Projekte und Grants
Meta-Analyse von defekten viralen Genomen
Defective interfering particles (DIPs) sind virale Deletionsmutanten, die die Virusreplikation hemmen und somit wirksame neue antivirale Wirkstoffe darstellen. Um mögliche antivirale Therapien zu bewerten, müssen wir zunächst ein tieferes Verständnis der Merkmale von DIP gewinnen. Daher führen wir Metaanalysen bereits veröffentlichter Sequenzdatensätze von Influenzaviren aus In-vivo- und In-vitro-Experimenten durch. Wir charakterisieren defekte virale Genome (DVGs) mit großen Deletionen anhand von Merkmalen wie Genomlänge, Sequenz-Wiederholungen und Nukleotid-Zusammensetzung an der Deletionsstelle, um neue Erkenntnisse mit potenziellen Auswirkungen auf die Biologie von DVGs und/oder die zukünftige Entwicklung von DIP-Behandlungen zu gewinnen. So entwickeln wir beispielsweise computergestützte Strategien, um DVGs zu bewerten und vielversprechende Kandidaten für die experimentelle Validierung vorab auszuwählen. Während wir uns derzeit auf Influenzavirus-Infektionen konzentrieren, lassen sich unsere Methoden auf andere DIP-bildende Viren wie Zika-, Dengue- und Coronaviren übertragen.
Meta-Analyse-Pipeline zur Identifizierung von DVG-Merkmalen und zur Priorisierung antiviraler DIP-Kandidaten (Abbildung geändert nach Lohmann et al. [1]).
Zusammenhang zwischen der Diversität defekter viraler Genome und ihrer antiviralen Funktion
Dieses Projekt konzentriert sich darauf zu verstehen, wie die Diversität defekter viraler Genome (DVGs) den Verlauf von Infektionen und die antivirale Aktivität beeinflusst. Um funktionell relevante DVGs zu identifizieren, integriert das Projekt Zeitreihen-Daten aus Next-Generation-Sequencing-Analysen mit quantitativen Messungen der viralen Replikationsdynamik. Wir untersuchen, wie DVGs persistierende und latente Infektionen unter realitätsnahen Ausbreitungs- und Ausbruchsszenarien beeinflussen. In Zusammenarbeit mit der Arbeitsgruppe „Outbreak Preparedness and Response“ von Dr. Sophie Duraffour am Bernhard-Nocht-Institut für Tropenmedizin in Hamburg untersuchen wir mithilfe speziell angepasster bioinformatischer Werkzeuge die Rolle von DVGs bei Infektionen mit hämorrhagischen Fieberviren, beispielsweise als potenziellen Risikofaktor für erneut aufflammende Virusausbrüche. Mithilfe statistischer Analysen und interpretierbarer Verfahren des maschinellen Lernens wollen wir die Häufigkeit und Sequenzzusammensetzung von DVGs mit messbaren antiviralen Effekten in Zusammenhang bringen.
Pipeline zur Verknüpfung der Diversität und Dynamik defekter viraler Genome mit ihrer antiviralen Funktion durch Sequenzierung, funktionelle Selektion und interpretierbare Modellierung.
Transformer-Modell-basierter Entwurf antiviraler defekter interferierender Partikel
Dieser Ansatz nutzt Transformer-Modelle, eine Form großer Sprachmodelle (Large Language Models, LLMs), um informative virale Sequenzmuster zu identifizieren, Kandidaten-DVGs zu generieren und die vielversprechendsten Kandidaten für weiterführende Untersuchungen zu priorisieren. Durch die Kombination computergestützter Analysen mit experimenteller Validierung soll ein Workflow etabliert werden, mit dem Kandidaten mit verbesserten antiviralen Eigenschaften identifiziert werden können.
Virale Sequenzdaten werden durch ein Transformer-Modell analysiert, um defekte virale Genom-Kandidaten (DVG) zu generieren und zu priorisieren, welche anschließend experimentell validiert und zur Verbesserung des Arbeitsablaufs genutzt werden.
Entschlüsselung des Proteoms der DVGs
Obwohl bei DVGs ein großer Teil des viralen Genoms fehlt, kann dieser veränderte „genetische Bauplan“ dennoch in virale Proteine übersetzt werden [2]. Da es nicht praktikabel ist, alle diese Proteine experimentell zu untersuchen, haben wir computergestützte Verfahren entwickelt, um die Proteine von DVGs vorherzusagen. Anschließend haben wir diese vorhergesagten Proteine systematisch charakterisiert. Auf der Grundlage dieser Analyse wollen wir Schlüsselmerkmale dieser Proteine identifizieren, die zu einer antiviralen Wirkung führen könnten.
Replikationsfehler bei Influenzaviren können zu defekten viralen Genomen (DVGs) führen, bei denen weit voneinander entfernte Genomregionen miteinander verbunden werden und so eine neue Verbindungsstelle entsteht. Die In-silico-Translation dieser neu angeordneten Genome werden anschließend analysiert, um mögliche Auswirkungen auf die virale Replikation, die Wirtsreaktionen und die Entwicklung antiviraler Wirkstoffe zu bewerten.
Systematische Bewertung von Imputationsansätzen bei Proteomikdaten
Dieses Projekt wird in Zusammenarbeit mit der Arbeitsgruppe Systems Arbovirology von Dr. Pietro Scaturro durchgeführt. Es befasst sich mit der Frage,wie fehlende Werte in Proteomikdaten sinnvoll behandelt werden können. Ein besonderer Schwerpunkt liegt dabei auf Atlas-Datensätzen sowie auf der Analyse der Auswirkungen einer Zikavirus-Infektion in verschiedenen Geweben von Stechmücken.
Proteomikdaten weisen häufig fehlende Werte auf: Ein Protein kann in einem bestimmten Gewebe tatsächlich nicht vorhanden sein oder lediglich in einer so geringen Menge vorkommen, dass es nicht nachgewiesen werden kann. Ob und auf welche Weise solche fehlenden Werte durch geschätzte Werte ersetzt werden (Imputation), kann die Ergebnisse nachgelagerter Analysen erheblich beeinflussen. Eine ungeeignete Imputation kann Ergebnisse verzerren, während eine geeignete Methode zusätzliche Auswertungen und Erkenntnisse ermöglichen kann. Besonders relevant ist dies für Atlas-Datensätze, in denen Proteinmengen über zahlreiche unterschiedliche Gewebe hinweg verglichen werden und fehlende Werte häufig gewebespezifisch auftreten, was eine zusätzliche methodische Herausforderung darstellt.
Aufbauend auf dem PRONE-Normalisierungsframework erweitert dieses Projekt eine bestehende Evaluationspipeline um verschiedene Imputationsverfahren, von einfachen statistischen Schätzverfahren bis hin zu modellbasierten Ansätzen. Die Methoden werden anhand von Spike-in-Datensätzen, biologischen Proteomikdaten und Proteom-Atlas-Datensätzen sowie anhand simulierter Daten mit gezielt steuerbaren Mustern fehlender Werte verglichen. Ziel ist es, systematisch zu untersuchen, wie sich unterschiedliche Imputationsstrategien auf die nachfolgenden Analyseergebnisse auswirken.
Die daraus gewonnenen Erkenntnisse wurden anschließend genutzt, um die Analyse eines neu entwickelten, Mutli-Gewebe-Atla von Aedes aegypti-Stechmücken mit und ohne Zikavirus-Infektion zu unterstützen. Dadurch konnten infektionsassoziierte Proteine in verschiedenen Geweben der Stechmücke identifiziert werden.
Literaturverzeichnis:
[1] Lohmann, J.J.G.; Le, M.; Alnaji, F.G.; Zolotareva, O.; Baumbach, J. und Laske, T.: Meta-analysis of genomic characteristics for antiviral influenza defective interfering particle prioritization, NAR Genomics and Bioinformatics, 7 (2025), Nr. 2, S. lqaf031.
[2] Ranum, J.N.; Ledwith, M.P.; Alnaji, F.G.; Diefenbacher, M.; Orton, R.; Sloan, E.; Güereca, M.; Feltman, E.M.; Smollett, K.; da Silva Filipe, A.; Conley, M.; Russell, A.B.; Brooke, C.B.; Hutchinson, E. und Mehle, A.: Cryptic proteins translated from deletion-containing viral genomes dramatically expand the influenza virus proteome, Nucleic Acids Research, 52 (2024), Nr. 6, S. 3199–3212.
Kontakt
Nachwuchsgruppenleiterin
E-Mail: tanja.laske@leibniz-liv.de
Offene studentische Projekte
In unserem Team haben wir derzeit die folgenden Positionen für studentische Arbeiten zu vergeben.
