Abschlussarbeiten
Offene Themen
Epigenetische Signaturen in Makrophagen als Biomarker für die Alzheimer-Krankheit (Master-Arbeit)
Die Alzheimer-Krankheit (AD) ist die häufigste neurodegenerative Erkrankung. Zunehmende Evidenz deutet darauf hin, dass angeborene Immunzellen bei AD-Patientinnen und -Patienten funktionell verändert sind und krankheitsassoziierte epigenetische Signaturen tragen können, die auch außerhalb des zentralen Nervensystems nachweisbar sind. Dieses Projekt untersucht, ob DNA-Methylierungsmuster in patientenabgeleiteten Makrophagen als molekulares Auslesesignal für AD-Status und Immun-Dysfunktion dienen können.
Das Projekt baut auf einer laufenden Studie auf, in der Monozyten von AD-Patientinnen und -Patienten (charakterisiert durch multiple Biomarker) sowie von gesunden Kontrollen zu Makrophagen differenziert, Phagozytose-Assays durchgeführt und mittels Whole-Genome Bisulfite Sequencing (WGBS) profiliert wurden. Vorläufige Analysen zeigen, dass ein Klassifikator auf Basis differentiell methylierter Positionen (DMPs) ein aussagekräftiges prädiktives Signal liefert und dass Patientinnen und -Patienten bimodale Phagozytoseraten aufweisen, was auf funktionell unterschiedliche Makrophagen-Subpopulationen hindeutet.
Die Studentin bzw. der Student wird diese Ergebnisse in mehreren miteinander verknüpften Arbeitspaketen verfeinern und erweitern: Verbesserung des Klassifikators durch Einbezug von Methylierungsheterogenität und weiterer Kenngrößen; Bewertung der Generalisierbarkeit anhand externer Datensätze; Transkriptionsfaktor-Bindungsstellen-Analysen, um Methylierungsänderungen mit upstream Regulatoren zu verknüpfen; Anwendung von Deconvolution-Methoden zur Berücksichtigung von Unterschieden in der zellulären Zusammensetzung; sowie epigenetische Altersprädiktion, um zu prüfen, ob AD-Makrophagen eine beschleunigte epigenetische Alterung zeigen.
Die Ergebnisse sollen als Teil eines begutachteten wissenschaftlichen Artikels publiziert werden. Erwartet wird ein Hintergrund in Bioinformatik oder einem verwandten quantitativen Fachgebiet mit Erfahrung in R und/oder Python. Interesse an translationaler Forschung, Feature Engineering auf hochdimensionalen Sequenzierungsdaten sowie an spärlichen Lernverfahren und Regularisierung in biomedizinischen Anwendungen wird vorausgesetzt.
Kontakt: michael.lauber@tum.de
Für weitere Themen besuche bitte die Projektseite und kontaktiere die jeweilige Doktorandin des Projekts.