Analyse genomischer Imbalancen in hepatozellulären Karzinomen und präneoplastischen Leberläsionen

Das hepatozelluläre Karzinom (HCC) ist mit ungefähr 1,000,000 neuen Fällen pro Jahr einer der häufigsten malignen Tumore weltweit. Es ist hauptsächlich in Südost-Asien und im südlichen Afrika verbreitet. Risikofaktoren sind chronische Infektionen mit Hepatitis Viren (HBV, HCV), Aflatoxin B1-Belastung und chronischer Alkoholkonsum. Um Veränderungen auf genomischer Ebene in HCCs zu untersuchen, wurden in der vorliegenden Untersuchung Frischgewebeproben von 21 Patienten mit HCCs und formalin-fixiertes, paraffineingebettetes Material von 6 Dysplastischen Knoten mittels Comparativer genomischer Hybridisierung (CGH) analysiert. In den untersuchten HCCs konnte Zugewinne auf 1q (12/21), 6p ( 6/21), 8q (11/21), 17q (6/21), 20q (6/21), sowie Verluste auf 4q (7/21), 6q (4/21), 10q (3/21), 13q (4/21), 16q (3/21) identifiziert werden. Die Validität der mit diesem Ansatz erzielten Ergebnisse konnte anhand von unabhängigen Kontrollexperimenten mit Interphase-FISH-Analyse nachgewiesen werden. Die in Dysplastische Knoten identifizierten Veränderungen sind Gewinne auf 1q (50% ) sowie Verluste auf 8p und 17p. Daher stellt 1q eine Kandidatenregion für die Identifizierung jener Gene dar, die bereits im frühem Stadium der Hepatokarzinogenese aktiviert sind. Die Gen-Expressionsanalyse eines HCCs mit Gewinnen auf 1q, 8q, und Xq zeigte die Überexpression von einigen Genen, die in den amplifizierten Regionen liegen. Daher kann spekuliert werden, dass die DNA-Amplifikation in der Hepatokarzinogenese bei einigen Genen ein Mechanismus der Aktivierung sein kann. Zusammengefasst konnte somit durch CGH-Analyse charakteristische, genomische Imbalances des HCC ermittelt werden. Der Vergleich mit Veränderungen bei prämalignen Läsionen erlaubt die Unterscheidung früher (prämaligner) und später (progressionsassoziierter) Veränderungen

Die Rolle des anti-apoptotischen Proteins Mcl-1 für die Leber und das hepatozelluläre Karzinom

Myeloid cell leukemia-1 (Mcl-1) ist ein anti-apoptotisches Mitglied der Bcl-2-Proteinfamilie. Als solches ist es in der Lage, die mitochondriale Aktivierung während der Apoptose zu hemmen. Dadurch schützt es Zellen bei zellulärem Stress (wie z.B. Differenzierung, Proliferation oder Virusinfektion) vor Apoptoseinduktion. Aufgrund dieser Eigenschaft ist es unabkömmlich während der Embryogenese und in verschiedenen hämatopoetischen Zellpopulationen. Des Weiteren ist Mcl-1 als Protoonkogen in verschiedenen humanen Tumorentitäten verstärkt exprimiert und kann so zu einer verminderten Apoptosesensitivität von Tumorzellen beitragen. Auch primäre humane Hepatozyten können nach Mcl-1-Induktion durch Wachstumsfaktorbehandlung gegenüber CD95-vermittelter Apoptose geschützt werden. Daher sollte untersucht werden, welche Bedeutung Mcl-1 im hepatozellulären Karzinom (HCC) und in der gesunden Leber einnimmt. Hierzu wurde zunächst humanes HCC-Gewebe hinsichtlich der Expression von Mcl-1 untersucht. Es konnte gezeigt werden, dass Mcl-1 sowohl auf mRNA- als auch auf Protein-Ebene in HCC-Gewebe verstärkt exprimiert ist im Vergleich zu benachbartem Normalgewebe. Auch in verschiedenen HCC-Zelllinien konnte eine starke Mcl-1-Expression nachgewiesen werden. Diese war vor allem über den PI3K/Akt-Signalweg reguliert. Eine Hemmung dieses Signalwegs führte zu einer Reduktion der Mcl-1-Expression und so zu einer Sensitivierung der Zellen gegenüber verschiedenen Chemotherapeutika und zielgerichteten Therapien. Des Weiteren wurde die Mcl-1-Expression spezifisch durch RNA-Interferenz gehemmt. Auch hier konnte gezeigt werden, dass Zellen mit unterdrückter Mcl-1-Expression deutlich sensitiver gegenüber verschiedenen Apoptose-induzierenden Substanzen reagierten. Eine kombinierte Hemmung der Mcl-1-Expression und der PI3-Kinase führte schließlich zu einer nochmals verstärkten Sensitivierung. Im Gegensatz dazu führte eine Überexpression von Mcl-1 zu einer Hemmung der Apoptoseinduktion. Im zweiten Teil der Arbeit wurde eine Mauslinie etabliert, welche spezifisch in Hepatozyten kein Mcl-1 exprimiert, um so die Bedeutung von Mcl-1 für die Leber in vivo zu untersuchen. Es zeigte sich, dass Mcl-1flox/flox-AlbCre-Mäuse bereits im Alter von acht Wochen eine verminderte Lebergröße aufweisen. Dies wurde verursacht durch spontane Apoptoseinduktion in den Mcl-1 negativen Hepatozyten. Hierdurch kam es zu einer Leberschädigung, ersichtlich durch erhöhte Transaminasenwerte, erhöhte Caspase-3-Aktivierung, und Schädigung der Gewebsstruktur. Zudem war als kompensatorischer Effekt die Zellproliferation erhöht, ohne dass sich jedoch das Lebergewicht an das von Kontrolltieren anglich. Interessanterweise kam es in Mcl-1flox/flox-AlbCre-Mäusen als Folge der chronischen Leberschädigung zur Entwicklung einer Leberfibrose, ersichtlich durch eine verstärkte Collageneinlagerung. Weiterhin reagierten Mcl-1flox/flox-AlbCre-Mäuse wesentlich empfindlicher gegenüber Todesrezeptor-vermittelter Apoptose. Diese Daten zeigen zum einen, dass Mcl-1 zur Apoptoseresistenz von HCC-Zellen beitragen kann. Zielgerichtete Therapien, welche die Expression von Mcl-1 hemmen, könnten folglich für die Therapie des HCCs von Interesse sein. Des Weiteren konnte in dieser Arbeit zum ersten Mal gezeigt werden, dass Mcl-1 ein zentraler anti-apoptotischer Faktor für Hepatozyten in vivo ist.

Lernen mit einer Hybride aus Lernendem Klassifizierendem System und Selbstorganisierender Karte

Im Forschungsgebiet der Künstlichen Intelligenz, insbesondere im Bereich des maschinellen Lernens, hat sich eine ganze Reihe von Verfahren etabliert, die von biologischen Vorbildern inspiriert sind. Die prominentesten Vertreter derartiger Verfahren sind zum einen Evolutionäre Algorithmen, zum anderen Künstliche Neuronale Netze. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Systems zum maschinellen Lernen, das Charakteristika beider Paradigmen in sich vereint: Das Hybride Lernende Klassifizierende System (HCS) wird basierend auf dem reellwertig kodierten eXtended Learning Classifier System (XCS), das als Lernmechanismus einen Genetischen Algorithmus enthält, und dem Wachsenden Neuralen Gas (GNG) entwickelt. Wie das XCS evolviert auch das HCS mit Hilfe eines Genetischen Algorithmus eine Population von Klassifizierern - das sind Regeln der Form [WENN Bedingung DANN Aktion], wobei die Bedingung angibt, in welchem Bereich des Zustandsraumes eines Lernproblems ein Klassifizierer anwendbar ist. Beim XCS spezifiziert die Bedingung in der Regel einen achsenparallelen Hyperquader, was oftmals keine angemessene Unterteilung des Zustandsraumes erlaubt. Beim HCS hingegen werden die Bedingungen der Klassifizierer durch Gewichtsvektoren beschrieben, wie die Neuronen des GNG sie besitzen. Jeder Klassifizierer ist anwendbar in seiner Zelle der durch die Population des HCS induzierten Voronoizerlegung des Zustandsraumes, dieser kann also flexibler unterteilt werden als beim XCS. Die Verwendung von Gewichtsvektoren ermöglicht ferner, einen vom Neuronenadaptationsverfahren des GNG abgeleiteten Mechanismus als zweites Lernverfahren neben dem Genetischen Algorithmus einzusetzen. Während das Lernen beim XCS rein evolutionär erfolgt, also nur durch Erzeugen neuer Klassifizierer, ermöglicht dies dem HCS, bereits vorhandene Klassifizierer anzupassen und zu verbessern. Zur Evaluation des HCS werden mit diesem verschiedene Lern-Experimente durchgeführt. Die Leistungsfähigkeit des Ansatzes wird in einer Reihe von Lernproblemen aus den Bereichen der Klassifikation, der Funktionsapproximation und des Lernens von Aktionen in einer interaktiven Lernumgebung unter Beweis gestellt.

Automatic induction of lexical features

This thesis concerns artificially intelligent natural language processing systems that are capable of learning the properties of lexical items (properties like verbal valency or inflectional class membership) autonomously while they are fulfilling their tasks for which they have been deployed in the first place. Many of these tasks require a deep analysis of language input, which can be characterized as a mapping of utterances in a given input C to a set S of linguistically motivated structures with the help of linguistic information encoded in a grammar G and a lexicon L: G + L + C → S (1) The idea that underlies intelligent lexical acquisition systems is to modify this schematic formula in such a way that the system is able to exploit the information encoded in S to create a new, improved version of the lexicon: G + L + S → L' (2) Moreover, the thesis claims that a system can only be considered intelligent if it does not just make maximum usage of the learning opportunities in C, but if it is also able to revise falsely acquired lexical knowledge. So, one of the central elements in this work is the formulation of a couple of criteria for intelligent lexical acquisition systems subsumed under one paradigm: the Learn-Alpha design rule. The thesis describes the design and quality of a prototype for such a system, whose acquisition components have been developed from scratch and built on top of one of the state-of-the-art Head-driven Phrase Structure Grammar (HPSG) processing systems. The quality of this prototype is investigated in a series of experiments, in which the system is fed with extracts of a large English corpus. While the idea of using machine-readable language input to automatically acquire lexical knowledge is not new, we are not aware of a system that fulfills Learn-Alpha and is able to deal with large corpora. To instance four major challenges of constructing such a system, it should be mentioned that a) the high number of possible structural descriptions caused by highly underspeci ed lexical entries demands for a parser with a very effective ambiguity management system, b) the automatic construction of concise lexical entries out of a bulk of observed lexical facts requires a special technique of data alignment, c) the reliability of these entries depends on the system's decision on whether it has seen 'enough' input and d) general properties of language might render some lexical features indeterminable if the system tries to acquire them with a too high precision. The cornerstone of this dissertation is the motivation and development of a general theory of automatic lexical acquisition that is applicable to every language and independent of any particular theory of grammar or lexicon. This work is divided into five chapters. The introductory chapter first contrasts three different and mutually incompatible approaches to (artificial) lexical acquisition: cue-based queries, head-lexicalized probabilistic context free grammars and learning by unification. Then the postulation of the Learn-Alpha design rule is presented. The second chapter outlines the theory that underlies Learn-Alpha and exposes all the related notions and concepts required for a proper understanding of artificial lexical acquisition. Chapter 3 develops the prototyped acquisition method, called ANALYZE-LEARN-REDUCE, a framework which implements Learn-Alpha. The fourth chapter presents the design and results of a bootstrapping experiment conducted on this prototype: lexeme detection, learning of verbal valency, categorization into nominal count/mass classes, selection of prepositions and sentential complements, among others. The thesis concludes with a review of the conclusions and motivation for further improvements as well as proposals for future research on the automatic induction of lexical features.