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

• Pressebericht der HHU vom 18.08.2025

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

In der BiTE-Therapie zur individuellen Behandlung von Krebs, werden bispezifische Antikörper verabreicht, die gezielt gegen bestimmte Oberflächenmarker der Krebszellen gerichtet sind. Live-Cell-Imaging-Systeme ermöglichen es im Rahmen der Vorbereitung und Erforschung solcher Therapien, Zellkulturen über einen längeren Zeitraum in regelmäßigen Abständen zu beobachten. Um die Wirksamkeit der BiTE-Therapie zu evaluieren, müssen lebende und tote Zellen auf den Bildsequenzen identifiziert und gezählt werden. Besonders bei stark geclusterten Zellen liefern die hierfür üblicherweise angewendeten Machine-Learning Modelle meist schlechte Ergebnisse.

Wir entwickeln ein erklärbares, mathematisches Modell für die Instanz-Segmentierung von Live-Cell-Bildern. Dank der Unabhängigkeit von Trainingsdatensätzen kann dieses Modell auch für stark geclusterte Zellen sinnvolle Ergebnisse liefern. Über Machine-Learning Ansätze, die dann auf den resultierenden Bildausschnitten einzelner Zellen arbeiten, können zusätzliche Auswertungen von Zustand und Art der segmentierten Zellen integriert werden.

Kooperationen:

• Analyse der Serien-Aufnahmen zu Experimenten zur Dosis-Zeit-Wirkung von Krebsmedikamenten:

  Dr. Nan Qin - Klinik für Hämatologie, Onkologie und Klinische Immunologie, Universitätsklinikum Düsseldorf

Ansprechpartner:

• Martin Jürgens

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

• Pressebericht der HHU vom 20.12.2023

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 Käufler oder Gunnar Klau

Viele biologische Prozesse bestehen aus einer zeitlichen Abfolge an Events. Dazu zählen die Differenzierung von Zellen oder die Entstehung eines Tumors, bei der Zellen über die Zeit somatische Mutationen akkumulieren. Solche Prozesse können oft nicht kontinuierlich gemessen werden. Stattdessen wird versucht, ein Prozess anhand einer einzelnen Messung zu rekonstruieren. Dazu werden beispielsweise phylogenetische Bäume konstruiert, die das zeitliche Auftreten von Events sowie die Relationen zwischen Events beschreiben. 
In der Krebsforschung ist man besonders daran interessiert, die Evolution eines Tumors zu erforschen, die durch so einen phylogenetischen Baum abgebildet werden kann. Obwohl sich Tumore in jedem Patient individuell und divers entwickeln, konnten Forscherinnnen Mutationen identifizieren, die in der gleichen zeitliche Reihenfolge auftraten. Da diese teilweise klinische Implikationen haben, etwa für die Wirksamkeit von Medikamenten, ist es interessant, solche sogenannten wiederkehrenden Trajektorien zu identifizieren.
Natürlich kann man anhand einer einzelnen Messung nicht notwendigerweise die gesamte Vergangenheit korrekt darstellen. Somit weisen die rekonstruierten Bäume oft Unsicherheiten und Fehler auf, die es erschweren wiederkehrende Trajektorien zu finden.

Hier modellieren wir zeitliche Abfolgen von Events als unvollständige partielle Ordnungen und adressieren häufige Unsicherheiten und Fehlerquellen in den rekonstruierten Bäumen. Mit Hilfe eines ganzzahligen linearen Programms identifizieren wir die größten wiederkehrenden Trajektorien in einer Teilmenge der Eingabedaten. Wir wenden unser Tool, POsets for Temporal Trajectory Resolution (POTTR), auf Daten zur akuten myeloischen Leukämie und zum nicht-kleinzelligen Lungenkarzinom aus der TRACERx-Kohorte an. Dabei identifizieren wir Trajektorien, die als Kandidaten für Studien hinsichtlich ihrer klinischen Bedeutung dienen können.

Publikationen

• Sara C. Käufler, Henri Schmidt, Martin Jürgens, Gunnar W. Klau, Palash Sashittal, Benjamin J. Raphael. “POTTR: Identifying Recurrent Trajectories in Evolutionary and Developmental Processes using Posets.” bioRxiv 2026. https://doi.org/10.64898/2026.02.25.707960 Accepted to RECOMB 2026.

Ansprechpartner

• Sara Käufler oder Gunnar Klau