Zeitschrift für Rheumatologie

, Volume 77, Issue 3, pp 195–202 | Cite as

Bedeutung von Big Data für die molekulare Diagnostik

  • M. Bonin-Andresen
  • B. Smiljanovic
  • B. Stuhlmüller
  • T. Sörensen
  • A. Grützkau
  • T. Häupl
Leitthema

Zusammenfassung

Big Data wird mit der Vision verknüpft, aus unüberschaubaren Datenmengen durch computerbasierte Analysemethoden neue Erkenntnisse zu gewinnen. Welche Analysekonzepte stehen hinter dieser Big-Data-Diskussion? Im Grunde sind mit dem Einsatz von Hochdurchsatztechnologien in der molekularen Forschung in der Rheumatologie schon seit ca. 15 Jahren Big Data vorhanden und Analysen in Entwicklung bzw. im Gebrauch. Hierzu gehören insbesondere die Omics-Technologien, wie z. B. Genomics, Transcriptomics oder Cytomics. Einige Basismethoden der Datenanalyse werden mit der Technologie geliefert. Dagegen müssen für die funktionelle Auswertung und Interpretation Softwarelösungen entwickelt bzw. an die Fragestellungen angepasst werden. Dabei sind die Strukturierung und Auswertung nach biologischen Zusammenhängen enorm wichtig und kein alleiniges mathematisches Problem. Dieser Aspekt muss bei molekularen Big Data noch weit mehr berücksichtigt werden als z. B. bei Big Data aus Gesundheitsökonomie und Epidemiologie. Molekulare Daten sind durch die Technologie der Erhebung in sich strukturiert und folgen in ihrer quantitativen Ausprägung biologischen Gesetzmäßigkeiten. Diese Zusammenhänge müssen in Softwarelösungen abgebildet werden, zum Teil auch durch die Vernetzung zwischen molekularen Big Data der gleichen oder auch unterschiedlichen Technologien, um technologieübergreifende Bestätigung zu erzielen. Mit immer umfangreicherer Erfassung molekularer Vorgänge in individuellen Patienten entstehen Big Data auch personenbezogen und stellen neue Anforderungen an die Bearbeitung, um datengetriebene individualisierte Lösungskonzepte zu entwickeln. Damit sind für die Umsetzung von Informationen aus Big Data im molekularen Bereich auch neue Anforderungen an Ausbildung und Berufskompetenzen zu erwarten.

Schlüsselwörter

Molekulare Medizin Omics-Technologien Bioinformatik Datenvernetzung Datenanalyse 

Relevance of big data for molecular diagnostics

Abstract

Big data analysis raises the expectation that computerized algorithms may extract new knowledge from otherwise unmanageable vast data sets. What are the algorithms behind the big data discussion? In principle, high throughput technologies in molecular research already introduced big data and the development and application of analysis tools into the field of rheumatology some 15 years ago. This includes especially omics technologies, such as genomics, transcriptomics and cytomics. Some basic methods of data analysis are provided along with the technology, however, functional analysis and interpretation requires adaptation of existing or development of new software tools. For these steps, structuring and evaluating according to the biological context is extremely important and not only a mathematical problem. This aspect has to be considered much more for molecular big data than for those analyzed in health economy or epidemiology. Molecular data are structured in a first order determined by the applied technology and present quantitative characteristics that follow the principles of their biological nature. These biological dependencies have to be integrated into software solutions, which may require networks of molecular big data of the same or even different technologies in order to achieve cross-technology confirmation. More and more extensive recording of molecular processes also in individual patients are generating personal big data and require new strategies for management in order to develop data-driven individualized interpretation concepts. With this perspective in mind, translation of information derived from molecular big data will also require new specifications for education and professional competence.

Keywords

Molecular medicine Omics technologies Bioinformatics Data networks Data analysis 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

M. Bonin-Andresen, B. Smiljanovic, B. Stuhlmüller, T. Sörensen, A. Grützkau und T. Häupl geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Clough E, Barrett T (2016) The gene expression omnibus database. Methods Mol Biol 1418:93–110CrossRefPubMedPubMedCentralGoogle Scholar
  2. 2.
    Smiljanovic B, Grün JR, Biesen R et al (2012) The multifaceted balance of TNF-alpha and type I/II interferon responses in SLE and RA: how monocytes manage the impact of cytokines. J Mol Med 90:1295–1309CrossRefPubMedGoogle Scholar
  3. 3.
    Smiljanovic B, Grün JR, Steinbrich-Zollner M et al (2010) Defining TNF-alpha- and LPS-induced gene signatures in monocytes to unravel the complexity of peripheral blood transcriptomes in health and disease. J Mol Med 88:1065–1079CrossRefPubMedGoogle Scholar
  4. 4.
    Smiljanovic B, Radzikowska A, Kuca-Warnawin E et al (2018) Monocyte alterations in rheumatoid arthritis are dominated by preterm release from bone marrow and prominent triggering in the joint. Ann Rheum Dis 77:300–308CrossRefPubMedGoogle Scholar
  5. 5.
    Smiljanovic B, Stuhlmüller B, Sörensen T et al (2016) Tissue- and cell-specific transcriptomes indicate systemic nature of ra and revealed combinations of protein biomarkers relevant for disease characterisation in serum. Ann Rheum Dis 75:A49–A50CrossRefGoogle Scholar
  6. 6.
    Sörensen T, Baumgart S, Durek P et al (2015) immunoClust—an automated analysis pipeline for the identification of immunophenotypic signatures in high-dimensional cytometric datasets. Cytometry A 87:603–615CrossRefPubMedGoogle Scholar
  7. 7.
    Sörensen T (2017) immunoClust: immunoClust – Automated Pipeline for Population Detection in Flow Cytometry. R package version 1.10.0Google Scholar
  8. 8.
    Strauss R, Rose T, Flint SM et al (2017) Type I interferon as a biomarker in autoimmunity and viral infection: a leukocyte subset-specific analysis unveils hidden diagnostic options. J Mol Med 95:753–765CrossRefPubMedGoogle Scholar
  9. 9.
    Stuhlmüller B, Häupl T, Hernandez MM et al (2010) CD11c as a transcriptional biomarker to predict response to anti-TNF monotherapy with adalimumab in patients with rheumatoid arthritis. Clin Pharmacol Ther 87:311–321CrossRefPubMedGoogle Scholar
  10. 10.
    Stuhlmüller B, Mans K, Tandon N et al (2016) Genomic stratification by expression of HLA-DRB4 alleles identifies differential innate and adaptive immune transcriptional patterns—a strategy to detect predictors of methotrexate response in early rheumatoid arthritis. Clin Immunol 171:50–61CrossRefPubMedGoogle Scholar
  11. 11.
    Stuhlmüller B, Ungethüm U, Scholze S et al (2000) Identification of known and novel genes in activated monocytes from patients with rheumatoid arthritis. Arthritis Rheum 43:775–790CrossRefPubMedGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  • M. Bonin-Andresen
    • 1
  • B. Smiljanovic
    • 1
  • B. Stuhlmüller
    • 1
  • T. Sörensen
    • 1
  • A. Grützkau
    • 2
  • T. Häupl
    • 1
  1. 1.Medizinische Klinik mit Schwerpunkt Rheumatologie und Klinische ImmunologieCharité UniversitätsmedizinBerlinDeutschland
  2. 2.Deutsches Rheuma-Forschungszentrum (DRFZ) BerlinBerlinDeutschland

Personalised recommendations