Algorithmische Systembiologie (WS 2013/14)

Durch die Sequenzierung des menschlichen Genoms und der Genome anderer Organismen verfügen wir nun über ein vollständiges Inhaltsverzeichnis aller direkt aus dem Genom ableitbaren Einheiten und Moleküle, im wesentlichen also aller Gen, Protein und RNA Spezies. Weiterhin kann das Verhalten von Zellen auf der Ebene der Transkription mit Hilfe von Genexpressionsmessungen genomweit untersucht werden. Die Kombination mit anderen "high-throughput" Techniken erlaubt es, auch Aussagen über metabolische Pathways, Protein-Interaktionsnetze und Gen-Regulationsnetze zu treffen.

Diese Fülle von experimentellen Daten ermöglicht es, biologische Systeme auf der Ebene von Pathways und Netzwerken zu untersuchen und zu modellieren, d.h. auf einer höheren Organisationsstufe als die der individuellen Moleküle. Dazu müssen Systems Biology Perspektiven entwickelt werden, zusammen mit den nötigen Techniken zur Konstruktion und Analyse komplexer biologischer Modelle.

Die Vorlesung gibt einen Einblick in das Spektrum der Algorithmen und Anwendungen sowie der aktuellen Forschung auf dem Gebiet der Systembiologie. Über das hier erworbene Wissen hinaus werden praktische Erfahrungen mit den Problemstellungen und Methoden in der begleitenden Übung vermittelt.

Die folgenden Themen werden behandelt:

• Modellierung von biologischen Systemen: Werkzeuge und Methoden
• Petri Netze als Modellierungs-Framework
• Simulation mit Differenzialgleichungen (ODE)
• Stochastische Simulation
• Metabolic Control Analysis (MCA) und Flux Balance Analysis (FBA)
• Modellierung von biologischen Systemen
• Netzwerkrekonstruktion und Lernen in Netzen: Boolsche und Bayes-Netze
• Evolution und Selbstorganisation

Folien und Übungsblätter zur Vorlesung sind hier zu finden.

Systems Biology

• Edda Klipp, Herwig R., Kowald A., Wierling C., Lehrach H., Systems Biology in Practice, Wiley-VCH, 2005
• Zoltan Szallasi, Jrg Stelling, Vipul Periwal, System Modeling in Cellular Biology, MIT Press, 2006
• James W. Haefner, Modeling Biological Systems, Springer, 2006
• Bernhard O. Palsson, Systems Biology : Properties of Reconstructed Networks, Cambridge University Press, 2006

Complex Networks

• Duncan Watts, Small Worlds, Princeton University Press, 1999
• Albert-Laszlo Barabasi, Linked, Plume Books, 2003
• Mark Buchanan, Nexus, Norton, 2002
• Steven H. Strogatz, Nonlinear Dynamics and Chaos, 2001
• Steven H. Strogatz, Sync, Theia, 2004
• Duncan Watts, Six Degrees, Norton, 2004
• Bornholdt&Schuster, Handbook of Graphs and Networks, Wiley, 2004
  
• Review: R.Albert & A.-L.Barabasi, Statistical mechanics of complex networks, Reviews of modern physics, Vol 74, Jan. 2002

Petri Nets

• Bernd Baumgarten, Petri-Netze, Spektrum, 1996
• Priese&Wimmel, Petri-Netze, Springer, 2002
• Jrg Desel, Petrinetze, lineare Algebra, und lineare Programmierung, Teubner, 1998
• Wolfgang Reisig, Petri-Netze, Eine Einfhrung, Springer, 1985
• Wolfgang Reisig, Petri-Netze, Systementwurf mit Netzen, Springer, 1985
  
• Review: T. Murata, Petri nets: Properties, Analysis, and Applications, Proceedings of the IEEE, 1989

Bayesian Networks

• Finn V. Jensen, Bayesian Nwtworks and Decision Graphs, 1996
• Judea Pearl, Probabilistic Reasoning in Intelleigent Systems, Morgan Kaufman, 1988
• Neapolitan, Learning Bayesian Networks, Prentice Hall, 2003
• (Tom Mitchell, Machine Learning, Mac Graw Hill, 1997)
• (Hastie, Tibshirani, Friedman, The Elements of Statistical Learning, Springer, 2001)
  
• Review: D. Heckerman, A tutorial on Learning with Bayesian Networks, Microsoft Research TR, 1996