Bioinformatik der Infektionsforschung

Die Arbeitsgruppe “Bioinformatik der Infektionsforschung” erforscht mit computergestützten Techniken das menschliche Mikrobiom, virale und bakterielle Pathogene sowie menschliche Zelllinien anhand von großen biologischen und epidemiologischen Datensätzen. Durch die Analyse von Metaom-, Populationsgenom- und Einzelzellgenomdaten erzeugen wir experimentell überprüfbare Hypothesen,  wie z.b. welche Veränderungen an Proteinen oder welche Gene assoziiert sind mit dem Auftreten einer Krankheit, von Antibiotikaresistenzen oder dem Ausweichen des Immunschutzes durch Pathogene. Wir arbeiten mit experimentellen Kollaborationspartnern zusammen, um unsere Erkenntnisse zu verifizieren und deren Translation in die medizinische Diagnostik und Behandlung zu fördern. Um die Forschungsziele zu erreichen, entwickelt die Arbeitsgruppe auch neue Algorithmen und Bioinformatik-Software.

Leitung

Computergestützte Mikrobiom-Forschung

Ein Forschungsschwerpunkt der Abteilung ist die Erforschung mikrobieller Gemeinschaften, also von Bakterien, Viren und Eukaryonten, und deren.Bedeutung für die menschliche Gesundheit und Krankheit. Das menschliche Mikrobiom wird mit einer Vielzahl von Krankheiten in Zusammenhang gebracht und am HZI experimentell untersucht. Die direkte Sequenzierung des Metagenoms, -transkriptoms oder -proteoms mikrobieller Gemeinschaften ermöglicht die Erforschung von bislang unkultivierten Mikroben, welche die überwiegende Mehrheit der mikrobiellen Welt darstellen.

Die Forschung in BIFO konzentriert sich auf die Etablierung daten-basierter Ansätze, die eine individualisierte Infektionsmedizin in der Klinik weiter vorantreiben, z. B. die rechnergestützte Entdeckung von Biomarkern aus mikrobiellen Omics-Daten, d.h. Genotyp-Phänotyp- und Genotyp-Umgebungs-Inferenz, und die Entdeckung von molekularen Prädiktoren für Krankheitsverlauf und Erregerphänotypen. Darüber hinaus entwickeln wir neue Methoden zur Auswertung von gängigen Meta’omics Daten und fördern mit CAMI das Entstehen von Standards und Best Practices bei deren Auswertung.

Konkret beschäftigt sich die Abteilung aktuell mit den folgenden Fragestellungen:

  • Können wir Biomarker für klinisch relevante Phänotypen mittels maschinellen Lernverfahren aus klinischen Mikrobiomdaten identifizieren und diese Phänotypen zuverlässig vorhersagen? Insbesondere interessant ist dies für die kostengünstig erzeugbaren 16S-Daten, die allerdings keine Informationen über das funktionelle Genrepertoire einer analysierten Probe liefern.
  • Welche Software eignet sich besonders für die Prozessierung verschiedener Arten von Metagenomdatensätzen? Zusammen mit A. Sczyrba und T. Rattei  gründete und organisiert A. McHardy CAMI, die „Initiative for the Critical Assessment of Metagenome Interpretation“, die sich für die Etablierung von Standards und best practices in der Metagenomanalyse einsetzt und Benchmarking-Wettbewerbe für Entwickler organisiert.
  • Können wir die Genome einzelner Stämme aus metagenomischen Daten rekonstruieren? Hier arbeitet die Abteilung an neuen Verfahren für diese Fragestellung, die grosse Relevanz für die klinische Praxis hat, da einzelne Stämme sehr unterschiedliche Eigenschaften haben können (wie z.B. E. coli Nissle versus EHEC).
  • Welche Spuren hinterlässt die Anpassung von mikrobiellen Gemeinschaften an ihr jeweiliges Ökosystem in deren Metagenom? Insbesondere interessiert uns dies für die humanen Mikrobiota und bei der Verbreitung von Antibiotikaresistenzen.
  • Was können wir über die Rolle des mikrobiellen CRISPR-CAS-Systems im menschlichen Mikrobiom durch systematische Metagenomanalysen in Kombination mit Techniken des „Deep Learnings“ herausfinden?

Ausgewählte Publikationen

  1. F. Meyer, A. Bremges, P. Belmann, S. Janssen, A. C. McHardy, D. Koslicki
    Assessing taxonomic metagenome profilers with OPAL.
    Genome Biology 2019, 20, 1:51
  2. A. Fritz, P. Hofmann, S. Majda, E. Dahms, J. Droge, J. Fiedler, T. R. Lesker, P. Belmann, M. Z. DeMaere, A. E. Darling, A. Sczyrba, A. Bremges, A. C. McHardy
    CAMISIM: Simulating metagenomes and microbial communities
    Microbiome 2019, 7, 1:17
  3. E. Asgari, P. C. Munch, T. R. Lesker, A. C. McHardy*, M. R. K. Mofrad*
    DiTaxa: Nucleotide-pair encoding of 16S rRNA for host phenotype and biomarker detection (*shared last authors)
    Bioinformatics 2018, Epub: bty954
  4. E. Asgari, K. Garakani, A. C. McHardy, M. R. K. Mofrad
    MicroPheno: predicting environments and host phenotypes from 16S rRNA gene sequencing using a k-mer based representation of shallow sub-samples
    Bioinformatics 2018, 34: i32
  5. A. Bremges, A. C. McHardy
    Critical Assessment of Metagenome Interpretation Enters the Second Round
    mSystems 2018, 3: e00103
  6. F. Meyer, P. Hofmann, P. Belmann, R. Garrido-Oter, A. Fritz, A. Sczyrba, A. C. McHardy
    AMBER: Assessment of Metagenome BinnERs
    GigaScience 2018, 7
  7. A. Sczyrba, P. Hofmann, P. Belmann, …, T. Rattei, A.C. McHardy
    Critical Assessment of Metagenome Interpretation—a benchmark of metagenomics software.
    Nature Methods 2017, doi:10.1038/nmeth.4458
  8. P.C. Münch, B. Stecher, A.C. McHardy
    EDEN: evolutionary dynamics within environments.
    Bioinformatics 2017, 33(20): 3292–3295
  9. K. Patil, P. Haider, P.B. Pope, P.J. Turnbaugh, M. Morrison, T. Scheffer, A.C. McHardy        
    Taxonomic metagenome sequence assignment with structured output models.                                                                                                                                  
    Nature Methods 2011, 8(3): 191-192

Mitarbeiter

  • Dr. Fernando Meyer
  • Dr. Ehsaneddin Asgari
  • Dr. Till Robin Lesker
  • Dr. Zhiluo Deng
  • Adrian Fritz
  • Philipp Münch
  • Tzu-Hao Kuo

Kollaborationspartner

Aktuelle:

  • Justin O’Grady & Gemma Kay, Quadram Institute, Norwich, UK
  • Markus Cornberg, Hannover Medical School, Hannover, Germany
  • Thomas Schulz, Hannover Medical School, Hannover, Germany
  • Curtis Huttenhower, Harvard T.H. Chan School of Public Health, Boston, MA, U.S.
  • Barbara Stecher, Medical Microbiology and Hospital Epidemiology, Max von Pettenkofer Institute, Ludwig Maximilian University of Munich, Munich, Germany
  • Phil Pope and Vincent Eijsink, Norwegian University of Life Sciences, Aas, Norway
  • Nadine Ziemert, Natural Product Genome Mining, Eberhard Karls University of Tübingen, Tübingen, Germany (DZIF collaboration)
  • Alexander Sczyrba, Aaron Darling, Tanja Woyke…and the further CAMI initiative
  • Till Strowig, Microbial Immune Regulation, Helmholtz Centre for Infection Research (HZI), Braunschweig, Germany

Ehemalige:

  • Paul Schulze-Lefert, Max Planck Institute for Plant Breeding Research, Cologne, Germany
  • Phil Pope and Vincent Eijsink, Norwegian University of Life Sciences, Aas, Norway
  • Johannes Gescher, Institute of Applied Biosciences (IAB), Karlsruhe Institute of Technology (KIT), Karlsruhe, Germany
  • Mark Morrison, CSIRO Livestock Industries, Queensland, Australia
  • Jeffrey Gordon and Peter Turnbaugh, Center for Genome Sciences, Washington University, St. Louis, Missouri, USA
  • Phil Hugenholtz, Australian Center for Ecogenomics, Queensland, Australia
  • Isidore Rigoutsos, Computational Medicine Center, Thomas Jefferson University, Philadelphia, Pennsylvania, USA
  • Andreas Brune, Research Group Leader, Department of Biogeochemistry, Max Planck Institute for Terrestrial Microbiology, Marburg, Germany
  • Mila Chistoserdova, Department of Chemical Engineering, University of Washington, Seattle, Washington, USA

Video

  • Kann man die nächste Grippe-Epidemie vorhersagen?

    Es antwortet Dr. Andreas Bremges, stellv. Abteilungsleiter Bioinformatik der Infektionsforschung am HZI in Braunschweig.

DruckenPer Mail versendenTeilen