Was tun mit hochdimensionalen biomedizinischen Daten?

Dank moderner Hochdurchsatzmessgeräte können heute im Labor komplexe Untersuchungen zu biomedizinischen Fragestellungen effizient durchgeführt werden. Insbesondere die Auswertung von Genexpressionsdaten, Chromatogrammen und Massenspektren ist bei der Charakterisierung von organischem Material und für die Beschreibung metabolischer Prozesse in der Forschung von hohem Interesse. Die Aufgabe der Bioinformatik besteht in der Bereitstellung von Werkzeugen, mit denen diese Messdaten verlässlich analysiert werden können. Eine besondere Herausforderung dabei ist der Umgang mit einem Zuviel an experimentspezifischen Informationen bei einem Zuwenig an verfügbaren, oft technisch aufwändigen, Messexperimenten. Die hohe Anzahl von einzeln zu charakterisierenden Datenattributen, beispielsweise gewebespezifische Geneexpressionen, steht also einer geringen Anzahl von - in diesem Falle mittels DNA-Arrays gewonnenen - Replikaten gegenüber. Diesem im Bereich des maschinellen Lernens als Fluch der Dimensionalität ('curse of dimensionality') bekannten Problem der schwachen statischen Basis wird in aktuellen Arbeiten durch abbildungstreue Datenmodelle mit einer geringen Zahl von Freiheitsgraden begegnet. Selbstorganisierende neuronale Netze mit klaren mathematischen Zielfunktion und variablen Datenmetriken werden zu diesem Zwecke stochastisch optimiert. Im Vortrag werden die Ansätze kurz skizziert und wichtige Ergebnisse vorgestellt. Direkter Nutzen ergibt sich, ganz allgemein, für die Charakterisierung von Datenattributen, für Gruppierung (Clustering) und für die Visualisierung hochdimensionaler Daten.

back