Molekulare Untersuchung des Wolf-Hirschhorn-Syndroms

Das Wolf-Hirschhorn-Syndrom (WHS) ist ein komplexes und variables Fehlbildungs- Retardierungssyndrom, das durch Deletion in der distalen Chromosomenregion 4p16.3 hervorgerufen wird und dessen Ätiologie und Pathogenese bisher weitgehend unverstanden sind. Die Zielsetzung in der vorliegenden Arbeit bestand in der Identifizierung und vorläufigen Charakterisierung neuer Gene, die an der Entstehung des Syndroms beteiligt sein könnten. Die Wolf-Hirschhorn-Syndrom-kritische Region (WHSCR) konnte zu Beginn der vorliegenden Arbeit auf einen ca. 2 Mb großen Bereich zwischen den Markern D4S43 und D4S142 eingegrenzt werden. Für die Identifizierung neuer Gene wurden zunächst drei größere genomische Cosmid-/PAC-Contigs (I-III) im Bereich der Marker D4S114 bis D4S142 erstellt und mittels Exonamplifikation auf transkribierte Bereiche (Exons) untersucht. Es konnten insgesamt 67 putative 'Exons' isoliert werden, von denen einige bereits bekannten Genen (ZNF141, PDEB, MYL5, GAK, DAGK4 und FGFR3) entsprechen. Zwei dieser Gene konnten im Rahmen dieser Arbeit erstmals (DAGK4) bzw. genauer (GAK) in die distale Region 4p16.3 kartiert werden. Die restlichen Exons können aufgrund von Homologievergleichen und/oder EST-cDNA-Homologien vermutlich neuen Genen oder auch Pseudogenen (z. B. YWEE1hu) zugeordnet werden. Durch die im Verlaufe der vorliegenden Arbeit publizierte weitere Eingrenzung der WHSCR auf einen 165 Kb-großen Bereich proximal des FGFR3-Gens konzentrierten sich weitere Untersuchungen auf die detaillierte Analyse der WHSCR zwischen dem Marker D4S43 und FGFR3. Mit Hilfe von Exonamplifikation bzw. computergestützter Auswertung vorliegender Sequenzdaten aus diesem Bereich ('GRAIL', 'GENSCAN' und Homologievergleiche in den EST-Datenbanken des NCBI) konnten mehrere neue Gene identifiziert werden. In distaler-proximaler Reihenfolge handelt es sich dabei um die Gene LETM1, 51, 43, 45, 57 und POL4P. LETM1 kodiert für ein putatives Transmembran-Protein mit einem Leucin-Zipper- und zwei EF-Hand-Motiven und könnte aufgrund seiner möglichen Beteiligung an der Ca2+-Homeostase und/oder der Signal-transduktion zu Merkmalen des WHS (Krampfanfällen, mentale Retardierung und muskuläre Hypotonie) beitragen. Das Gen 51 entspricht einem in etwa zeitgleich durch Stec et al. (1998) und Chesi et al. (1998) als WHSC1 bzw. MMSET bezeichnetem Gen und wurde daher nicht weiter charakterisiert. Es wird genauso wie das Gen 43, das zeitgleich von Wright et al. (1999b) als WHSC2 beschrieben werden konnte und eine mögliche Rolle bei der Transkriptionselongation spielt, ubiquitär exprimiert. Das in der vorliegenden Arbeit identifizierte Gen 45 zeigt demgegenüber ein ausgesprochen spezifisches Expressionsmuster (in Nervenzellen des Gehirns sowie in Spermatiden). Dies stellt zusammen mit der strukturellen Ähnlichkeit des putativen Genprodukts zu Signalmolekülen einen interessanten Zusammenhang zu Merkmalen des WHS (beispielsweise Kryptorchismus, Uterusfehlbildungen oder auch neurologische Defekte) her. Demgegenüber handelt es sich bei dem Gen 57 möglicherweise um ein trunkiertes Pseudogen des eRFS-Gens auf Chromosom 6q24 (Wallrapp et al., 1998). Das POL4P-Gen schließlich stellt allein aufgrund seiner genomischen Lokalisation sowie seiner möglichen Funktion (als DNA-Polymerase-ähnliches Gen) kein gutes Kandidatengen für spezifische Merkmale des Syndroms dar und wurde daher nicht im Detail charakterisiert. Um die Beteiligung der Gene an der Ätiologie und Pathogenese des Syndroms zu verstehen, ist die Entwicklung eines Mausmodells (über das Einfügen gezielter Deletionen in das Mausgenom) geplant. Um dies zu ermöglichen, wurde in der vorliegenden Arbeit die Charakterisierung der orthologen Region bei der Maus vorgenommen. Zunächst wurden die orthologen Gene der Maus (Letm1, Whsc1, Gen 43 (Whsc2h), Gen 45 und Pol4p) identifiziert. Durch die Erstellung sowie die genaue Kartierung eines murinen genomischen P1/PAC-Klon-Contigs konnte gezeigt werden, daß die murinen Gene Fgfr3, Letm1, Whsc1, Gen 43 (Whsc2h), Gen 45 und Pol4p sowie einige weitere der überprüften EST-cDNA-Klone der Maus in einem durchgehenden Syntänieblock zwischen Mensch (POL4P bis FGFR3) und Maus (Mmu 5.20) enthalten sind, der in seiner genomischen Ausdehnung in etwa den Verhältnissen beim Menschen (zwischen POL4P und FGFR3) entspricht.

Reinforcement Lernen mit Regularisierungsnetzwerken

Die Arbeit behandelt das Problem der Skalierbarkeit von Reinforcement Lernen auf hochdimensionale und komplexe Aufgabenstellungen. Unter Reinforcement Lernen versteht man dabei eine auf approximativem Dynamischen Programmieren basierende Klasse von Lernverfahren, die speziell Anwendung in der Künstlichen Intelligenz findet und zur autonomen Steuerung simulierter Agenten oder realer Hardwareroboter in dynamischen und unwägbaren Umwelten genutzt werden kann. Dazu wird mittels Regression aus Stichproben eine Funktion bestimmt, die die Lösung einer "Optimalitätsgleichung" (Bellman) ist und aus der sich näherungsweise optimale Entscheidungen ableiten lassen. Eine große Hürde stellt dabei die Dimensionalität des Zustandsraums dar, die häufig hoch und daher traditionellen gitterbasierten Approximationsverfahren wenig zugänglich ist. Das Ziel dieser Arbeit ist es, Reinforcement Lernen durch nichtparametrisierte Funktionsapproximation (genauer, Regularisierungsnetze) auf -- im Prinzip beliebig -- hochdimensionale Probleme anwendbar zu machen. Regularisierungsnetze sind eine Verallgemeinerung von gewöhnlichen Basisfunktionsnetzen, die die gesuchte Lösung durch die Daten parametrisieren, wodurch die explizite Wahl von Knoten/Basisfunktionen entfällt und so bei hochdimensionalen Eingaben der "Fluch der Dimension" umgangen werden kann. Gleichzeitig sind Regularisierungsnetze aber auch lineare Approximatoren, die technisch einfach handhabbar sind und für die die bestehenden Konvergenzaussagen von Reinforcement Lernen Gültigkeit behalten (anders als etwa bei Feed-Forward Neuronalen Netzen). Allen diesen theoretischen Vorteilen gegenüber steht allerdings ein sehr praktisches Problem: der Rechenaufwand bei der Verwendung von Regularisierungsnetzen skaliert von Natur aus wie O(n**3), wobei n die Anzahl der Daten ist. Das ist besonders deswegen problematisch, weil bei Reinforcement Lernen der Lernprozeß online erfolgt -- die Stichproben werden von einem Agenten/Roboter erzeugt, während er mit der Umwelt interagiert. Anpassungen an der Lösung müssen daher sofort und mit wenig Rechenaufwand vorgenommen werden. Der Beitrag dieser Arbeit gliedert sich daher in zwei Teile: Im ersten Teil der Arbeit formulieren wir für Regularisierungsnetze einen effizienten Lernalgorithmus zum Lösen allgemeiner Regressionsaufgaben, der speziell auf die Anforderungen von Online-Lernen zugeschnitten ist. Unser Ansatz basiert auf der Vorgehensweise von Recursive Least-Squares, kann aber mit konstantem Zeitaufwand nicht nur neue Daten sondern auch neue Basisfunktionen in das bestehende Modell einfügen. Ermöglicht wird das durch die "Subset of Regressors" Approximation, wodurch der Kern durch eine stark reduzierte Auswahl von Trainingsdaten approximiert wird, und einer gierigen Auswahlwahlprozedur, die diese Basiselemente direkt aus dem Datenstrom zur Laufzeit selektiert. Im zweiten Teil übertragen wir diesen Algorithmus auf approximative Politik-Evaluation mittels Least-Squares basiertem Temporal-Difference Lernen, und integrieren diesen Baustein in ein Gesamtsystem zum autonomen Lernen von optimalem Verhalten. Insgesamt entwickeln wir ein in hohem Maße dateneffizientes Verfahren, das insbesondere für Lernprobleme aus der Robotik mit kontinuierlichen und hochdimensionalen Zustandsräumen sowie stochastischen Zustandsübergängen geeignet ist. Dabei sind wir nicht auf ein Modell der Umwelt angewiesen, arbeiten weitestgehend unabhängig von der Dimension des Zustandsraums, erzielen Konvergenz bereits mit relativ wenigen Agent-Umwelt Interaktionen, und können dank des effizienten Online-Algorithmus auch im Kontext zeitkritischer Echtzeitanwendungen operieren. Wir demonstrieren die Leistungsfähigkeit unseres Ansatzes anhand von zwei realistischen und komplexen Anwendungsbeispielen: dem Problem RoboCup-Keepaway, sowie der Steuerung eines (simulierten) Oktopus-Tentakels.

Synthese und 18 F-Fluorierung von Aromataseinhibitoren

ZusammenfassungrnrnrnZwei 18F-markierte Derivate des Aromataseinhibitors Letrozol 5, [18F]FML 17 und [18F]FEL 18, sowie die benötigten Markierungsvorläufer sollten im Rahmen dieser Arbeit hergestellt werden. Die Referenzverbindungen [19F]FML 17 und [19F]FEL 18 wurden synthetisiert und bei Novartis bereits auf ihre in vitro Eigenschaften untersucht. Nach erfolgreicher Radiomarkierung der beiden Derivate sollten erste in vitro und in vivo Untersuchungen mit den radiomarkierten Verbindungen durchgeführt werden. Zusätzlich zu diesen beiden Derivaten wurde ein drittes radiofluoriertes Letrozolderivat, [18F]FPL 19, und der entsprechende Markierungsvorläufer synthetisiert.rnrnZur Direktmarkierung von [18F]FML 17 mit [18F]Fluorid wurden drei Markierungsvorläufer mit verschiedenen Abgangsgruppen (TosMV-FML 7, MesMV-FML 8 and BrMV-FML 20) in 68 %, 66 % und 30 % Ausbeute hergestellt. Die Radiomarkierung von TosMV-FML 7 lieferte [18F]FML 17 in max. 30 % Ausbeute. Die Markierungsausbeuten waren unstabil und nicht reproduzierbar. Versuche, die Markierungsausbeuten durch Variation von Reaktionsparametern wie Temperatur, Lösungsmittel und Basensystem zu optimieren und zu stabilisiern, blieben erfolglos. Die Radiomarkierungsversuche der beiden anderen Markierungsvorläufer, MesMV-FML 8 und BrMV-FML 20, ergaben ebenfalls nicht das gewünschte Produkt [18F]FML 17.rnrnUm radiofluoriertes [18F]FEL 18 zu erhalten, wurden zwei Strategien untersucht. Ein Ansatz ist eine 18F-Direktmarkierung geeigneter Markierungsvorläufer, die andere Strategie eine 18F Fluoralkylierung von Letrozol 5 mit prosthetischen Gruppen wie 2-[18F]Fluorethyltosylat ([18F]FETos) oder 1-Brom-2-[18F]fluorethan ([18F]BFE). Im letzten Schritt der Synthese der Direktmarkierungsvorläufer konnten die benötigten Markierungsvorläufer nicht isoliert werden. Stattdessen wurde die Bildung von Nebenprodukten beobachtet. Die Radiomarkierung von Letrozol 5 mit [18F]FETos oder [18F]BFE ergab kein [18F]FEL 18. Im Verlauf der Radiomarkierung wurde die Bildung eines nicht radioaktiven Nebenproduktes beobachtet. Die Verwendung von Iodid-Salzen zur in situ-Bildung von 1-[18F]Fluor-2-iodethan, eines noch reaktiveren Fluoralkylierungsagens, konnte das Ergebnis der Radiomarkierungsreaktionen nicht verbessern.rnrnDie Synthese des dritten Letrozolderivates, [18F]FPL 19, verlief erfolgreich. Der benötigte Markierungsvorläufer zur Direktmarkierung mit 18F, TosMV-FPL 16, konnte in 59 % Ausbeute hergestellt werden. Das Einfügen einer dritten Methylengruppe zwischen dem Letrozolrest und dem radioaktiven Label führte zu stabilen, reproduzierbaren radiochemischen Ausbeuten zwischen 30 % und 45 %.rnrnDa die radiochemischen Ausbeuten der 18F-Direktmarkierung des TosMV-FML 7 zur Herstellung von [18F]FML 17 nicht stabilisiert werden konnten, wurden keine weitereführenden in vitro oder in vivo Untersuchungen vorgenommen. Die radiomarkierte Verbindung [18F]FEL 18 konnte über keine der beiden Markierungsstrategien synthetisiert werden. Daher konnten keine in vitro oder in vivo Experimente durchgeführt werden. Die erfolgreiche Radiomarkierung des neuen dritten Letrozolderivates, [18F]FPL 19, macht nun weitere in vitro und in vivo Testungen der 19F Referenzverbindung und des 18F-Analogs erforderlich. Ähnliche Eigenschaften wie für die beiden bereits evaluierten Verbindungen, FML 17 and FEL 18, können erwartet werden.rnrnDiese Arbeit entstand im Rahmen einer Kooperation zwischen der Novartis International AG, Basel und der Johannes Gutenberg-Universität Mainz.rnrn