Der Begriff Bioinformatik ist durch den praktischen Gebrauch in der rasanten Entwicklung der letzten Jahre etwas zu stark eingeschränkt worden auf den Bereich der Molekularbiologie, Zellbiologie und Genetik. Wir möchten diesen Begriff wieder in seiner ursprünglichen Breite verstehen, nämlich als den Einsatz von Methoden der Informatik in der Biologie und umgekehrt. Hierbei wollen wir unter Biologie allgemein die Lebenswissenschaften verstehen, also die Medizin mit einbeziehen.
Neben der Molekular- und Zellbiologie ist sicherlich die Neurobiologie einer der interessantesten und meiststudierten Bereiche der Biologie. In diesem Bereich ist die Bioinformatik als Neuroinformatik schon seit einigen Jahren besonders weit entwickelt. Hier zeigt sich auch bereits in ersten Ansätzen die Fruchtbarkeit der beidseitigen Motivation: in der Computational Neuroscience werden erfolgreich Methoden der Informatik für die Neurowissenschaften (weiter-) entwickelt und eingesetzt, und umgekehrt werden im Bereich Neurocomputing neurobiologische Ideen und Erkenntnisse in der Informatik eingesetzt, etwa in den Bereichen Bildverarbeitung, Mustererkennung und sogar in der Hardware.
Wenn wir diese Entwicklung für die gesamte, weit gefasste Bioinformatik prognostizieren, so ergibt sich hier für die Zukunft ein riesiges noch weitgehend offenes Gebiet, das neben der jetzt schon klassischen (Molekular-) Bioinformatik auch DNA-Computer, Artifical Life, menschliche Robotik, interaktive Hirnatlanten, ökologische Informationssysteme, u.s.w. mit umfasst.
Wir beschäftigen uns mit Problemen der Mustererkennung im biologisch-medizinischen Anwendungsbereich sowie mit der Simulation biologienaher neuronaler Netze.
Die Arbeitsgruppe beschäftigt sich mit Informatikmethoden zur Analyse und Interpretation großer genomischer Datenmengen. Zwar steht die Entwicklung von effizienten Algorithmen und Datenstrukturen zur Lösung von Problemen aus dem Bereich der vergleichenden Genomanalyse im Vordergrund, aber die gemachten theoretischen Fortschritte werden in der Regel auch in Form von Software-Werkzeugen dem Anwender zur Verfügung gestellt. So läuft z.B. zurzeit ein DFG-Projekt zur "Entwicklung eines Software-Systems zum multiplen Genomvergleich". Die Kernmethode der vergleichenden Genomanalyse (comparative genomics) besteht aus dem Vergleich des Genoms eines Organismus mit sich selbst (Selbstvergleich), mit dem eines anderen Organismus (paarweiser Vergleich) oder mit dem mehrerer anderer Organismen (multipler Vergleich).
Durch Genomvergleiche versucht man z.B. herauszufinden, warum bestimmte Stämme eines Bakteriums resistent gegen Antibiotika oder pathogen sind, andere hingegen nicht.
Diese Vergleiche werden erschwert durch die Größe der Datenmengen und die im Laufe der Evolution stattgefundenen Umstrukturierungen der Genome (genome rearrangements).
Daraus ergeben sich folgende Forschungsthemen:
Berechnung repetitiver Elemente in großen genomischen DNA-Sequenzen
Sequenzalignment (paarweises und multiples) von ganzen Genomen
oder Chromosomen
Identifikation von konservierten syntänen Regionen
automatische Detektion von Genomumstrukturierungen
Genvorhersage/Vorhersage von regulatorischen Elementen
Zur effizienten Problemlösung werden u.a. Indexstrukturen wie Suffixbäume und Methoden aus der Algorithmischen Geometrie eingesetzt.
Die Arbeitsgruppe beschäftigt sich seit 1990 mit Projekten zur Untersuchung der molekularen Grundlagen maligner und entzündlicher Erkrankungen des Gastrointestinaltraktes. Schwerpunkt der Arbeiten ist der Grenzbereich zwischen Grundlagenforschung und angewandter, klinischer gastroenterologischer Forschung. Dabei kommen vermehrt Hochdurchsatzmethoden aus der Genom-, Transkriptom- und Proteom-Analyse (Stichwort BioChips) zum Einsatz, die große Datenmengen produzieren, deren sinnvolle Auswertung die Entwicklung und Adaption von Algorithmen zur Datenklassifikation und Mustererkennung erforderlich macht.
DNA Molecules store the genetic information. Biochemical reactions, such as hybridization of DNA molecules ans enzymatic reactions, can be used to manipulate in an algorithmic way, the information stored in DNA molecules. To show the capability and feasibilty of this approach we implement algorithms for a computational hard problem (SAT).
The model of DNA computing is extended to protein-protein interactions. Peptide-antibody interactions can be used to perform a large number of small logical operations in parallel. Biomolecular computing is not restricted to solve algorithmic (combinatorial) problems. For example a sequence of operations can be used to compare the number of identical molecules in two probes, or to estimate the number molecules in a set. Similar to DNA computing, Peptide computing is, in principle, able to solve instances of NP-complete problems.
Analysis of Secondary Structures in Protein:
Proteins fold into three-dimensional structures. Determining the 3D structure of a protein (or part of it) from its amino acid sequence is a still unsolved problem. The 3D structure is stabilized by interactions between atoms of the amino acid side chains. It has been observed that the structure of a protein domain is preserved for simultaneous mutations at several positions, wehereas a mutation at one of the positions leads to defects. We consider the hypothesis that such interactions are reflected in positional dependencies in protein sequences. Statistical methods are used to detect correlations and positional dependencies of residues in protein domains.
Herr Prof. Heiko Neumann, Abteilung Neuroinformatik
Herr Prof. Harald Wolf, Abteilung Neurobiologie
Frau Jessica Ausborn
Research Topic: Complex modelling of the locust flight motor
Networks that control motor behavior are often well understood with regard to their cybernetic properties and the cellular functions of involved neurons. By contrast, functional consequences of underlying network structure remain enigmatic. The goal of the present project is to model the central pattern generator of locust flight, in order to study structure - function relationships in this neuronal network. A focus of our work is the analysis of complexity and emergent network properties, of functional flexibility and plasticity, and of functional robustness and basic motor control strategies. We intend to model the locust flight control system by means of a complex network modeling tool. In contrast to the modeling of relatively few single neurons, where questions regarding structure - function relationships may be posed on rather simple levels only, complex network modeling seems indispensable for the testing and verification of commonly used neural wiring diagrams and flow charts.
