Preview

PDF, German Download (9MB) | Terms of use

Abstract

Moderne molekular-gerichtete Therapeutika weisen häufig eine verbesserte Wirksamkeit bei günstigerem Nebenwirkungsprofil auf als konventionelle Chemotherapeutika. Sie stehen daher im Fokus der klinischen Forschung und Entwicklung einer individualisierten Medizin. Biomarker oder allgemein molekulare Signaturen, welche die Wirksamkeit molekular-gerichteter Therapeutika anzeigen oder vorhersagen, sind dabei von besonderer Bedeutung. Die Grundlage dafür besteht in der schnellen und zuverlässigen Klassifizierung humaner Tumorproben. Massenspektrometrische Methoden haben bereits wesentlich zur Entdeckung molekularer Therapeutika beigetragen. Diese generieren jedoch Datensätze im Umfang von mehreren Gigabytes, deren Bearbeitung und Auswertung nur mit Hilfe moderner Signalverarbeitung möglich ist. Dieses Dissertationsprojekt verfolgte daher folgende Ziele:

1. Überführung der MS-Daten in ein MATLAB-kompatibles Datenformat sowie die Optimierung der Vorverarbeitung von massenspektrometrischen Fingerprints 2. Entwicklung einer geeigneten Kennzahl zur Bewertung der systematischen Untersuchung ver- schiedener Merkmalsextraktions- und Klassifikationsmethoden 3. Entwicklung und Optimierung einer Methodik für die Merkmalsextraktion zur Identifizierung geeigneter Biomarker-Kandidaten 4. Entwicklung eines auf spektralen, molekularen Fingerprints basierenden Verfahrens zur schnellen Klassifikation von Tumorsubtypen anhand von der in 2 entwickelten Kennzahl 5. Entwicklung einer Methode zur automatisierten Erstellung von Konzentrations-Wirkungskurven zur Bewertung der zellulären Wirkung von zielgerichteten Medikamenten

Dazu wurde ein Modell aus massenspektrometrischen Signaturen von Brustkrebs-, GIST- und Leukämie-Zelllinien verwendet. • Es wurde eine objektorientierte Datenstruktur entwickelt, welche einen schnellen und einfachen Umgang mit den Fingerprints ermöglicht. • Die Vorverarbeitung der Fingerprints wurde dahingehend optimiert, dass 1) relevante Informationen verlustfrei extrahiert werden können und 2) die Bewertung der Signifikanz einzelner Peaks ausschließlich mit Hilfe statistischer Methoden erfolgen kann. • Es wurde eine neue Bewertungskennzahl, Confusion Matrix Maximum (CMM), für die systematische Untersuchung verschiedener Kombinationen von Merkmalsextraktions- und Klassifikationsmethoden entwickelt. Der Vorteil des CMM gegenüber anderen Klassifikations-Kennzahlen liegt darin, dass die Berechnung innerhalb von wenigen Millisekunden durchgeführt werden kann. Die Anwendung der neuen Kennzahl auf die Bewertung einer unüberwachten Klassifikation von 11 Datensätzen verschiedener Krebszelllinien entsprach annähernd der wahren Klassifikationsrate. • Mit Hilfe der Fisher-Diskriminante konnte eine Methode zur Bestimmung der Peak-Anzahl für eine optimale Zell-Klassifikation entwickelt werden, welche eine eindeutige Trennung der Zelllinien ermöglicht. Es konnte sowohl unter den drei Tumortypen Brustkrebs, GIST und Leukämie unterschieden werden, als auch die einzelnen Subtypen den entsprechenden Tumortypen zugeordnet werden. • Des Weiteren wurde ein automatisiertes Verfahren entwickelt, welches in verschiedenen MS-Datensätzen nach Bereichen mit einer Wirkstoffreaktion und nach Korrelation zwischen den verschiedenen Datensätzen sucht. Schließlich ergab die Anwendung dieser automatischen Analyse von Konzentrations-Wirkungs-Beziehungen einen gemeinsamen m/z-Wert, welcher in Brustkrebs-, GIST- und Leukämie-Zellen nach Behandlung mit zielgerichteten Wirkstoffen zu einem Intensitätsanstieg geführt hat.

Zusammengenommen konnte die Zell-Klassifikation durch die hier herausgearbeiteten Methoden gegenüber der Standard-Verarbeitung von massenspektrometrischen Fingerprints erheblich verbessert werden, wobei neben der Anzahl an richtig klassifizierten Zelllinien auch Parameter wie Rechenzeit und Speicherbedarf optimiert werden konnten. Durch die hier entwickelte Systematik und Automatisierung ist es nun möglich, die zelluläre Wirkung von zielgerichteten Medikamenten in enormen Datenmengen, wie es bei mehreren MS-Datensätzen der Fall ist, zu untersuchen und signifikante molekulare Signaturen aufzudecken, welche mit dem bloßen Auge und mit Hilfe herkömmlicher Softwarepakete nicht erkennbar wären.