Proteomics

Die Massenspektrometrie ist ein etabliertes Verfahren zur Bestimmung und Charakterisierung von Proteinen. In der Kombination mit der 2d Gel-Elektrophorese können so einzelne Proteine aus Zellextrakten identifiziert und bestimmt werden. Damit wird die Bestimmung einer großen Vielzahl von Proteinen in einer Zelle möglich. Da die Proteine einer Zelle wesentlich genauere Aussagen über zum Beispiel mögliche Erkrankungen, wie zum Beispiel Krebs, liefern als mit der Genanalyse erhältlich sind, werden große Hoffnungen in die Proteomics gesetzt.

Ist der genetische Code eines Organismus mit heutigen Verfahren mehr oder weniger aufwendig bestimmbar, so ist die Analyse des Proteoms eines Organismus wesentlich schwieriger, da dieser schon zeitlichen Änderungen unterliegt.

Aus diesen Gründen ist die Auswertung von proteomischen Daten wesentlich komplexer und hier sind insbesondere Verfahren der Mustererkennung gefragt.

Wir sehen mehrere Gesichtspunkte, warum Methoden der Mustererkennung in der Proteomics von großem Vorteil sein können:

Verknüpfung mit genomischen Daten

Mit Verfahren der Mustererkennung können hochdimensionale Daten die insbesondere aus verschiedenen Datenquellen stammen ausgewertet werden. Damit ist insbesondere die Verknüpfung genetischer und proteomischer Informationen möglich. Dies ermöglicht unter anderem eine verbesserte Suche nach multifaktoriellen genetischen Ursachen. In unserer Software PATTERN EXPERT amspect, können den Massenspektren zusätzlich genetische Informationen zugeordnet werden, so dass eine kombinierte Auswertung möglich ist.

Verknüpfung mit Mikroarray Daten

Wie oben schon erwähnt, können die Massenspektren in der Software amspect mit zusätzlichen Informationen, die natürlich auch Mikroarray Daten sein können, kombiniert werden.

Intelligente Lernverfahren ergänzen modellbasierte Ansätze

Musterkennungsverfahren basieren meist auf intelligenten Lernverfahren, wie künstlichen neuronalen Netzen oder Support Vector Machines. Mit diesen Verfahren wird das in Datensammlungen enthaltene implizite Erfahrungswissen auswertbar und reproduzierbar nutzbar gemacht. Dies findet zunehmend in automatischen Diagnosesystemen, wie zum Beispiel für Krebs, oder anderen Bereichen der Bioinformatik Anwendung.

Charakteristische Merkmale

Diese Mustererkennungsverfahren ermöglichen nachträglich zusätzlich auch eine Reanalyse. Mit dieser Reanalyse werden Entscheidungen solcher adaptiver Verfahren transparent und nachvollziehbar gemacht. Ein wichtiges Hilfsmittel ist die Analyse derjenigen Merkmale, die für die Entscheidungsfindung eine hohe Relevanz besitzen. Mit diesen Merkmalen können insbesondere Biomarker sehr effizient und sicher gefunden werden.