Suchen

Big Data im Darm

Neue Ansätze zur Analyse biomedizinischer Mikrobiomdaten

Seite: 3/3

Firmen zum Thema

Um zu validieren, dass die ESABO-Methode Interaktionsnetzwerke rekonstruieren kann, wurden zufällige Interaktionsnetzwerke erzeugt [3]. Das dynamische Modell beinhaltet in diesem Fall eine „Mehrheitsabstimmung“ an jedem Knoten des Netzwerks zwischen den positiven und negativen Nachbarn. Dies entscheidet, ob der Knoten im nächsten Zeitschritt an- oder ausgeschaltet wird (Details siehe [3]). Die Auftretensmuster (oder „Proben“), wie sie dann für die ESABO-Analyse verwendet werden, sind die asymptotischen (langzeitstabilen) Zustände des Systems, die aus 1000 zufällig gewählten Anfangskonfigurationen entstehen. Aus den Häufigkeiten der so erzeugten Zustände, die als künstlich simulierte Messwerte betrachtet werden können, wurde mittels der ESABO-Methode das Interaktionsnetzwerk geschätzt und eine insgesamt sehr gute Übereinstimmung gefunden.

Die ESABO-Methode ist durch ihre einfache Berechnungsweise und durch die vorhergehende Reduktion auf binarisierte Daten besonders interessant, wenn es um große Datenmengen geht. Die Zahl der notwendigen Rechenschritte skaliert dabei lediglich vergleichbar mit einer einfachen Korrelationsanalyse.

Bildergalerie

Forschung und klinische Anwendung verzahnen

Betrachtet man den weiten Bereich der Big Data, sollte man es nicht bei der reinen Datenanalyse und bei dem Sichtbar-Machen von „Mustern“ in den Daten belassen. Auf dem Gebiet der Mikrobiomforschung zeigen sich aktuell deutliche Fortschritte bei dem Versuch, ein tiefes theoretisches Verständnis dieses komplexen und fundamental wichtigen Systems zu erlangen.

Zukünftige Daten werden dabei helfen, die beiden eingangs skizzierten Ebenen – das auf Synergien und Wettbewerb basierende mikrobielle Interaktionsnetzwerk und die durch die Mikroorganismen implementierten metabolischen Wechselwirkungen – miteinander zu verbinden. Die präzise metabolische Modellierung mikrobieller Organismen, die hierfür eine wichtige Voraussetzung darstellt, wurde kürzlich in einer viel beachteten Publikation bereitgestellt [4].

Über solche Modelle können sich die durch die ESABO-Methode aus [3] gewonnenen mikrobiellen Interaktionsnetze überprüfen lassen. Jenseits des praktischen Nutzens für die Interpretation von Mikrobiomdaten aus klinischen Studien können über die ESABO-Methode auf diese Weise mikroskopisch validierte Konsensnetzwerke entstehen, die Aufschluss über die Organisationsprinzipien des Mikrobioms geben.

Danksagung: Die Autoren danken dem Bundesministerium für Bildung und Forschung (BMBF) für die finanzielle Unterstützung im Rahmen des e:med-Programms (sysINFLAME Konsortium; Fördernummer 01ZX1306D).

Literatur:

[1] Human Microbiome Project, https://portal.hmpdacc.org

[2] Heinken, K., and Thiele, I. (2015) Systematic prediction of health- relevant human microbial co-metabolism through a computational framework, Gut Microbes 6, 120–130. doi:10.1080/19490976.2015.1023494

[3] Claussen, JC., Skiecevicene, J., Wang, J., Rausch, P., Karlsen, T., Lieb, W., Baines, JF., Franke, A., and Hütt, MT. (2017). Boolean analysis reveals systematic interactions among low-abundance species in the human gut microbiome. PLOS Computational Biology 13.6: e1005361. doi:10.1371/journal.pcbi.1005361

[4] Magnúsdóttir, S. et al. (2017) Generation of genome-scale metabolic reconstructions for 773 members of the human gut microbiota. Nature Biotechnology 35, 81-89. doi:10.1038/nbt.3703

* PD Dr. J. C. Claussen und Prof. Dr. M.-T. Hütt: Department of Life Sciences and Chemistry, Jacobs University, 28759 Bremen

(ID:44899305)