Wirkstoff-Bioinformatik (Prof. Kalinina)
27. Oktober, 2022 2024-05-27 14:11Wirkstoff-Bioinformatik (Prof. Kalinina)
Über uns
Die Bioinformatik unterstützt und kooperiert mit anderen Bereichen der Molekularbiologie indem sie unter anderem Verfahren zur Analyse von Genomsequenzen entwickelt oder Vorhersagen der dreidimensionalen Struktur von Wirkstoff-Ziel-Komplexen generiert. Wir verwenden modernste Techniken der Bioinformatik und Informatik an, um neuartige Resistenzmechanismen zu entdecken und die Wirkungsweise bioaktiver Verbindungen vorherzusagen.
Gruppenleiterin
Prof. Dr. Olga Kalinina
Olga Kalinina erhielt ihren Master of Science Abschluss mit Auszeichnung in Mathematik von der Moskauer Staatsuniversität im Jahr 2003 und ihre Promotion 2007 vom Engelhardt-Institut für Molekularbiologie der Russischen Akademie der Wissenschaften. Sie forschte als Postdoktorandin am European Laboratory for Molecular Biology weiter und erhielt dafür ein EMBO Long Term Fellowship der European Molecular Biology Organization und später an der Universität Heidelberg in Zusammenarbeit mit Prof. Dr. Robert B. Russell (2007-2011). 2012 gründete sie ihre eigenständige Nachwuchsgruppe am Max-Planck-Institut für Informatik in der Abteilung für Computational Biology und Applied Algorithmics unter der Leitung von Prof. Dr. Dr. Thomas Lengauer, wo sie bis 2018 die Resistenzmechanismen humaner Viren untersuchte.
"Die Verwendung moderner Methoden der Informatik zur Entwicklung neuer Strategien für die Bekämpfung von Infektionskrankheiten ist sowohl faszinierend als auch essentiell für praktische Anwendungen in der biomedizinischen Forschung."
Unsere Projekte
Ein besonderer Schwerpunkt unserer Gruppe ist die Entwicklung von Machine Learning Methoden zur Vorhersage funktioneller Konsequenzen genetischer Varianten, die mit einer bestimmten Krankheit oder einem bestimmten Resistenzphänotyp in Verbindung gebracht werden können. Dabei ist es unser Ziel, nicht nur die Richtung und das Ausmaß des Effekts vorherzusagen, d.h. ob eine bestimmte Variante wahrscheinlich pathogen ist oder Resistenzen gegen ein Medikament hervorruft, sondern auch den genauen molekularen Mechanismus, der dafür verantwortlich ist, zu finden. Dazu kombinieren wir phylogenetische Methoden mit Ansätzen aus der strukturellen Bioinformatik: Modellierung der dreidimensionalen Struktur von Proteinen, ihren Wechselwirkungen und ihrer Dynamik, deren Ergebnisse vereint für Machine Learning Methoden genutzt werden.
Ein besonderer Schwerpunkt dieser Arbeit liegt in der Entdeckung neuartiger Resistenzmechanismen. Ein weiterer Fokus der Arbeitsgruppe ist die Untersuchung von Protein-Wirkstoff-Wechselwirkungen und Wirkstoffbindungstaschen mit Hilfe von auf Data-Mining und Graphentheorie basierenden Ansätzen. Dafür entwickeln wir Machine-Learning-Methoden, welche die funktionelle Motive von Proteinen und Wirkstoffbindungsmuster beschreiben und schließlich maschinelle Vorhersagemethoden für die Wirkstoffaffinität entwickeln, welche auf strukturellen Deskriptoren von Protein-Wirkstoff-Wechselwirkungen basieren.
