Strukturlernen Latenter Dynamischer Bayesnetze aus hochdimensionalen Interventionseffekten und Anwendungen in der Systembiologie

• Antragsteller: Professor Dr. Achim Tresch, seit 1/2016
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Bioinformatik und Theoretische Biologie
• Förderung: Förderung von 2015 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 280808770

Das Lernen der Graphstruktur kausaler Dynamischer Bayesnetze (DBNs) ist von Relevanz für viele Anwendungsgebiete, insbesondere in der Medizin und Systembiologie. Aus der Literatur sind verschiedene Verfahren bekannt, um DBNs aus interventionellen Daten zu lernen. Jedoch sind bislang Situationen wenig erforscht, in denen das eigentlich interessierende Netzwerk nicht direkt beobachtbar ist, sondern nur indirekte Effekte auf bestimmte Beobachtungsvariablen. Die Notwendigkeit für solche Modelle ergibt sich in der Systembiologie, wo Signalwege zwischen Proteinen zwar häufig nicht direkt messbar sind, jedoch das Antwortverhalten tausender molekularer Spezies auf bestimmte Perturbationen, wie etwa Gen Knock-downs, relativ leicht und kostengünstig bestimmbar ist.Das Ziel dieses Projektes besteht darin, ein allgemeines Framework für das Strukturlernen latenter DBNs aus statischen und zeitaufgelösten Perturbationsdaten zu entwickeln, welches praktisch für die oben genannte Situation anwendbar ist. Unser Ziel erfordert eine realistische Modellierung der Signalübertragung in einem Netzwerk latenter Variablen. Zudem wollen wir verschiedene Möglichkeiten untersuchen, Interventionen in dem latenten Netzwerk zu modellieren. Dabei soll insbesondere der Situation Rechnung getragen werden, dass Interventionen mehrere versteckte Variablen auf einmal betreffen und selber nur mit bestimmten Wahrscheinlichkeiten einen Effekt auslösen. Eine Hauptaufgabe im Rahmen dieses Projektes besteht in der Entwicklung und Implementierung eines effizienten Algorithmus zum Lernen der Graphstruktur unseres Modells. Dieser Algorithmus soll insbesondere die Anwendung auf Datensätze realistischer Größe ermöglichen, wie sie z.B. in der Systembiologie von Relevanz sind.Wir planen unseren Ansatz durch extensive Simulationen zu testen und auf das Reverse Engineering biologischer Netzwerke aus experimentellen Daten anzuwenden. Wir erwarten, dass unsere Methode zu einer signifikanten Verbesserung der automatischen Rekonstruktion solcher Netzwerke führt, was deren kausales Verständnis verbessern sollte. Unsere Arbeit könnte auch für andere Wissenschaftsbereiche von Interesse sein, in denen die kausale Inferenz versteckter Variablen von Relevanz ist, etwa in der Psychologie oder Soziologie.

• DFG-Verfahren: Sachbeihilfen
• Ehemaliger Antragsteller: Professor Holger Fröhlich, bis 1/2016