Studies of cap-independent mRNA translation in Drosophila melanogaster

Control of protein synthesis is a key step in the regulation of gene expression during apoptosis and the heat shock response. Under such conditions, cap-dependent translation is impaired and Internal Ribosome Entry Site (IRES)-dependent translation plays a major role in mammalian cells. Although the role of IRES-dependent translation during apoptosis has been mainly studied in mammals, its role in the translation of Drosophila apoptotic genes has not been yet studied. The observation that the Drosophila mutant embryos for the cap-binding protein, the eukaryotic initiation factor eIF4E, exhibits increased apoptosis in correlation with up-regulated proapoptotic gene reaper (rpr) transcription constitutes the first evidence for the existence of a cap-independent mechanism for the translation of Drosophila proapoptotic genes. The mechanism of translation of rpr and other proapoptotic genes was investigated in this work. We found that the 5 UTR of rpr mRNA drives translation in an IRES-dependent manner. It promotes the translation of reporter RNAs in vitro either in the absence of cap, in the presence of cap competitors, or in extracts derived from heat shocked and eIF4E mutant embryos and in vivo in cells transfected with reporters bearing a non functional cap structure, indicating that cap recognition is not required in rpr mRNA for translation. We also show that rpr mRNA 5 UTR exhibits a high degree of similarity with that of Drosophila heat shock protein 70 mRNA (hsp70), an antagonist of apoptosis, and that both are able to conduct IRES-mediated translation. The proapoptotic genes head involution defective (hid) and grim, but not sickle, also display IRES activity. Studies of mRNA association to polysomes in embryos indicate that both rpr, hsp70, hid and grim endogenous mRNAs are recruited to polysomes in embryos in which apoptosis or thermal stress was induced. We conclude that hsp70 and, on the other hand, rpr, hid and grim which are antagonizing factors during apoptosis, use a similar mechanism for protein synthesis. The outcome for the cell would thus depend on which protein is translated under a given stress condition. Factors involved in the differential translation driven by these IRES could play an important role. For this purpose, we undertook the identification of the ribonucleoprotein (RNP) complexes assembled onto the 5 UTR of rpr mRNA. We established a tobramycin-affinity-selection protocol that allows the purification of specific RNP that can be further analyzed by mass spectrometry. Several RNA binding proteins were identified as part of the rpr 5 UTR RNP complex, some of which have been related to IRES activity. The involvement of one of them, the La antigen, in the translation of rpr mRNA, was established by RNA-crosslinking experiments using recombinant protein and rpr 5 UTR and by the analysis of the translation efficiency of reporter mRNAs in Drosophila cells after knock down of the endogenous La by RNAi experiments. Several uncharacterized proteins were also identified, suggesting that they might play a role during translation, during the assembly of the translational machinery or in the priming of the mRNA before ribosome recognition. Our data provide evidence for the involvement of La antigen in the translation of rpr mRNA and set a protocol for purification of tagged-RNA-protein complexes from cytoplasmic extracts. To further understand the mechanisms of translation initiation in Drosophila, we analyzed the role of eIF4B on cap-dependent and cap-independent translation. We showed that eIF4B is mostly involved in cap-, but not IRES-dependent translation as it happens in mammals.

Adaptive Real-time Anomaly-based Intrusion Detection using Data Mining and Machine Learning Techniques

Die zunehmende Vernetzung der Informations- und Kommunikationssysteme führt zu einer weiteren Erhöhung der Komplexität und damit auch zu einer weiteren Zunahme von Sicherheitslücken. Klassische Schutzmechanismen wie Firewall-Systeme und Anti-Malware-Lösungen bieten schon lange keinen Schutz mehr vor Eindringversuchen in IT-Infrastrukturen. Als ein sehr wirkungsvolles Instrument zum Schutz gegenüber Cyber-Attacken haben sich hierbei die Intrusion Detection Systeme (IDS) etabliert. Solche Systeme sammeln und analysieren Informationen von Netzwerkkomponenten und Rechnern, um ungewöhnliches Verhalten und Sicherheitsverletzungen automatisiert festzustellen. Während signatur-basierte Ansätze nur bereits bekannte Angriffsmuster detektieren können, sind anomalie-basierte IDS auch in der Lage, neue bisher unbekannte Angriffe (Zero-Day-Attacks) frühzeitig zu erkennen. Das Kernproblem von Intrusion Detection Systeme besteht jedoch in der optimalen Verarbeitung der gewaltigen Netzdaten und der Entwicklung eines in Echtzeit arbeitenden adaptiven Erkennungsmodells. Um diese Herausforderungen lösen zu können, stellt diese Dissertation ein Framework bereit, das aus zwei Hauptteilen besteht. Der erste Teil, OptiFilter genannt, verwendet ein dynamisches "Queuing Concept", um die zahlreich anfallenden Netzdaten weiter zu verarbeiten, baut fortlaufend Netzverbindungen auf, und exportiert strukturierte Input-Daten für das IDS. Den zweiten Teil stellt ein adaptiver Klassifikator dar, der ein Klassifikator-Modell basierend auf "Enhanced Growing Hierarchical Self Organizing Map" (EGHSOM), ein Modell für Netzwerk Normalzustand (NNB) und ein "Update Model" umfasst. In dem OptiFilter werden Tcpdump und SNMP traps benutzt, um die Netzwerkpakete und Hostereignisse fortlaufend zu aggregieren. Diese aggregierten Netzwerkpackete und Hostereignisse werden weiter analysiert und in Verbindungsvektoren umgewandelt. Zur Verbesserung der Erkennungsrate des adaptiven Klassifikators wird das künstliche neuronale Netz GHSOM intensiv untersucht und wesentlich weiterentwickelt. In dieser Dissertation werden unterschiedliche Ansätze vorgeschlagen und diskutiert. So wird eine classification-confidence margin threshold definiert, um die unbekannten bösartigen Verbindungen aufzudecken, die Stabilität der Wachstumstopologie durch neuartige Ansätze für die Initialisierung der Gewichtvektoren und durch die Stärkung der Winner Neuronen erhöht, und ein selbst-adaptives Verfahren eingeführt, um das Modell ständig aktualisieren zu können. Darüber hinaus besteht die Hauptaufgabe des NNB-Modells in der weiteren Untersuchung der erkannten unbekannten Verbindungen von der EGHSOM und der Überprüfung, ob sie normal sind. Jedoch, ändern sich die Netzverkehrsdaten wegen des Concept drif Phänomens ständig, was in Echtzeit zur Erzeugung nicht stationärer Netzdaten führt. Dieses Phänomen wird von dem Update-Modell besser kontrolliert. Das EGHSOM-Modell kann die neuen Anomalien effektiv erkennen und das NNB-Model passt die Änderungen in Netzdaten optimal an. Bei den experimentellen Untersuchungen hat das Framework erfolgversprechende Ergebnisse gezeigt. Im ersten Experiment wurde das Framework in Offline-Betriebsmodus evaluiert. Der OptiFilter wurde mit offline-, synthetischen- und realistischen Daten ausgewertet. Der adaptive Klassifikator wurde mit dem 10-Fold Cross Validation Verfahren evaluiert, um dessen Genauigkeit abzuschätzen. Im zweiten Experiment wurde das Framework auf einer 1 bis 10 GB Netzwerkstrecke installiert und im Online-Betriebsmodus in Echtzeit ausgewertet. Der OptiFilter hat erfolgreich die gewaltige Menge von Netzdaten in die strukturierten Verbindungsvektoren umgewandelt und der adaptive Klassifikator hat sie präzise klassifiziert. Die Vergleichsstudie zwischen dem entwickelten Framework und anderen bekannten IDS-Ansätzen zeigt, dass der vorgeschlagene IDSFramework alle anderen Ansätze übertrifft. Dies lässt sich auf folgende Kernpunkte zurückführen: Bearbeitung der gesammelten Netzdaten, Erreichung der besten Performanz (wie die Gesamtgenauigkeit), Detektieren unbekannter Verbindungen und Entwicklung des in Echtzeit arbeitenden Erkennungsmodells von Eindringversuchen.