Komplexe Diagnostik

Hochdurchsatzdaten ('omics-Daten) spielen immer mehr eine Schlüsselrolle in der Medizin - sowohl bei der Aufklärung pathophysiologischer Prozesse auf molekularer Ebene als auch bei der Therapieentscheidung. Eine personalisierte Therapie setzt daher oft auf eine Analyse patientenbezogener Hochdurchsatzdaten (z.B. dem Genom, Exom, Metagenom). Eine ähnliche Rolle spielen Transkriptom-, Proteom- und Metabolomdaten, die als Biomarker für eine Diagnose oder für die Stratifizierung von Patientenkohorten essentiell sind. Während klassische Niedrigdurchsatzdaten meist einfach zu analysieren sind, stellen das Datenvolumen und die Komplexität von Hochdurchsatzdaten ganz andere Anforderungen an die Auswertung. Eine manuelle Analyse ist in aller Regel nicht mehr machbar. Effiziente Algorithmen zur Extraktion der relevanten Informationen und statistisch solide Interpretation der Resultate sind unerlässlich. Der Bereich Datenanalyse erforscht innovative Methoden zur automatisierten Analyse von Hochdurchsatzdaten, die in kurzer Zeit verlässliche Ergebnisse liefern. Neben innovativen Algorithmen ist auch die Entwicklung einer verlässlichen und performanten Infrastruktur zur automatischen Datenprozessierung ein wesentlicher Schwerpunkt. Durch die Integration der neu entwickelten Algorithmen in etablierte Workflowsysteme und durch direkte Anbindung an klinische Informationssysteme können neue Forschungsergebnisse schnell translational nutzbar gemacht werden. Ein wesentlicher Aspekt der Akzeptanz solcher Methoden im klinischen Alltag sind auch benutzerfreundliche Schnittstellen und intuitive Visualisierungskonzepte. In diesem Bereich arbeiten daher auch Kognitionswissenschaftler und Medieninformatiker daran mit, komplexe Datensätze intuitiv und interaktiv explorierbar zu machen und dadurch eine möglichst frühzeitige Integration von Hochdurchsatzdaten in den klinischen Alltag zu ermöglichen.