TU Darmstadt / ULB / TUprints

Rekonstruktion und Modellierung medizinisch relevanter biologischer Interaktionsnetzwerke

Mendler, Isabella-Hilda (2023)
Rekonstruktion und Modellierung medizinisch relevanter biologischer Interaktionsnetzwerke.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00024753
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
Dissertation_Isabella-Hilda_Mendler.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (14MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Rekonstruktion und Modellierung medizinisch relevanter biologischer Interaktionsnetzwerke
Language: German
Referees: Drossel, Prof. Dr. Barbara ; Hütt, Prof. Dr. Marc-Thorsten
Date: 16 November 2023
Place of Publication: Darmstadt
Collation: xiv, 111 Seiten
Date of oral examination: 16 October 2023
DOI: 10.26083/tuprints-00024753
Abstract:

Diese Dissertation befasst sich mit der Analyse zweier biologischer Systeme, die eine wichtige Rolle im Zusammenhang mit nichtübertragbaren Krankheiten wie Diabetes oder Krebs spielen: dem menschlichen Mikrobiom, d.h. den Mikroorganismen, die unseren Körper besiedeln, und dem p53-Netzwerk, einem komplexen Protein- und Genregulationsnetzwerk rund um das als „Wächter des Genoms“ bekannte Tumorsupressorprotein p53. Trotz intensiver Forschungsbemühungen sind diese medizinisch höchst relevanten Systeme noch immer nicht vollständig verstanden. Sie sollen daher im Rahmen dieser Arbeit mithilfe von Methoden aus der statistischen Physik, genauer gesagt durch die Modellierung als dynamische Netzwerke, untersucht werden.

Eine große Herausforderung zum besseren Verständnis des menschlichen Mikrobioms besteht darin, ausgehend von Mikrobiomproben, wie z.B. Speichel- oder Stuhlproben, auf die zugrunde liegenden mikrobiellen Interaktionsnetzwerke zu schließen. Eine mögliche Vorgehensweise für diese sog. Netzwerkinferenz ist die von Claussen et al. entwickelte Entropy-Shifts-of-Abundance-vectors-under-Boolean-Operations (ESABO)-Methode [34], bei der die binarisierten Mikrobiomdaten als Attraktoren eines Booleschen Netzwerks interpretiert werden. Die ESABO-Methode weist jedoch einige signifikante Schwachpunkte auf: Zum einen werden mutualistische Interaktionen zwischen häufig vorkommenden Spezies aufgrund der Gestalt der verwendeten Entropiefunktion oft als antagonistische Interaktionen rekonstruiert, zum anderen ist die Methode insofern inkonsistent, als dass die mit der ESABO-Methode inferierten Netzwerke im Allgemeinen nicht die zur Inferenz genutzten mikrobiellen An- und Abwesenheitsmuster reproduzieren. Der erste Schwachpunkt konnte in dieser Arbeit durch zwei simple Modifikation der ESABO-Methode, nämlich durch eine analytischen Berechnung der ESABO-Scores und dem Vertauschen von Nullen und Einsen in Abundanzvektoren mit einer hohen relativen Häufigkeit von Einsen, behoben werden. Zur Behebung des zweiten Schwachpunkts wurde die ESABO-Methode um einen evolutionären Algorithmus erweitert bzw. in diesen eingebettet. Hierbei zeigte sich, dass die Kombination aus evolutionärem Algorithmus und ESABO-Methode, die im Folgenden als ESABO-gestützte Evolution bezeichnet wird, signifikant bessere Rekonstruktionsergebnisse liefert als die ESABO-Methode allein oder ein evolutionärer Algorithmus mit zufällig gewählten Mutationen, d.h. ohne Unterstützung der ESABO-Methode. Die Untersuchung der ESABO-gestützten Evolution bei unvollständiger Kenntnis der Attraktoren (d.h. einer begrenzten Menge an Mikrobiomproben, wie es auch in der Realität zu erwarten ist) ermöglichte es uns zudem, eine Beziehung zwischen dem Prozentsatz der bekannten Attraktoren und der durchschnittlichen Fitness, die durch die Inferenzmethode erreicht wurde, zu finden. Mithilfe dieser Beziehung konnte schließlich bei der Anwendung der ESABO-gestützten Evolution auf echte, empirische Speichelmikrobiomdaten die Vollständigkeit des betrachteten Datensatzes abgeschätzt werden. Hierbei ergab sich, dass die verwendeten Daten weniger als 50% der Attraktoren des Systems abdeckten.

Im zweiten Teil der Arbeit wird mithilfe der dynamischen Netzwerkmodellierung eine wichtige Komponente des p53-Netzwerks, nämlich die Regulation des Proteins p21 durch das Protein p53 infolge von DNA-Doppelstrangbrüchen untersucht. Experimentelle Untersuchungen der Dynamik von p53 und p21 in einzelnen Brustepithelzellen zeigten, dass trotz einer relativ homogenen p53-Dynamik nach dem Auftreten von DNA-Doppelstrangbrüchen der Zeitpunkt und die Geschwindigkeit der p21-Induktion heterogen sind, wobei die Zellzyklusphase eine entscheidende Rolle zu spielen scheint. Zellen, die den Schaden in der S-Phase erfahren, zeigen eine verzögerte p21-Akkumulation, während Zellen, die in der G1-Phase bestrahlt werden und anschließend in die S-Phase übergehen, eine prompte pulsartige p21-Dynamik aufweisen. Das Ziel der Modellierung war es daher, den zellzyklusabhängigen molekularen Mechanismus zu identifizieren, der für diese Heterogenität verantwortlich ist. Durch den Vergleich von zwei minimalistischen Modellen mit den experimentellen p21-Daten und weiteren von Caibin Sheng durchgeführten Experimenten konnte gezeigt werden, dass eine erhöhte p21-Abbaurate während der S-Phase in Kombination mit der Aktivierung von p21 durch p53 bereits ausreicht, um die auf Einzelzellebene beobachtete heterogene p21-Dynamik nach dem Auftreten von DNA-Doppelstrangbrüchen zu reproduzieren.

Alternative Abstract:
Alternative AbstractLanguage

This dissertation focuses on the analysis of two biological systems that play an important role in the context of noncommunicable diseases such as diabetes or cancer: the human microbiome, i.e. the microorganisms that colonise our body, and the p53 network, a complex protein and gene regulation network centered around the tumour suppressor protein p53, known as the „guardian of the genome“. Despite intensive research efforts, these medically highly relevant systems are still not fully understood. Therefore, in this thesis we will study them using methods from statistical physics, or to be more precise, by modelling them as dynamical networks.

A major challenge for a better understanding of the human microbiome is the deduction of the underlying microbial interaction networks from microbiome samples, such as saliva or stool samples. One possible approach for this so-called network inference is the Entropy Shifts of Abundance vectors under Boolean Operations (ESABO) method developed by Claussen et al. [34], where binarised microbiome patterns are interpreted as attractors of a Boolean network. However, the ESABO method has some significant weaknesses: First, mutualistic interactions between highly abundant species are often reconstructed as antagonistic interactions due to the shape of the used entropy function, and second, the method is inconsistent in the sense that networks inferred by the ESABO method do not generally reproduce the same microbial presence/absence patterns that were used for their inference. The first weakness was addressed in this work by two simple modifications to the ESABO method, namely an analytical calculation of the ESABO scores and the swapping of zeros and ones in abundance vectors with a high relative frequency of ones. To address the second weakness, the ESABO method was extended by or rather embedded in an evolutionary algorithm. This combination of an evolutionary algorithm and the ESABO method, which we will refer to as ESABO enhanced evolution, was found to provide significantly better reconstruction results than the ESABO method alone or an evolutionary algorithm with randomly chosen mutations, i.e. without the support of the ESABO method. Futhermore, the investigation of the ESABO enhanced evolution with incomplete knowledge of the attractors (i.e. a limited set of microbiome samples, as is to be expected in reality) allowed us to find a relationship between the percentage of known attractors and the average fitness obtained by the inference method. Finally, this relationship was used to estimate the completeness of a real empirical salivary microbiome dataset. It was found that the examined data covered less than 50% of the attractors of the system.

In the second part of this thesis, dynamic network modelling is used to investigate an important component of the p53 network, namely the regulation of the protein p21 by the protein p53 upon DNA double strand breaks (DSBs). Experimental studies of the dynamics of p53 and p21 in single breast epithelial cells showed that despite a relatively homogeneous p53 dynamics after the occurrence of DSBs, the timing and rate of p21 induction is heterogeneous, with the cell cycle phase playing a crucial role. Cells that experience the damage in S phase show a delayed p21 accumulation, whereas cells that are irradiated in G1 and subsequently progress to S phase show a prompt pulse-like p21 response. The aim of the modelling was therefore to identify the cell cycle-dependent molecular mechanism responsible for this heterogeneity. By comparing two minimalistic models with the experimental p21 data and through further experiments, performed by Caibin Sheng, it was shown that an increased p21 degradation rate during S phase in combination with the activation of p21 by p53 is sufficient to reproduce the heterogeneous p21 dynamics observed at the single cell level after the occurrence of DSBs.

English
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-247532
Classification DDC: 500 Science and mathematics > 530 Physics
Divisions: 05 Department of Physics > Institute for Condensed Matter Physics > Theory of complex systems
Date Deposited: 16 Nov 2023 13:35
Last Modified: 17 Nov 2023 08:41
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/24753
PPN: 513279857
Export:
Actions (login required)
View Item View Item