Jubiläumsveranstaltung 60 Jahre GMDS. Bioinformatik. Die Zukunft der Bioinformatik - in der Medizin / GMDS?

Transkript

1 Jubiläumsveranstaltung 60 Jahre MDS Bioinformatik Die Zukunft der Bioinformatik - in der Medizin / MDS? Prof. Dr. Tim Beißbarth Arbeitsgruppe Statistische Bioinformatik Institut für Medizinische Statistik Universitätsmedizin öttingen

2 Treiber: massive Omics-Technologien Patienten Daten: Proteom-Daten (z.b. MassSpec) Klinische Daten Bilddaten (Histologie, MRT,...) Öffentliche Datenbanken Biologisches Wissen, Molekulare Netzwerke Pathway PPI Regulatorische Netze enome Sequenzierdaten (CNVs, SNVs, Epigenom, Metagenom) Patientenkollektive Drugs / Targets Klinische Studien

3 Treiber: massive Omics-Technologien Patienten Daten: Proteom-Daten (z.b. MassSpec) Klinische Daten Bilddaten (Histologie, MRT,...) Öffentliche Datenbanken Biologisches Wissen, Molekulare Netzwerke Herausforderungen: Sequenzierdaten (CNVs, SNVs, Epigenom, Metagenom) Pathway PPI Regulatorische Netze enome Patientenkollektive Drugs / Targets Klinische Studien

4 Treiber: massive Omics-Technologien Patienten Daten: Proteom-Daten (z.b. MassSpec) Klinische Daten Bilddaten (Histologie, MRT,...) 55 Öffentliche Datenbanken Biologisches Wissen, Molekulare Netzwerke Sequenzierdaten (CNVs, SNVs, Epigenom, Metagenom) Herausforderungen: Datenspeicherung / Verwaltung Schnittstelle zur Medizinischen Informatik MDS: A Biomedizinische Informatik (Sax) Pathway PPI Regulatorische Netze enome Patientenkollektive Drugs / Targets Klinische Studien

5 Treiber: massive Omics-Technologien Patienten Daten: Proteom-Daten (z.b. MassSpec) Klinische Daten Bilddaten (Histologie, MRT,...) 55 Öffentliche Datenbanken Biologisches Wissen, Molekulare Netzwerke Sequenzierdaten (CNVs, SNVs, Epigenom, Metagenom) Herausforderungen: Datenspeicherung / Verwaltung Schnittstelle zur Medizinischen Informatik MDS: A Biomedizinische Informatik (Sax) Datenanalyse / Integration / Interpretation Schnittstelle zur Biostatistik MDS: A Stat. Methoden in der Bioinformatik Pathway PPI Regulatorische Netze enome Patientenkollektive Drugs / Targets Klinische Studien

6 Treiber: massive Omics-Technologien Patienten Daten: Proteom-Daten (z.b. MassSpec) Klinische Daten Bilddaten (Histologie, MRT,...) 55 Öffentliche Datenbanken Biologisches Wissen, Molekulare Netzwerke Sequenzierdaten (CNVs, SNVs, Epigenom, Metagenom) Herausforderungen: Datenspeicherung / Verwaltung Schnittstelle zur Medizinischen Informatik MDS: A Biomedizinische Informatik (Sax) Datenanalyse / Integration / Interpretation Schnittstelle zur Biostatistik MDS: A Stat. Methoden in der Bioinformatik Reicht das? Pathway PPI Regulatorische Netze enome Patientenkollektive Drugs / Targets Klinische Studien

7 Treiber: massive Omics-Technologien Patienten Daten: Proteom-Daten (z.b. MassSpec) Klinische Daten Bilddaten (Histologie, MRT,...) 55 Öffentliche Datenbanken Biologisches Wissen, Molekulare Netzwerke Sequenzierdaten (CNVs, SNVs, Epigenom, Metagenom) Herausforderungen: Datenspeicherung / Verwaltung Schnittstelle zur Medizinischen Informatik MDS: A Biomedizinische Informatik (Sax) Datenanalyse / Integration / Interpretation Schnittstelle zur Biostatistik MDS: A Stat. Methoden in der Bioinformatik Präd. Modelle Vorhersage von Therapie, Ansprechen, Therapeutischen Targets. Schnittstelle zur System-Biologie/Medizin. Pathway PPI Regulatorische Netze enome Patientenkollektive Drugs / Targets Klinische Studien Prädiktive Modelle

8 Kosten für Sequenzierung / Jahr Baker M (2010). Next generation sequencing adjust to data overload. Nature Methods.

9 Strategien für klinische Vorhersage 1) Prädiktive / Prognostische Modelle (funktionale Interpretierbarkeit der Modelle?) 2) Vorhersage von therapeutischen Targets am individuellen Patienten (Precision Medicine) 3) Vorhersage von Kombinationstherapien 4) Design von Immuntherapien

10 Präd. Modelle Vorhersage von Ansprechen/Therapie Responder Therapie ute Prognose Oder Patient mit z.b. Krebs NonResponder Omics-Daten Messungen Vorhersage Schlechte Prognose

11 Präd. Modelle Vorhersage von Ansprechen/Therapie Responder Therapie ute Prognose Oder Patient mit Krebs NonResponder Omics-Daten Messungen Schlechte Prognose Vorhersage ene expression patterns of breast carcinomas distinguish tumor subclasses with clinical implications Sørlie T et al (2004) PNAS.

12 Präd. Modelle Vorhersage von Ansprechen/Therapie Responder Therapie ute Prognose Oder Patient mit Krebs NonResponder Omics-Daten Messungen Schlechte Prognose Vorhersage Beispiel aus Klinischer Forschergruppe 179 Rektum Karzinom Jochen aedcke, Klaus Jung

13 Vorhersage von pot. therapeutischen Targets Whole enome Sequencing tumor normal tissue Copy Number Variations Whole Exome Sequencing + tumor normal tissue Tumor Mutations RNA Sequencing + tumor ene Expression + Chip-Seq. Methylation etc.

14 Vorhersage von pot. therapeutischen Targets Whole enome Sequencing tumor normal tissue Copy Number Variations Pathway Datenbank Whole Exome Sequencing + tumor normal tissue Tumor Mutations RNA Sequencing + + tumor Chip-Seq. Methylation etc. ene Expression Datenbank von Drugs und Targets, Klinische Studien Vorhersage von mögl. Drug Targets

15 Vorhersage von pot. therapeutischen Targets Whole enome Sequencing tumor normal tissue Copy Number Variations Whole Exome Sequencing + tumor normal tissue Tumor Mutations RNA Sequencing + + tumor Chip-Seq. Methylation etc. ene Expression Datenbank von Drugs und Targets, Klinische Studien Pathway Datenbank Vorhersage von mögl. Drug Targets Mögliche drugable targets Individueller Heilversuch

16 Vorhersage von pot. therapeutischen Targets Whole enome Sequencing tumor normal tissue Copy Number Variations Whole Exome Sequencing + tumor normal tissue Tumor Mutations + + tumor Chip-Seq. Methylation etc. ene Expression Datenbank von Drugs und Targets, Klinische Studien Pathway Datenbank Vorhersage von mögl. Drug Targets Collaboration with Benedikt Brors (NCT Heidelberg) enoperspectiv (U. Sax, Julia Perera Bel) Consortium project MyPathSem (U. Sax, E. Wingender, F. Kramer, J. aedcke, A. Bleckmann, A. Kel) RNA Sequencing Mögliche drugable targets Individueller Heilversuch

17 Vorhersage von Kombinationstherapien Synthetic Lethality Index Liste von en-kombinationen die zur Zell-Lethalität bzw. Medikamenten-Resistenz beitragen. Die Liste wird erzeugt aus enetischen Screens oder Bioinformatischen Vorhersagemodellen William. Kaelin (2005). The Concept of Synthetic Lethality in the Context of Anticancer Therapy. Nature Reviews Cancer 5,

18 Quantitative Modellierung von Signalwegen EFR Signalweg T trastuzumab E P erlotinib pertuzumab und targeted P Drugs bei Brustkrebs. Modellierung des EF EFR EFR P EFR ErbB2 ErbB2ErbB3HR T HF ErbB2ErbB2 Met Zell Membran helfen E E E E E E E Medikamentenwirkungen und Signal Transduktion Kombinationen en Transkription Vorherzusagen. Apoptose BMBF Consortium BreastSys Proliferation Migration Intracellulärer Raum Pathways soll Nukleare Membran Korf U, Kaschek D, Heyde S, Henjes F, Sonntag J, Timmer J, Beißbarth T. Systembiologie.de. Ausgabe 7, 2013.

19 Quantitatives ODE Modell vom EFR Signalweg in Brustkrebs Korf U, Kaschek D, Heyde S, Henjes F, Sonntag J, Timmer J, Beißbarth T. Systembiologie.de. Issue 7, 2013.

20 Vorhersage von Immuntherapie Neoantigene aus Exon-Sequenzierungs Daten Vorhersage von Antigenen Für Immuntherapie. Z.B. Impfung gegen Tumor spezifische Mutationen. Limitation: Spez. Prädiktions Werkzeuge Neoantigens in cancer immunotherapy. Schumacher T, Schreiber R. Science, 2015, 348(6230) Mutant MHC class II epitopes drive therapeutic immune responses to cancer. Kreiter S et al, Nature. 2015, 520(7549).

21 Vorhersage von Immuntherapie Neoantigene aus Exon-Sequenzierungs Daten Vorhersage von Antigenen Für Immuntherapie. Z.B. Impfung gegen Tumor spezifische Mutationen. Limitation: Spez. Prädiktions Werkzeuge Bioinformatische Vorhersage von MHC-Klasse I Epitopen: Neo-antigene MHC-Klasse II Epitopen: Neo-epitope Pattern for MHC allele HLA-A*0201 Neoantigens in cancer immunotherapy. Schumacher T, Schreiber R. Science, 2015, 348(6230) Mutant MHC class II epitopes drive therapeutic immune responses to cancer. Kreiter S et al, Nature. 2015, 520(7549). Idee: Finde Mutationen mit Epitopen in Tumor Zellen und keinen Epitopen in normalen Zellen.

22 gmds Präsidiumskommission Bioinformatik Präsidiumskommission Stärkung und Wahrnehmung der Bioinformatik Leiter: Tim Beißbarth (öttingen) Mitglieder: Ralf Hofestädt (Bielefeld) Rainer Spang (Regensburg) Lars Kaderali (Dresden) Niels rabe (Heidelberg) Nicole Radde (Stuttgart) Ingo Röder (Dresden) Ulrich Sax (öttingen) Heike Bickeböller (öttingen) Harald Binder (Mainz) Ulrich Mansmann (München)

23 emeinsame Fachgruppe Bioinformatik Die MDS ist seit Mitglied der gemeinsamen Fachgruppe Bioinformatik der DECHEMA, I, BM, DCh.

24