Robuste Merkmalsselektion von Microarray-Expressionsdaten

Die Bestimmung differentiell exprimierter Gene zwischen zwei phänotypischen Ausprägungen eines Merkmals führt in vielen Untersuchungen zur Konstruktion eines Klassifikators, mit welchem für die durchgeführten Experimente optimal die Klassenzugehörigkeit bestimmt werden kann. Dennoch zeigen Vergleiche zwischen den Klassifikatoren unterschiedlicher Studien, die dieselben Datensätze verwenden, kaum Übereinstimmungen. Dies wirft die Frage auf, welche der selektierten Gene eine biologische Relevanz haben und wie robust Merkmalsselktionsalgorithmen tatsächlich sind? Die robuste Merkmalsselektion kombiniert die Signale der biologisch relevanten Gene in verschiedenen Datensätzen und liefert somit vielversprechende Hinweise auf die genetische Grundlage des untersuchten Phänotyps. Durch Anwendung des Verfahrens auf Karzinomdatensätze, die sich im Merkmal der Metastasenausbildung unterscheiden, konnten bisher unbekannte Zusammenhänge zwischen Genexpressionsmustern und der Metastasenbildung aufgedeckt werden.

Diplom-Bioinformatiker Christian Schillinger hat an der Universität Tübingen sein Studium absolviert und verdingte sich anschließend als Wissenschaftler am Leibniz-Institut für molekulare Pharmakologie in Berlin.