Zum Inhalt springen Zur Suche springen
ALBI Team
ALBI @ Zentrum für Digitale Medizin

Seite im Aufbau

Diese Seite wird derzeit überarbeitet. Blaue Kästchen sind bereits aktuell.

Forschung

Aktuelle Forschungsprojekte

Dass Impfstoffe essentiell für die Vorbeugung von Viruserkrankungen und -ausbreitungen sind, ist spätestens seit der Corona-Pandemie klar. Dennoch ist stetige Forschung an Impfstoffen relevant, um auf die Entwicklung von Viren zügig reagieren zu können. Peptidimpfstoffe sind eine attraktive Alternative zu konventionellen Impfstoffen, wie z.B. Lebendimpfstoffen. Sie bestehen aus den kleinsten Einheiten eines Virus, die eine Immunreaktion auslösen und somit zur Immunität gegen das Virus führen. 

Hier entwickeln wir eine neue Art an Peptidimpfstoffen, die Überlappungen zwischen Peptidsequenzen ausnutzt, um so mit möglichst vielen Peptiden möglichst viele Personen einer Bevölkerung zu immunisieren. Anhand von SARS-CoV-2 Daten konnten wir zeigen, dass wir mit unseren Impfstoffdesigns 98% der Weltbevölkerung im Prinzip immunisieren könnten. Allerdings muss zunächst im Labor validiert werden, ob Überlappende-Peptid-Impfstoffe wirksam und sicher sind.

Links
Publikation
  • Sara C. Schulte, Alexander T. Dilthey, Gunnar W. Klau. “HOGVAX: Exploiting Epitope Overlaps to Maximize Population Coverage in Vaccine Design with Application to SARS-CoV-2.” Cell Systems 14, 1-9 December 20, 2023. https://doi.org/10.1016/j.cels.2023.11.001
Ansprechpartner
  • Sara Schulte oder Gunnar Klau

 

Während eines Krankenhausaufenthalts werden eine Vielzahl von klinischen Daten digital erhoben. Es ist schwierig, in diesen komplexen und hochdimensionalen Daten relevante Zusammenhänge und Muster zu erkennen. Die Auswertung dieser Daten mit Hilfe von klinischen Entscheidungsmodellen basierend auf Machine-Learning-Algorithmen erlauben es patientenspezifische Risiken besser vorherzusagen und abschätzen zu können.

Unser Ziel ist es, durch die Einbindung von Zeitreiheneigenschaften, den gesamten Verlauf von Werten anstelle einer Momentaufnahme zu betrachten. Im Gegensatz zu klassischen klinischen Risikoscores, die einmalig bei Aufnahme erstellt werden, geben unsere Methoden eine tagesaktuelle, adaptive Prognose, die Ärztinnen und Ärzte bei Therapieentscheidungen unterstützen kann.

Kooperationen
  • Studie zu dynamischen Mortalitätsrisiken bei Myelodysplastischen Syndromen: Prof. Ulrich Germing, Prof. Sascha Dietrich – Klinik für Hämatologie, Onkologie und Klinische Immunologie, Universitätsklinikum Düsseldorf
  • Studie zu Mortalitätsrisiko nach allogener Stammzelltransplantation: Prof. Rainer Haas, Prof. Klaus Pfeffer, Prof. Guido Kobbe – Universitätsklinikum Düsseldorf
  • Studie zu Risiken nach aneurysmatischer Subarachnoidalblutung: Prof. Sajjad Muhammad, AG Vaskuläre Neurochirurgie, Klinik für Neurochirurgie, Universitätsklinikum Düsseldorf
Publikationen
  • Bobak J, Spohr P, Richter S, Streuer A, Schulz F, Strupp C, Gerhards C, Schmitt N, Luft T, Dietrich S, Germing U, and Klau GW. “Dynamic Mortality Risk Prediction in Myelodysplastic Syndromes Using Longitudinal Clinical Data” Accepted JCO Clinical Cancer Informatics, 2025. Preprint: https://doi.org/10.1101/2025.07.21.25331775
  • Spohr P, Fröhlich RC, Scharf S, Rommerskirchen A, Bobak J, Schweier S, Jäger P, Kobbe G, Dietrich S, Dilthey AT, Henrich B, Pfeffer K, Haas R, and Klau GW. “Dynamic Prediction of Mortality Risk Following Allogeneic Hematopoietic Stem Cell Transplantation” Machine Learning Health, 2025. https://doi.org/10.1088/3049-477X/adf74e
  • Klassifikation/Regression auf Basis von molekularen Profilen von Zelllinien
  • Analyse von Lebendzellbildgebungsdaten (Incucyte)
    • Zellerkennung, -klassifikation, -tracking
    • 3D Dosis-Zeit-Wirkungsmodel (VUScope)

Clusteringmethoden teilen Daten in verschiedene Gruppen von ähnlichen Elementen auf. Somit sind unterschiedliche Gruppen unähnlich. Das Ziel von Anticlustering ist es hingegen, Daten in möglichst ähnliche Gruppen aufzuteilen. Dies ist zum Bsp. in der experimentellen Psychologie oder bei der Auswertung medizinischer Daten von großer Bedeutung.

Hier entwickeln und implementieren wir in Kooperation mit Dr. Martin Papenberg vom Institut für Experimentelle Psychologie neue Methoden und wenden diese auf konkrete Fragestellungen an wie z. B. der Planung von Hochdurchsatz-Sequenzierungsexperimenten bei der chronischen Erkrankung Endometriose.

Links
Publikationen
  • Papenberg, Martin, Martin Breuer, Max Diekhoff, Nguyen K. Tran, and Gunnar W. Klau. “Extending the Bicriterion Approach for Anticlustering: Exact and Hybrid Approaches.” Psychometrika, October 7, 2025, 1–20. https://doi.org/10.1017/psy.2025.10052
  • Papenberg, Martin, Cheng Wang, Maïgane Diop, et al. “Anticlustering for Sample Allocation to Minimize Batch Effects.” Cell Reports Methods 5, no. 8 (2025): 101137. https://doi.org/10.1016/j.crmeth.2025.101137
  • Papenberg, Martin, and Gunnar W. Klau. “Using Anticlustering to Partition Data Sets into Equivalent Parts.” Psychological Methods (US) 26, no. 2 (2021): 161–74. https://doi.org/10.1037/met0000301
Ansprechpartner
  • Nguyen Khoa Tran oder Gunnar Klau

Abgeschlossene Forschungsprojekte

Die genetische Information komplexer Organismen wie Menschen, Tiere und Pflanzen ist in langen Molekülen, den Chromosomen, gespeichert. Menschen und die meisten Tiere erben genetische Information von ihren beiden biologischen Eltern, was zu zwei leicht unterschiedlichen Kopien jedes Chromosoms führt. Der Prozess des Trennens dieser beiden Kopien und der Rekonstruktion der zugrunde liegenden Sequenzen wird als (Haplotyp-)Phasing bezeichnet. In unserer Arbeitsgruppe untersuchen wir Phasing bei polyploiden Organismen wie Pflanzen, die mehr als zwei Kopien pro Chromosom aufweisen. Während diploides Phasing, auch von unserer Arbeitsgruppe [1], gut untersucht und verstanden ist, können bestehende Methoden nicht auf eine kanonische Weise auf den polyploiden Fall verallgemeinert werden. Wir haben in diesem Projekt neuartige Methoden für polyploides Phasing basierend auf Sequenzier- und genetischen Daten entwickelt [2, 3, 4].

Finanzierung

Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) – 395192176 und 391137747 – sowie im Rahmen der Exzellenzstrategie Deutschlands – EXC 2048/1 – 390686111.

Kooperationen
  • Marschall-Lab, Universitätsklinikum Düsseldorf
  • Richard Finkers, U Wageningen, jetzt bei GenNovation
  • Usadel-Lab, Cluster of Excellence on Plant Sciences, HHU
Publikationen
  1. Patterson, Murray, Tobias Marschall, Nadia Pisanti, et al. “WhatsHap: Weighted Haplotype Assembly for Future-Generation Sequencing Reads.” Journal of Computational Biology 22, no. 6 (2015): 498–509. https://doi.org/10.1089/cmb.2014.0157.
  2. Schrinner, Sven D., Rebecca Serra Mari, Jana Ebler, et al. “Haplotype Threading: Accurate Polyploid Phasing from Long Reads.” Genome Biology 21, no. 1 (2020): 252. doi.org/10.1186/s13059-020-02158-1.
  3. Schrinner, Sven, Rebecca Serra Mari, Richard Finkers, et al. “Genetic Polyploid Phasing from Low-Depth Progeny Samples.” iScience, Elsevier, 2022, 104461.
  4. Serra Mari, Rebecca, Sven Schrinner, Richard Finkers, et al. “Haplotype-Resolved Assembly of a Tetraploid Potato Genome Using Long Reads and Low-Depth Offspring Data.” Genome Biology 25, no. 1 (2024): 26. doi.org/10.1186/s13059-023-03160-z.