TY - THES A1 - Axmacher, Franz T1 - Die SVM-gestützte Prädiktabilität der Bindungsspezifität ‎von SH3-Domänen anhand ihrer Aminosäuresequenz T1 - The SVM-based predictability of SH3-domain binding specificity by means of its amino-acid-‎sequence. ‎ N2 - Die Identifikation der Bindungsspezifitäten von Proteininteraktionsdomänen und damit letztlich auch ‎die Fähigkeit potentielle Bindungspartner dieser in vivo vorherzusagen bildet ein grundlegendes ‎Element für das Verständnis der biologischen Funktionen dieser Domänen. In dieser Arbeit wurde ‎untersucht, inwieweit solche Vorhersagen bezüglich der SH3-Domäne – als Beispiel für eine ‎Proteininteraktionsdomäne – mithilfe von Support-Vector-Machines (SVMs) möglich sind, wenn ‎diesen als Informationsquelle ausschließlich die innerhalb der Aminosäuresequenz der Domäne ‎konservierten Informationen zur Verfügung stehen. Um den SVM-basierten Klassifikator zu ‎trainieren und zu validieren, wurde ein Satz aus 51 SH3-Domänen verwendet, die zuvor ‎entsprechend ihrer Ligandenpräferenz in ein System aus acht verschiedenen Klassen eingeteilt ‎worden waren. Da die innerhalb der Aminosäuresequenzen konservierten Informationen in ‎abstrakte Zahlenwerte konvertiert werden mussten (Voraussetzung für mathematisch basierte ‎Klassifikatoren wie SVMs), wurde jede Aminosäuresequenz durch ihren jeweiligen Fisher-Score-‎Vektor ausgedrückt. Die Ergebnisse erbrachten einen Klassifikationserror, welcher weit unterhalb des ‎Zufallsniveaus lag, was darauf hindeutet, dass sich die Bindungsspezifität (Klasse) einer SH3-Domäne ‎in der Tat von seiner Aminosäuresequenz ableiten lassen dürfte. Mithilfe klassenspezifisch ‎emittierter, artifizieller Sequenzen, implementiert in den Trainingsprozess des Klassifikators, um ‎etwaigen nachteiligen Auswirkungen von Overfitting zu entgegenzuwirken, sowie durch ‎Berücksichtigung taxonomischer Informationen des Klassensystems während Training und ‎Validierung, ließ sich der Klassifikationserror sogar noch weiter senken und lag schließlich bei lediglich ‎‎35,29% (vergleiche Zufall: 7/8 = 87.50%). Auch die Nutzung von Feature Selections zur Abmilderung ‎Overfitting-bedingter, negativer Effekte lieferte recht vielversprechende Ergebnisse, wenngleich ihr ‎volles Potential aufgrund von Software-Beschränkungen nicht ausgenutzt werden konnte.‎ Die Analyse der Positionen im Sequence-Alignment, welche für den SVM- basierten Klassifikator am ‎relevantesten waren, zeigte, dass diese häufig mit Positionen korrelierten, von denen angenommen ‎wird auch in vivo eine Schlüsselrolle bei der Determination der Bindungsspezifität (Klasse) zu spielen. ‎Dies unterstreicht nicht nur die Reliabilität des präsentierten Klassifikators, es gibt auch Grund zur ‎Annahme, dass das Verfahren möglicherweise auch als Supplement anderer Ansätze genutzt werden ‎könnte, welche zum Ziel haben die Positionen zu identifizieren, die die Ligandenpräferenz in vivo ‎determinieren. Informationen, die nicht nur für ein besseres Verständnis der SH3-Domäne (und ‎möglicherweise auch anderer Proteininteraktionsdomänen) von grundlegender Bedeutung sind, ‎sondern auch aus pharmakologischer Sicht von großem Interesse sein dürften.‎ N2 - Regarding protein-interaction-domains the identification of their binding specificities and ‎eventually ‎also the ability to predict potential binding partners for them in vivo constitutes a fundamental ‎element for the understanding of the biological functions of these domains. In this study it ‎was ‎investigated to what extent such predictions could be made for the SH3-domain – as an ‎example ‎for a protein-interaction-domain – when using support-vector-machines (SVMs) trained ‎exclusively ‎with the information conserved within the amino-acid-sequence of the domain. A set of ‎‎51 SH3-‎domains, pre-classified into a system of eight different classes according to their ligand ‎preference, was used to train and cross-validate the SVM-based classifier. To convert the ‎information ‎conserved within the amino-acid-sequences into abstract numeric values (a ‎prerequisite for a ‎mathematics-based classifier like SVMs) each sequence was represented by its ‎respective Fisher-‎score-vector. The results revealed a classification error level way below chance ‎level, indicating the ‎binding specificity (class) of an SH3-domain can indeed be inferred from its ‎amino-acid-sequence. ‎With the help of class-specific emitted, artificial sequences introduced into ‎the training process of the ‎classifier to counter adverse overfitting effects and by additionally ‎considering taxonomic ‎information of the class system during training and cross-validation, the ‎classification error level of ‎the classifier could be lowered even farther, eventually reaching a level ‎as low as 35.29% (compare ‎chance level: 7/8 = 87.50%). The use feature selections to counter ‎overfitting returned quite ‎promising results, too, however couldn't be exploited to its full potential ‎due to software limitations. ‎ The analysis of those positions in the sequence-alignment being most relevant for the SVM-‎based ‎classifier showed, they frequently correlated with positions considered to also play in vivo a ‎pivotal ‎role in binding specificity (class) determination of the SH3-domain. Not only does this ‎underline the ‎reliability of the presented classifier, it also gives reason to believe, the method could ‎possibly be ‎used as a supplement for other approaches trying to identify positions that determine ‎ligand ‎preference in vivo. Information, not only fundamental for a better understanding of the SH3-‎‎domain (and maybe also other protein-interaction-domains), but also likely to be of great interest ‎from a pharmacological point of view.‎ KW - Support-Vektor-Maschine KW - Alignment KW - Hidden-Markov-Modell KW - Kreuzvalidierung KW - Taxonomie KW - SH3-Domäne KW - Fisher-Score KW - Regularisierung KW - Feature-Selection KW - PyMOL KW - WebLogo KW - e1071 Y1 - 2014 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-113349 ER - TY - JOUR A1 - Dunkel, Franz T1 - Lectotypisierung von Ranunculus puberulus W. Koch – eine verkannte Art aus dem Ranunculus auricomus-Komplex N2 - Die Beschreibung von Ranunculus puberulus W. Koch erfolgte bereits 1933. Walo Koch bestimmte in der Folge eine Vielzahl von Belegen zum Teil deutlich verschiedener Taxa als R. puberulus. In Übereinstimmung mit den Arbeiten von Borchers-Kolb 1985 und Brodtbeck 1988 wird unter Hinzuziehung der publizierten Diagnose ein Lectotypus aus der Originalsammlung von Kummer & Koch von Hilzingen, Baden-Württemberg, ausgewählt und abgebildet. Anhand von rezenten Aufsammlungen an der Typuslokalität wird R. puberulus nach inzwischen standardisierten Kriterien charakterisiert und dargestellt. R. puberulus ist durch eine feine unregelmäßige Zähnung der Schlussblätter auffällig und stellt im Gegensatz zur weit verbreiteten Auffassung einen Endemiten des Hegau im südwestlichsten Deutschland dar. Insgesamt sind zur Zeit nur zwei Populationen bekannt, so dass für die Art zumindest eine starke Gefährdung anzunehmen ist. N2 - Ranunculus puberulus was described by Walo Koch as early as 1933. Consequently, he identified a multitude of specimens obviously belonging to different taxa as R. puberulus. In concordance with the opinion of Borchers-Kolb (1985) and Brodtbeck (1988) a lectotype was chosen and depicted from the specimens of Hilzingen, Baden-Württemberg, collected by Kummer & Koch in 1928. Recent collections of the type locality were used to characterise R. puberulus in detail. A fine irregular dentated leaf edge of the final basal leaves is striking. In contrast to the prevailing opinion, R. puberulus is not a widespread species but a local endemic of the Hegau in southwestern Germany. Currently, there are only two populations known and R. puberulus is at least severely endangered. KW - Ranunculus puberulus KW - Lectotypus KW - lectotype KW - taxonomy KW - Taxonomie Y1 - 2015 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-108834 UR - http://www.forum-geobotanicum.net/articles/vol_6-2012/dunkel_r_puberulus/2015_Dunkel_R_puberulus.pdf SN - 1867-9315 ER -