Forschungsprojekte
High-dimensional regression methods for gene-exposure interactions
Das zentrale Ziel in diesem Projektbereich ist die Modellierung von Gesundheitsindikatoren mit modernen Regressionsmethoden. Untersucht wird der Einfluss von hochdimensionalen Omics-Daten auf den Zusammenhang zwischen toxikologischer Belastung und Gesundheit. Die betrachteten Modelle umfassen sowohl die klassische lineare und logistische Regression als auch moderne Verfahren wie die logic Regression, regularisierte Verfahren und generalisierte additive Modelle. Zur Auswahl der wichtigsten Einflussvariablen und Interaktionen werden Methoden wie komponentenweises Boosting verallgemeinert, genetische Risikoscores formuliert und Stichprobentechniken angepasst.
- R1 High-dimensional regression for screening of important genetic and environmental factors (Ickstadt, Schikowski)
- R2 Regression with nonlinear modelling of metric environmental and toxicological influence factors (Groll, Schikowski)
- R3 Statistical assessment of gene-exposure and gene-gene interactions (Schwender, Schikowski)
Statistical modelling of omics data depending on exposure and dose
Ein zentrales Thema in diesem Projektbereich ist die Schätzung der minimalen effektiven Dosis einer Substanz unter Verwendung hochdimensionaler Omics-Daten als Surrogat für gesundheitliche Auswirkungen. Zur Auswahl relevanter genetischer Marker werden statistische Lernverfahren eingesetzt. Darüber hinaus werden mehrstufige statistische Modellierungsansätze für die gleichzeitige Berücksichtigung verschiedener Dosen und Expositionszeiten sowie Methoden zur Ableitung optimaler Versuchspläne für solche Modelle entwickelt.
- P1 Determination of the minimum effective dose from high-dimensional expression data with statistical learning methods (Rahnenführer, Hengstler)
- P2 Model selection for exposure time-dose curves with mixture models (Rahnenführer, Hengstler)
- P3 Two-dimensional spline regression to model incubation time-dose curves (Ickstadt, Krutmann)
- P4 Model-based interaction analysis of secretome and proteome data from intrinsically and extrinsically aged cells (Schwender, Krutmann)
- P5 Experimental design for exposure time-dose curves (Schorning, Hengstler)
- P6 Design and analysis of concentration-exposure curves with common parameters (Schorning, Cadenas)
-
P7 Statistical methods for comparing gene expression curves of several genes or treatments (Möllenhoff, Hengstler)
Data integration with omics data and additional information
Ziel dieses Projektbereichs ist es, die toxikologische Risikovorhersage und die Differenzierung der toxikologischen Wirkungen durch eine geeignete Integration von Daten, Modellen und Ergebnissen zu verbessern. Zur Datenintegration werden verschiedene molekulare Datenquellen kombiniert und zusätzliches biologisches Wissen in die Modellierung integriert. Integrative Modellierungsansätze bauen auf Modellen auf, die in den Forschungsbereichen Regression und Prädiktion entwickelt wurden.
- I1 Weighted risk scores for the assessment of cumulative risks (Ickstadt, Krutmann)
- I2 Prediction of phenotypical responses - from model systems to human diseases (Ickstadt, Cadenas)
- I3 Enrichment analysis for multiple data sources and complex statistical designs (Rahnenführer, Cadenas)
- I4 Integrative analysis of longitudinal omics data (Schwender, Hengstler)
- I5 Integration of different omics data with regression methods (Groll, Hengstler)