfahren ist allerdings aufgrund von Kreuz-Hybridisierungen nicht auf sehr nah verwandte Spezies mit hoher Sequenzidentit{\"a}t anwendbar. Durch die Modellierung des Hybridisierungs und Kreuz-Hybridisierungsverhaltens mit einem linearen Regressionsmodell konnte ich zeigen, dass Spezies mit einer Sequenz{\"a}hnlichkeit von 97\% im Markergen immer noch unterschieden werden k{\"o}nnen. Ein weiterer Vorteil der Modellierung ist, dass auch Mischungen verschiedener Spezies zuverl{\"a}ssig vorhergesagt werden k{\"o}nnen. Theoretisch sind auch quantitative Vorhersagen mit diesem Modell m{\"o}glich. Um die großen Datenmengen, die in {\"o}ffentlichen Microarray-Datenbanken abgelegt sind besser nutzen zu k{\"o}nnen, bieten sich Meta-Analysen an. In der zweiten Publikation wird eine explorative Meta-Analyse auf Arabidopsis thaliana-Datens{\"a}tzen vorgestellt. Mit der Analyse verschiedener Datens{\"a}tze, die den Einfluss von Pflanzenhormonen, Pathogenen oder verschiedenen Mutationen auf die Genexpression untersucht haben, konnten die Datens{\"a}tze anhand ihrer Genexpressionsprofile in drei große Gruppen eingeordnet werden: Experimente mit Indol-3-Essigs{\"a}ure (IAA), mit Pathogenen und andere Experimente. Gene, die charakteristisch f{\"u}r die Gruppe der IAA-Datens{\"a}tze beziehungsweise f{\"u}r die Gruppe der Pathogen-Datens{\"a}tze sind, wurden n{\"a}her betrachtet. Diese Gene hatten Funktionen, die bereits mit Pathogenbefall bzw. dem Einfluss von IAA in Verbindung gebracht wurden. Außerdem wurden Hypothesen {\"u}ber die Funktionen von bislang nicht annotierten Genen aufgestellt. In dieser Arbeit werden auch Prim{\"a}ranalysen von einzelnen Arabidopsis thaliana Genexpressions-Datens{\"a}tzen vorgestellt. In der dritten Publikation wird ein Experiment beschrieben, das durchgef{\"u}hrt wurde um herauszufinden ob Mikrowellen-Strahlung einen Einfluss auf die Genexpression einer Zellkultur hat. Dazu wurden explorative Analysemethoden angewendet. Es wurden geringe aber signifikante Ver{\"a}nderungen in einer sehr kleinen Anzahl von Genen beobachtet, die experimentell best{\"a}tigt werden konnten. Die Funktionen der regulierten Gene und eine Meta-Analyse mit {\"o}ffentlich zug{\"a}nglichen Datens{\"a}tzen einer Datenbank deuten darauf hin, dass die pflanzliche Zellkultur die Strahlung als eine Art Energiequelle {\"a}hnlich dem Licht wahrnimmt. Des weiteren wird in der vierten Publikation die funktionelle Analyse eines Arabidopsis thaliana Genexpressionsdatensatzes beschrieben. Die Analyse der Genexpressions eines pflanzlichen Tumores zeigte, dass er seinen Stoffwechsel von aerob und auxotroph auf anaerob und heterotroph umstellt. Gene der Photosynthese werden im Tumorgewebe reprimiert, Gene des Aminos{\"a}ure- und Fettstoffwechsels, der Zellwand und Transportkan{\"a}le werden so reguliert, dass Wachstum und Entwicklung des Tumors gef{\"o}rdert werden. In der f{\"u}nften Publikation in dieser Arbeit wird GEPAT (Genome Expression Pathway Analysis Tool) beschrieben. Es besteht aus einer Internet- Anwendung und einer Datenbank, die das einfache Hochladen von Datens{\"a}tzen in die Datenbank und viele M{\"o}glichkeiten der Datenanalyse und die Integration anderer Datentypen erlaubt. In den folgenden zwei Publikationen (Publikation 6 und Publikation 7) wird GEPAT auf humane Microarray-Datens{\"a}tze angewendet um Genexpressionsdaten mit weiteren Datentypen zu verkn{\"u}pfen. Genexpressionsdaten und Daten aus vergleichender Genom-Hybridisierung (CGH) von prim{\"a}ren Tumoren von 71 Mantel-Zell-Lymphom (MCL) Patienten erm{\"o}glichte die Ermittlung eines Pr{\"a}diktors, der die Vorhersage der {\"U}berlebensdauer von Patienten gegen{\"u}ber herk{\"o}mmlichen Methoden verbessert. Die Analyse der CGH Daten zeigte, dass auch diese f{\"u}r die Vorhersage der {\"U}berlebensdauer geeignet sind. F{\"u}r den Datensatz von Patienten mit großzellig diffusem B-Zell-Lymphom DLBCL konnte aus den Genexpressionsdaten ebenfalls ein neuer Pr{\"a}diktor vorgeschlagen werden. Mit den zwischen lang und kurz {\"u}berlebenden Patienten differentiell exprimierten Genen der MCL Patienten und mit den Genen, die zwischen den beiden Untergruppen von DLBCL reguliert sind, wurden Interaktionsnetzwerke gebildet. Diese zeigen, dass bei beiden Krebstypen Gene des Zellzyklus und der Proliferation zwischen Patienten mit kurzer und langer {\"U}berlebensdauer unterschiedlich reguliert sind.},
  subject      = {Microarray},
  language  = {en}
}