Nachwuchsgruppe Rechnergestützte Genombiologie

Dr. Bernd Fischer

In Bildern aus einem Hochdurchsatzexperiment werden Zellen automatisch segmentiert. Die Fläche des Nucleus, Exzentrizität, Fluoreszenzintensität und andere morphologische und strukturelle Merkmale werden für jede Zelle extrahiert und pro Experiment zusammengefasst. Die extrahierten Merkmale werden verwendet, um epistatische Beziehungen zwischen Genen mit Methoden der Statistik und des maschinellen Lernens abzuleiten.
© dkfz.de

Das Deutsche Krebsforschungszentrum trauert um Bernd Fischer, der am 22. Februar 2017 viel zu früh und unerwartet verstorben ist. Wir haben mit ihm einen herausragenden Wissenschaftler und geschätzten Kollegen verloren.

Wir verwenden statistische Methoden und solche des maschinellen Lernens, um Beziehungen zwischen Genotypen und Phänotypen zu verstehen. Unser Ziel ist es, Wechselwirkungen von Genen und Proteinen systematisch zu verstehen, um die funktionellen Konsequenzen von Sequenzvariationen zu modellieren und vorherzusagen. Durch die enorme Zunahme der Menge an biologischen Daten, die mit aktuellen Hochdurchsatz-Technologien gewonnen werden, wird es immer schwieriger, die verfügbaren Daten zu interpretieren. Wir entwickeln statistische Berechnungsverfahren für hochdimensionale Daten, wie Merkmalsauswahl, differentielle Tests und Netzwerkmodellierung. Ein Forschungsschwerpunkt liegt in der Modellierung von genetischen und physikalischen Wechselwirkungen. Genetische Wechselwirkungen beschreiben, wie sich genetische Änderungen gegenseitig beeinflussen. Wir entwickelten Verfahren zur Qualitätskontrolle, Normalisierung und statistischen Analyse von bildbasierten genetischen Interaktionsexperimenten. Zum besseren Verständnis der molekularen Mechanismen ist es auch wichtig, physikalische Wechselwirkungen zu untersuchen. Dazu haben wir Analyseverfahren von Massenspektrometriedaten zur Proteinquantifizierung entwickelt. Mit diesen und weiteren Bioinformatikanalysen haben wir zu einem besseren Verständnis von RNA-Bindeproteinen beigetragen. Die entstandenen Softwarepakete veröffentlichen wir als Beitrag zum Bioconductor Projekt.

Künftig werden wir theoretische und statistische Methoden entwickeln, die für die Analyse von neuen Datenquellen benötigt werden, vor allem für funktionelle und genetische Hochdurchsatzmessungen und für Anwendungen der Massenspektrometrie. Die rechnergestützte Proteomforschung wird sich darauf konzentrieren, individuelle Genom-Sequenzen in die Analyse proteomischer Massenspektroskopie-Daten zu integrieren. Darüber hinaus benötigen wir neue Berechnungsmethoden, um zu verstehen, wie Genprodukte und deren Mutationen physikalisch und funktionell miteinander interagieren und wie genetische sowie Umweltvariablen in Kombination zu bestimmten Phänotypen einschließlich Krankheit führen. Wir entwickeln Berechnungsmethoden mit dem Ziel, Behandlungserfolge mit Medikamenten und Medikamenten-Kombinationen vor einem bekannten genetischen Hintergrund vorherzusagen. Für dieses Ziel kombinieren wir Populationsdaten mit experimentellen Hochdurchsatzdaten. Diese Berechnungsmethoden werden für die Krebs-Proteomik in der Grundlagen- und Biomarker-Forschung sowie für die Entwicklung von prädiktiven, translationalen Plattformen für die nächste Generation von individualisierten, genombasierten Behandlungsmethoden einen wichtigen Beitrag liefern.

Kontakt

Dr. Bernd Fischer
Rechnergestützte Genombiologie (B210)
Deutsches Krebsforschungszentrum
Im Neuenheimer Feld 580
69120 Heidelberg

Ausgewählte Publikationen

  • Horn, T., Sandmann, T., Fischer, B., Axelsson, E., Huber, W., & Boutros, M. (2011). Mapping of signaling networks through synthetic genetic interaction analysis by RNAi. Nature Methods, 8, 341-6
  • Castello, A., Fischer, B., Eichelbaum, K., Horos, R., Beckmann, B.M., Strein, C., Davey, N.E., Humphreys, D.T., Preiss, T., Steinmetz, L.M., Krijgsveld, J. & Hentze, M.W. (2012). Insights into RNA Biology from an Atlas of Mammalian mRNA-Binding Proteins. Cell, 149, 1393-1406
  • Fischer B. et al. (2015). A map of directional genetic interactions in a metazoan cell. eLife, 4, e05464.
  • Fischer, B., Roth, V., Roos, F., Grossmann, J., Baginsky, S., Widmayer, P., Gruissem, W. & Buhmann, J.M. (2005). NovoHMM: a hidden Markov model for de novo peptide sequencing. Analytical Chemistry, 77, 7265-7273
nach oben