NGFN-PLUS
Genetisch-epidemiologische Methodenplattform
| Leitung: | Prof. Dr. Andreas Ziegler | |
| Institut: | Universität Lübeck | |
| Homepage: | www.imbs-luebeck.de |
Das erste Ziel der genetisch-epidemiologischen Methodenplattform war die biometrische Unterstützung für alle Projektpartner im Konsortium. Damit wurde an bestehende erfolgreiche Kooperationen angeknüpft.
Entsprechend der aktuellen Entwicklungen der Genomforschung im technologischen und statistisch-methodischen Bereich bezog sich diese Unterstützung auf verschiedene Studientypen. So war das Projekt erfolgreich erstens in der Identifikation von Suszeptibilitätsgenen in Assoziationsstudien in Kandidatengenen. Dabei waren die Kandidaten in vorangegangenen Kopplungs- oder Assoziationsstudien oder in funktionellen Studien gewonnen worden. Zweitens konnten in genomweiten Assoziationsstudien (GWAS) weitere genetische Varianten identifiziert werden, die sicher mit koronarer Herzerkrankung sowie verwandten Phänotypen assoziiert sind. Um die verfügbaren Fallzahlen für die Studien zu erhöhen und damit die Chance zu verbessern, auch Varianten mit kleineren Effekten zu finden, wurden zusätzlich Meta-Analysen von Assoziationsstudien im Rahmen dieses Projekts durchgeführt.
Das zweite Ziel dieses Teilprojekts war, statistische Analysen von GWAs sowie die nachfolgende Entwicklung von diagnostischen und prognostischen Instrumenten zu erleichtern. Hierfür wurde eine neue Implementation von Verfahren des maschinellen Lernens entwickelt, die als RandomJungle zur Verfügung steht (www.randomjungle.de). Die hier beinhalteten Methoden gehörten bislang nicht zum Standardrepertoire der Auswertung von GWAs und sind ausreichend flexibel, um auf verschiedene Typen von Daten angepasst zu werden, wie beispielsweise häufige und seltene genetische Varianten und klinische Risikofaktoren. Da sie darauf ausgelegt sind, Personen aus verschiedenen Untergruppen, also z.B. mit und ohne Erkrankung, korrekt zu klassifizieren, ermöglichen sie direkt die Entwicklung von diagnostischen und prognostischen Modellen. Die Methoden sind so zeit- und platzeffizient implementiert, dass auch große Datensätze damit ausgewertet und darüber hinaus auf Interaktionen zwischen Varianten und Risikofaktoren untersucht werden können. Damit ermöglichen sie den Übergang von der reinen Identifikation von assoziierten genetischen Regionen zur Entwicklung von Algorithmen, die im Rahmen der stratifizierten Medizin eingesetzt werden können.
Weitere Teilprojektleiter:
Entsprechend der aktuellen Entwicklungen der Genomforschung im technologischen und statistisch-methodischen Bereich bezog sich diese Unterstützung auf verschiedene Studientypen. So war das Projekt erfolgreich erstens in der Identifikation von Suszeptibilitätsgenen in Assoziationsstudien in Kandidatengenen. Dabei waren die Kandidaten in vorangegangenen Kopplungs- oder Assoziationsstudien oder in funktionellen Studien gewonnen worden. Zweitens konnten in genomweiten Assoziationsstudien (GWAS) weitere genetische Varianten identifiziert werden, die sicher mit koronarer Herzerkrankung sowie verwandten Phänotypen assoziiert sind. Um die verfügbaren Fallzahlen für die Studien zu erhöhen und damit die Chance zu verbessern, auch Varianten mit kleineren Effekten zu finden, wurden zusätzlich Meta-Analysen von Assoziationsstudien im Rahmen dieses Projekts durchgeführt.
Das zweite Ziel dieses Teilprojekts war, statistische Analysen von GWAs sowie die nachfolgende Entwicklung von diagnostischen und prognostischen Instrumenten zu erleichtern. Hierfür wurde eine neue Implementation von Verfahren des maschinellen Lernens entwickelt, die als RandomJungle zur Verfügung steht (www.randomjungle.de). Die hier beinhalteten Methoden gehörten bislang nicht zum Standardrepertoire der Auswertung von GWAs und sind ausreichend flexibel, um auf verschiedene Typen von Daten angepasst zu werden, wie beispielsweise häufige und seltene genetische Varianten und klinische Risikofaktoren. Da sie darauf ausgelegt sind, Personen aus verschiedenen Untergruppen, also z.B. mit und ohne Erkrankung, korrekt zu klassifizieren, ermöglichen sie direkt die Entwicklung von diagnostischen und prognostischen Modellen. Die Methoden sind so zeit- und platzeffizient implementiert, dass auch große Datensätze damit ausgewertet und darüber hinaus auf Interaktionen zwischen Varianten und Risikofaktoren untersucht werden können. Damit ermöglichen sie den Übergang von der reinen Identifikation von assoziierten genetischen Regionen zur Entwicklung von Algorithmen, die im Rahmen der stratifizierten Medizin eingesetzt werden können.
KTT
Best of NGFN 2012/13
AKTUELL
NGFN-MEETING-2012
NGFN MEETING
TAG DER GENOMFORSCHUNG
NGFN1&2
Links