Skip to main content
SpringerLink
Log in

Systembiologie und Krankheitsursachen aufdecken

  • Chapter
  • First Online:
Bioinformatik

Zusammenfassung

Die systembiologische Modellierung von Signalkaskaden und Protein-Netzwerken erlaubt vertiefte Einblicke in die Funktion der beteiligten Proteine und hilft dadurch Krankheitsursachen zu verstehen, Infektionsprozesse und Immunantworten besser zu beschreiben oder auch komplexe Vorgänge in der Biologie, wie Zelldifferenzierung und Neurobiologie, aufzuklären. Stärker mathematische Modelle beschreiben Signalnetzwerke genau in der Änderung im Zeitverlauf und ihre Geschwindigkeit mithilfe von Differentialgleichungen. Dies erklärt den Vorgang genau, verbringt aber zusätzlich Zeit z. B. mit dem Ermitteln der Geschwindigkeiten (Kinetik; Zeitreihenanalyse). Boole’sche Modelle benötigen dagegen als Information nur welche Proteine im Netzwerk beteiligt sind und welches Protein mit welchen anderen Proteinen wie interagiert (aktivierend oder hemmend). Auf einem Booleschen Modell aufbauende Simulationen (z. B. mit SQUAD oder Jimena) müssen iterativ in vielen Zyklen überprüft werden, ob denn das Verhalten in dem Computermodell auch zu dem tatsächlich im Experiment beobachteten Ausgang zumindest qualitativ passt. Das Computermodell wird also Schritt für Schritt an die Daten angepasst (Data-Driven-Modeling; Daten-getriebene Modellierung).

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 49.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literatur

  • Audretsch C, Lopez D, Srivastava M et al (2013) T. A semi-quantitative model of quorum-sensing in staphylococcus aureus, approved by microarray meta-analyses and tested by mutation studies. Mol Biosyst 9(11):2665–2680.https://doi.org/10.1039/c3mb70117d (PubMed PMID: 23959234)

  • Brietz A, Schuch KV, Wangorsch G et al (2016) Analyzing ERK 1/2 signalling and targets. Mol Biosyst 12(8):2436–2446. https://doi.org/10.1039/c6mb00255b

    Article  CAS  PubMed  Google Scholar 

  • Czakai K, Dittrich M, Kaltdorf M et al (2016) Influence of platelet-rich plasma on the immune response of human monocyte-derived dendritic cells and macrophages stimulated with aspergillus fumigatus. Int J Med Microbiol pii:1438–4221(16)30199-0. https://doi.org/10.1016/j.ijmm.2016.11.010 ([Epub ahead of print] PubMed PMID: 27965080)

  • Di Cara A, Garg A, De Micheli G et al (2007) Dynamic simulation of regulatory networks using SQUAD. BMC Bioinformatics 8:462.https://doi.org/10.1186/1471-2105-8-462 (* Schönes Originalpaper über SQUAD mit guten Beispielen zum Üben.)

  • Göttlich C, Müller LC, Kunz M et al (2016) A combined 3D tissue engineered in vitro/in silico lung tumor model for predicting drug effectiveness in specific mutational backgrounds. J Vis Exp (110):e53885.https://doi.org/10.3791/53885 (* Krebs wird hier sowohl in vitro wie in silico modelliert, beides ergänzt sich gegenseitig.)

  • Karl S, Dandekar T (2013) Jimena: efficient computing and system state identification for genetic regulatory networks. BMC Bioinformatics 14:306.https://doi.org/10.1186/1471-2105-14-306 (* Erklärt die Analyse mit der Software Jimena, für alle systembiologischen Modellierungen nützlich.)

  • Karl S, Dandekar T (2015) Convergence behaviour and control in non-linear biological networks. Sci Rep 5:9746.https://doi.org/10.1038/srep09746 (PubMed PMID: 26068060; PubMed Central PMCID: PMC4464179 * Diese Arbeit untersucht den interessanten Aspekt, welche Proteine das Netzwerk dirigieren und bestimmen. Die Jimena bestimmt sowohl die direkte Kontrolle wie auch dynamische [über Netzwerkeffekte] für jeden Schalter im Netzwerk [„Netzwerkknoten“, meistens Proteine]. Damit kann man dann genau bestimmen, welche Rezeptoren, Kinasen usw. die Haupttaktgeber im Netzwerk sind und ob sie das direkt oder über Netzwerkeffekte machen.)

  • Li C, Nagasaki M, Koh CH et al (2011) Online model checking approach based parameter estimation to a neuronal fate decision simulation model in Caenorhabditis elegans with hybrid functional Petri net with extension. Mol Biosyst 7(5):1576–1592. https://doi.org/10.1039/c0mb00253d

    Article  CAS  PubMed  Google Scholar 

  • Maiwald T und Timmer J (2008) Dynamical modeling and multi-experiment fitting with PottersWheel. Bioinformatics 24(18):2037–2043. https://doi.org/10.1093/bioinformatics/btn350 (PubMed PMID: 18614583; PubMed Central PMCID: PMC2530888)

  • Mischnik M, Boyanova D, Hubertus K et al (2013a) A Boolean view separates platelet activatory and inhibitory signalling as verified by phosphorylation monitoring including threshold behaviour and integrin modulation. Mol Biosyst 9(6):1326–1339.https://doi.org/10.1039/c3mb25597b (PubMed PMID: 23463387 * Diese Arbeit zeigt am Beispiel der Blutplättchen, wie systembiologische Regulation das fragile Gleichgewicht zwischen Blutgerinnung und Blutfluss so steuert, dass es nicht zur Thrombose oder zu Blutungen kommt. Hemmende und aktivierende Pathways werden im Detail modelliert.)

  • Mischnik M, Hubertus K, Geiger J et al (2013b) Dynamical modelling of prostaglandin signalling in platelets reveals individual receptor contributions and feedback properties. Mol Biosyst 9(10):2520–2529. https://doi.org/10.1039/c3mb70142e (PubMed PMID: 23903629)

    Article  CAS  PubMed  Google Scholar 

  • Mischnik M, Gambaryan S, Subramanian H et al (2014) A comparative analysis of the bistability switch for platelet aggregation by logic ODE based dynamical modeling. Mol Biosyst 10(8):2082–2089. https://doi.org/10.1039/c4mb00170b (PubMed PMID: 24852796)

    Article  CAS  PubMed  Google Scholar 

  • Naseem M, Kaltdorf M, Hussain A et al (2013a) The impact of cytokinin on jasmonate-salicylate antagonism in Arabidopsis immunity against infection with Pst DC3000. Plant Signal Behav 8(10). https://doi.org/10.4161/psb.26791 (PubMed PMID: 24494231)

  • Naseem M, Kunz M, Ahmed N et al (2013) Integration of Boolean models on hormonal interactions and prospects of cytokinin-auxin crosstalk in plant immunity. Plant Signal Behav 8(4):e23890. https://doi.org/10.4161/psb.23890 (PubMed PMID: 23425857)

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  • Naseem M, Philippi N, Hussain A (2012) Integrated systems view on networking by hormones in Arabidopsis immunity reveals multiple crosstalk for cytokinin. Plant Cell 24(5):1793–1814.https://doi.org/10.1105/tpc.112.098335 (* Diese Arbeit zeigt, wie Experiment und Modellierung in der Bioinformatik zusammenwirken, um hier ein komplexes pflanzliches Hormonnetzwerk aufzuklären.)

  • Philippi N, Walter D, Schlatter R et al (2009) Modeling system states in liver cells: survival, apoptosis and their modifications in response to viral infection. BMC Syst Biol 3:97. https://doi.org/10.1186/1752-0509-3-97 (PubMed PMID: 19772631; PubMed Central PMCID: PMC2760522)

  • Schlatter R, Philippi N, Wangorsch G et al (2012) Integration of Boolean models exemplified on hepatocyte signal transduction. Brief Bioinform 13(3):365–376.https://doi.org/10.1093/bib/bbr065 (* Ausführlicher Überblick über Boole’sche Netzwerkmodelle und wie man sie vergleichend modelliert.)

  • Stratmann AT, Fecher D, Wangorsch G et al (2014) Establishment of a human 3D lung cancer model based on a biological tissue matrix combined with a Boolean in silico model. Mol Oncol 8(2):351–365. https://doi.org/10.1016/j.molonc.2013.11.009 (Epub2013Dec18)

    Article  CAS  PubMed  Google Scholar 

  • Wangorsch G, Butt E, Mark R et al (2011) Time-resolved in silico modeling of fine-tuned cAMP signaling in platelets: feedback loops, titrated phosphorylations and pharmacological modulation. BMC Syst Biol 5:178.https://doi.org/10.1186/1752-0509-5-178 (* Zeigt detaillierte Modellierung mit Differenzialgleichungen und Zeitreihenanalyse.)

Anwendungsbeispiele

  • Baur F, Nietzer SL, Kunz M, et al (2019) Connecting cancer pathways to tumor engines: a stratification tool for colorectal cancer combining human in vitro tissue models with Boolean in silico models. Cancers (Basel) 20;12(1):28. https://doi.org/10.3390/cancers12010028

  • Baur F, Nietzer S, Kunz M et al (2020) Connecting cancer pathways to tumor engines: Astratification tool for colorectal cancer combining human in vitro tissue models with Boolean in silico models. Cancers (Basel) 12(1), 28. pii: E1761. https://doi.org/10.3390/cancers12010028

  • Breitenbach T, Liang C, Beyersdorf N et al (2019a) Analyzing pharmacological intervention points: a method to calculate external stimuli to switch between steady states in regulatory networks. PLoS Comput Biol 15(7):e1007075. https://doi.org/10.1371/journal.pcbi.1007075

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  • Breitenbach T, Lorenz K, Dandekar T (2019b) How to steer and control ERK and the ERK signaling cascade exemplified by looking at cardiac insufficiency. Int J Mol Sci. 20(9):2179. https://doi.org/10.3390/ijms20092179

    Article  CAS  PubMed Central  Google Scholar 

  • Brietz A, Schuch KV, Wangorsch G et al (2016) Analyzing ERK 1/2 signalling and targets. Mol Biosyst 12(8):2436–2446. https://doi.org/10.1039/c6mb00255b

    Article  CAS  PubMed  Google Scholar 

  • Göttlich C, Müller LC, Kunz M et al (2016) A combined 3D tissue engineered in vitro/in silico lung tumor model for predicting drug effectiveness in specific mutational backgrounds. J Vis Exp (110):e53885.https://doi.org/10.3791/53885 (* Krebs wird hier sowohl in vitro wie in silico modelliert, beides ergänzt sich gegenseitig.)

  • Klipp E, Liebermeister W, Wierling C et al (2016) Edda klipp systems biology: a textbook, 2nd edn. ISBN: 978-3-527-33636-4

    Google Scholar 

  • Karl S, Dandekar T (2013) Jimena: efficient computing and system state identification for genetic regulatory networks. BMC Bioinformatics 14:306.https://doi.org/10.1186/1471-2105-14-306 (* Erklärt die Analyse mit der Software Jimena, für alle systembiologischen Modellierungen nützlich.)

  • Kunz M, Dandekar T, Naseem M (2017) A systems biology methodology combining transcriptome and interactome datasets to assess the implications of cytokinin signaling for plant immune networks. Methods Mol Biol 1569:165–173. https://doi.org/10.1007/978-1-4939-6831-2_14

    Article  CAS  PubMed  Google Scholar 

  • Kunz M, Jeromin J, Fuchs M et al (2020) In silico signaling modeling to understand cancer pathways and treatment responses. Brief Bioinform 21(3):1115–1117. https://doi.org/10.1093/bib/bbz033

    Article  CAS  PubMed  Google Scholar 

  • Naseem M, Philippi N, Hussain A (2012) Integrated systems view on networking by hormones in Arabidopsis immunity reveals multiple crosstalk for cytokinin. Plant Cell 24(5):1793–1814.https://doi.org/10.1105/tpc.112.098335 (* Diese Arbeit zeigt, wie Experiment und Modellierung in der Bioinformatik zusammenwirken, um hier ein komplexes pflanzliches Hormonnetzwerk aufzuklären.)

Download references

Author information

Authors and Affiliations

  1. Department of Bioinformatics, Universität Würzburg, Würzburg, Deutschland

    Thomas Dandekar

  2. Lehrstuhl für Medizinische Informatik, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Deutschland

    Meik Kunz

Authors
  1. Thomas Dandekar
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Meik Kunz
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Thomas Dandekar .

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE , ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Dandekar, T., Kunz, M. (2021). Systembiologie und Krankheitsursachen aufdecken. In: Bioinformatik. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-62399-2_5

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-62399-2_5

  • Published:

  • Publisher Name: Springer Spektrum, Berlin, Heidelberg

  • Print ISBN: 978-3-662-62398-5

  • Online ISBN: 978-3-662-62399-2

  • eBook Packages: Computer Science and Engineering (German Language)

Publish with us

Policies and ethics

Search

Navigation