22455 research outputs found
Sort by
Psychosoziale Gesundheit von Kindern und Jugendlichen in Belastungssituationen
Get PDFKinder und Jugendliche müssen aufgrund ihrer besonderen Vulnerabilität gegenüber Stressoren vor Belastungssituationen und Krisen geschützt und im Umgang mit denselben gestärkt werden. Damit Kinder und Jugendliche kritische Lebensereignisse und Entwicklungsaufgaben meistern und mit Belastungen in verschiedenen Lebenssituationen umgehen können, ist es wichtig, ihre Resilienz zu steigern sowie adäquate Unterstützungsstrukturen zur Förderung der Resilienz aufzubauen. Im Rahmen der vorliegenden Arbeit wurden in zwei Projekten in unterschiedlichen Settings niedrigschwellige Interventionen zur Aufrechterhaltung der psychosozialen Gesundheit und des Wohlbefindens von Kindern und Jugendlichen untersucht.
In Projekt I wurde das Child Life Specialist (CLS)-Programm am Dr. von Haunerschen Kinderspital in München untersucht, ein neuartiges psychosoziales Versorgungsangebot für junge Pati- ent*innen im Kinderkrankenhaus, das auf die Förderung der Resilienz im Umgang mit potentiell belastenden Krankenhauserfahrungen abzielt. Ein Krankenhausaufenthalt ist für Kinder und Jugendliche aufgrund verschiedener Stressoren eine belastende Situation. Gleichzeitig schränken Sparmaßnahmen und Personalmangel häufig eine alters- und entwicklungsgerechte Behandlung der jungen Patient*innen ein. CLS, als psychosoziale Fachkräfte mit einer Spezialisierung in der Entwicklung und Gesundheit von Kindern und Jugendlichen, können eine bedürfnisorientierte Betreuung von Patient*innen im Kinderkrankenhaus stärken. Der Einsatz von CLS, die beispielsweise altersangemessene, medizinische Aufklärung, therapeutisches Spiel oder Unterstützungsarbeit für Eltern und Geschwister anbieten, ist in Deutschland noch nicht verbreitet. Am Dr. von Haunerschen Kinderspital in München wird seit 2020 ein CLS-Programm aufgebaut, um eine an den Bedürfnissen und Rechten der Patient*innen orientierte Betreuung auszubauen. Dieser im deutschen Gesundheitssystem neuer Versorgungsansatz wurde im Rahmen folgender Subprojekte evaluiert:
i) Sichten der relevanten CLS-Literatur: Bis zum Jahr 2021 bestand die CLS-Literatur primär aus Leitlinien der Zertifizierungsorganisationen aus den USA und klinischen Berichten; empirische Publikationen waren selten.
ii) Systematischer Review zu den Effekten von CLS-Interventionen aus randomisierten kontrollierten Studien (RCTs) auf psychische Gesundheitsparameter von Kindern und Jugendlichen im Krankenhaus: in den eingeschlossenen RCTs wurden signifikante Effekte von CLS-Interventionen auf Angst, Schmerz und Stress berichtet. Aufgrund des mittleren bis hohen Verzerrungsrisikos ist weitere Forschung in diesem Bereich notwendig.
iii) Entwicklung eines logischen Modells zur Visualisierung des komplexen CLS-Pro- gramms, inklusive relevanter Details zu Population, Intervention, Outcomes, Imple- mentierung und Kontext, sowie zur Planung der weiteren Evaluationsprojekte.
iv) Prozessevaluation des CLS-Programms mit 15 qualitativen Einzelinterviews zur Untersuchung der Implementierung: Es wurden verschiedene Einflussfaktoren der Implementierung identifiziert, die die weitere Umsetzung des Programms im Kinderspital, aber auch in anderen Settings, unterstützen können.
v) Qualitätsmanagement-Befragung von Patient*innen und Eltern: zum Zeitpunkt der Befragung waren nur wenige CLS verfügbar; dennoch zeigten sich Patient*innen und Eltern zufrieden mit der Arbeit der CLS.
vi) Durchführung eines „Children’s Councils“ zur partizipativen Beteiligung von Pati- ent*innen an einem Forschungsprojekt: ein digitales Beteiligungsformat wurde erfolg- reich pilotiert und Erkenntnisse bzgl. notweniger Adaptionen im diskutierten Studienprotokoll generiert.
Projekt II der vorliegenden Arbeit entstand aus einem akuten Handlungsbedarf heraus während der Covid-19-Pandemie. Zahlreiche Belastungen wie Schulschließungen und Kontaktbeschränkungen führten zu vielfältigen negativen psychosozialen Effekten der Pandemie auf Kinder und Jugendliche. In dieser Situation war es notwendig, Strategien zu entwickeln, wie die psychische Gesundheit von Kindern und Jugendlichen aufrechterhalten bzw. trotz herrschender Widerstände gefördert werden konnte. Hierzu wurde ein systematischer Review mit Metaanalyse durchgeführt, um Interventionen zu identifizieren, die die Resilienz der jungen Menschen steigern und negative Effekte der Pandemie abmildern können. Die Auswertung der narrativen Synthese und der Metaanalyse zeigten, dass erste Ansätze für Interventionen in diesem Bereich existieren und dass positive Effekte auf Angst und depressive Symptome zu verzeichnen sind. Um auf zukünftige Krisen vorbereitet zu sein und die besonders vulnerable Gruppe von Kindern und Jugendlichen besser zu schützen, müssen effektive und evidenzbasierte Interventionen zur Verbesserung der psychischen Gesundheit weiterentwickelt und evaluiert werden.
Die Stärkung der Resilienz von Kindern und Jugendlichen ist in verschiedenen Settings relevant und niedrigschwellige psychosoziale Interventionen können hier einen wichtigen Beitrag leisten. Kindern und Jugendlichen in verschiedenen Belastungs- bzw. Krisensituationen ein gesundes Aufwachsen zu ermöglichen und sie auf potentielle Herausforderungen bestmöglich vorzubereiten, ist nicht nur eine relevante Public Health Strategie und die Aufgabe von Gesundheitsförde- rungs- und Präventionsprojekten, sondern erfüllt auch die Ansprüche der Kinderrechtskonvention der Vereinten Nationen.Due to their particular vulnerability to stressors, children and adolescents must be protected from stressful situations and crises, and strengthened in dealing with the same. In order to master critical life events and developmental tasks, and to cope with stress in different life situations, it is important to increase children’s and adolescents’ resilience and to build adequate support structures to promote resilience. In the context of the present work, low-threshold interventions to maintain the psychosocial health and well-being of children and adolescents were investigated in two projects in different settings.
Project I deals with the Child Life Specialist (CLS) program at the Dr. von Hauner Children’s Hospital in Munich, a novel psychosocial care service for young patients in children's hospitals that aims to promote resilience in dealing with potentially stressful hospital experiences. Hospitalization is a stressful situation for children and adolescents due to various stressors. At the same time, cost-cutting measures and staff shortages limit age- and developmentally appropriate treatment of young patients. CLS, as psychosocial professionals with a specialization in child and adolescent development and health, can strengthen needs-based care for patients in children's hospitals. The profession of CLS, who for example offer age-appropriate medical education, therapeutic play or support for parents and siblings, is not yet established in Germany. At Dr. von Hauner Children's Hospital in Munich, a CLS program has been established since 2020 to expand needs and rights oriented care of young patients. This new approach in the German healthcare system was evaluated in the following subprojects:
(i) Scoping of relevant CLS literature: until 2021, the CLS literature primarily consisted of guidelines from certifying organizations in the United States and clinical reports; empirical publications were rare.
(ii) Systematic review of the effects of CLS interventions from randomized controlled trials (RCTs) on mental health parameters of hospitalized children and adolescents: significant effects of CLS interventions on anxiety, pain, and stress were reported in the included RCTs. Due to the moderate to high risk of bias, further research is needed in this area.
(iii) Development of a logic model to visualize the complex CLS program, including relevant details on population, intervention, outcomes, implementation, and context; served as a plan for further evaluation projects.
(iv) Process evaluation of the CLS program with 15 individual qualitative interviews to examine the implementation: various factors influencing the implementation were identified that may support further implementation of the program at the Dr. von Hauner Children's Hospital, as well as in other settings.
(v) Quality management survey of patients and parents: at the time of the survey, only few CLS were available; nevertheless, patients and parents expressed satisfaction with the work of the CLS.
(vi) Implementation of a "Children's Council" for the participatory involvement of patients in a research project: a digital participation format was successfully piloted and findings regarding necessary adaptations in the discussed study protocol were generated.
Project II of the present work arose out of an acute need for action during the Covid-19 pandemic. Numerous stressors such as school closures and contact restrictions led to multiple negative psychosocial effects of the pandemic on children and adolescents. In this situation, it was necessary to develop strategies to maintain and promote the mental health of children and adolescents despite prevailing difficulties. Therefore, a systematic review with meta-analysis was conducted to identify interventions that could increase resilience in young people and mitigate negative effects of the pandemic. The narrative synthesis and meta-analysis showed that initial approaches to interventions in this area exist and that positive effects on anxiety and depressive symptoms can be observed. To be prepared for future crises and to better protect the particularly vulnerable group of children and adolescents, effective and evidence-based interventions to improve mental health need to be further developed and evaluated.
Strengthening the resilience of children and adolescents is relevant in various settings and low- threshold psychosocial interventions can make an important contribution here. Enabling children and adolescents to grow up healthily in various stressful situations and preparing them for potential challenges is not only a relevant public health strategy and the task of health promotion and prevention projects, but also meets the requirements of the United Nations Convention on the Rights of the Child
Mechanistic insights into Superoxide Dismutase (SOD) mimicry by metal complexes with redox-active ligands
Get PDFErhebung der Intensität und klinischen Ergebnisse von Collaborative Care als komplexe Intervention für Depression in der hausärztlichen Primärversorgung
Get PDFPreclinical evaluation of histone deacetylase inhibitors for epigenetic therapy of diffuse large B-cell lymphoma
Get PDFThis dissertation evaluates the therapeutic potential of newly synthesized histone deacetylase inhibitors (HDACi) for the treatment of diffuse large B-cell lymphoma (DLBCL). The study focused on the preclinical assessment of 41 HDACi across various lymphoma cell lines. Among these, YAK477 emerged as a particularly promising candidate, showing selective cytotoxicity in cell lines harboring CREBBP mutations. In addition to in vitro cytotoxicity, the tumor microenvironment was studied using co-culture systems with stromal cells.In dieser Dissertation wurde das therapeutische Potenzial neu entwickelter Histondeacetylase-Inhibitoren (HDACi) für die Behandlung des diffusen großzelligen B-Zell-Lymphoms (DLBCL) untersucht. Im Fokus stand die präklinische Analyse von 41 HDACi auf verschiedenen Lymphomzelllinien. Durch umfangreiche Viabilitätsassays und genetische Analysen konnte YAK477 als besonders vielversprechender Wirkstoff identifiziert werden, insbesondere in Zelllinien mit CREBBP-Mutationen. Neben zellulären Effekten wurde auch die Rolle der Tumormikroumgebung beleuchtet, wobei Ko-Kultur-Modelle mit Stromazellen zum Einsatz kamen
Quantum machine learning for large-scale classical datasets with applications in earth observation
Get PDFBig satellite datasets are used to monitor the Earth's surface or for Earth observation challenges like land cover changes. They enable leveraging artificial intelligence, including machine and deep learning, for detecting changes on the ground. Compared to conventional computational algorithms, artificial intelligence helps find better optimal solutions to Earth observation challenges involving big datasets. Decision-makers and policymakers already extensively use these solutions to make fast, safety-critical, and human-centered decisions.
Quantum machine learning inspired by quantum algorithms promises to process some data-driven tasks faster than its conventional counterparts. We aim to use various benchmark satellite datasets to develop and benchmark quantum machine learning approaches with traditional artificial intelligence models. There are three main issues for processing quantum machine learning on benchmark satellite datasets: 1. Which machine learning task for big satellite datasets and which satellite data-driven task can be efficiently and effectively processed on a quantum computer? 2. how to embed large-dimensional satellite data points in input quantum states, and 3. how to profit from both supercomputers and quantum computers.
To find a scientific answer to these three questions, we examine and identify both machine learning and satellite data-driven tasks that can be deployed on a quantum computer, otherwise inherently intractable. We then propose the encoding strategy of classical problems involving big satellite datasets in a quantum computer, named two-level encoding. Further, we design and investigate quantum machine learning approaches for a quantum annealer and a noisy intermediate-scale quantum computer for supervised learning tasks.
For supervised learning tasks, the performance of our quantum machine learning approaches is already competitive (and even better in some instances) compared to the ones of their classical counterparts. Additionally, we estimate the quantum resource required to gain an advantage over a supercomputer and profit from a supercomputer and a quantum computer. Doing so gives us insights into a future fault-tolerant quantum computer for tackling practical computational problems.Man benutzt große Datensätze, um die Oberfläche der Erde zu überwachen oder für Erdbeobachtungsaufgaben wie Veränderungen der Bodenbedeckung. Diese Datensätze erlauben es, künstliche Intelligenz einschließlich maschinellem Lernen und Deep Learning einzusetzen, um Veränderungen auf der Erdoberfläche zu entdecken. Im Vergleich zu konventionellen Rechenverfahren hilft künstliche Intelligenz, bessere optimale Lösungen für Erdbeobachtungsaufgaben mit großen Datensätzen zu finden. Entscheidungsträger und politische Entscheider nutzen diese Lösungen bereits ausführlich, um schnelle sicherheitskritische sowie menschenzentrierte Entscheidungen zu treffen.
Dabei verspricht maschinelles Lernen mit Quantencomputern, basierend auf Quantenalgorithmen, einige Aufgaben schneller zu lösen als es datengesteuerte konventionelle Alternativen erlauben. Wir versuchen hier, verschiedene Referenzdatensätze von Satellitendaten zu nutzen, um Vorgehensweisen für maschinelles Lernen auf Quantencomputern mithilfe von traditionellen Modellen der künstlichen Intelligenz zu entwickeln und zu bewerten. Hier gibt es drei Hauptaufgaben bei der Verarbeitung von maschinellem Lernen auf Quantencomputern mit Referenzdatensätzen von Satelliten: 1. Welche Aufgaben des maschinellen Lernens für große Datensätze von Satelliten und welche datengesteuerten Aufgaben von Satelliten kann man effizient und tatsächlich auf einem Quantencomputer berechnen? 2. Wie kann man hochdimensionale Datenpunkte von Satelliten in Eingabe-Quantenzustände einbetten? sowie 3. Wie kann man sowohl Supercomputer als auch Quantencomputer gemeinsam profitabel ausnutzen?
Um eine wissenschaftlich fundierte Antwort auf diese drei Fragen zu erhalten, untersuchen und identifizieren wir sowohl Aufgaben des maschinellen Lernens als auch datengesteuerte Aufgaben von Satelliten, die auf einen Quantencomputer verteilt werden können und sonst von sich aus unlösbar wären. Danach schlagen wir unsere Encoding-Strategie für klassische Aufgabenstellungen mit großen Datensätzen von Satelliten für einen Quantencomputer vor, nämlich ein zweistufiges Encoding. Darüber hinaus entwerfen und untersuchen wir Quanten-Lernansätze für einen Quantenannealer und einen störanfälligen mittelgroßen Quantencomputer für Aufgaben mit überwachtem Lernen.
Für Aufgaben mit überwachtem Lernen ist die Leistung unserer Quantenansätze für maschinelles Lernen bereits konkurrenzfähig (und für einige Fälle sogar besser) als klassische Vergleichsansätze. Zusätzlich schätzen wir die benötigten Quantenressourcen, die nötig sind, um besser zu sein als ein Supercomputer und um von einem kombinierten Supercomputer mit Quantencomputer zu profitieren. Dies gibt uns Einblicke in zukünftige fehlertolerante Quantencomputer, um praktische Berechnungsaufgaben anzugehen
Inflammatory pathways as drug targets for autoimmune disease
Get PDFInflammation contributes to the pathophysiology underlying multiple human diseases, including allergic and autoimmune disease, cardiometabolic disease and cancer. Circulating cytokines are central in orchestrating inflammation and immune responses and are increasingly recognized as promising targets for therapeutic interventions. Indeed, cytokine-based immunotherapies are already approved and part of the therapeutic armamentarium for autoimmune diseases and cancer. Nevertheless, repurposing of cytokine-based compounds to other conditions, for example to cardiovascular disease, remains limited due to efficacy and safety issues. Development and validation of drug targets with the help of human genomics received much attention in recent years with increased data availability and low costs showing enormous potential. Researchers quantifying the added value of genomics for drug development have shown that compounds backed-up by in-silico data are more than twice as likely to receive marketing approval compared to targets without genetic support. During my MD project, I conducted the largest genomewide association study (GWAS) to date on a panel of 40 circulating cytokines, encompassing 74.783 individuals, followed by extensive post-GWAS analyses including transcriptome-wide association studies followed by Mendelian randomization (TWAS-MR), drug-target MR and colocalization to study the genetic architecture of circulating cytokines and uncover novel drug targets for human diseases. In my analysis, I identified a total of 359 significant associations between circulating cytokine levels and genetic variants, spanning 169 distinct genomic loci. By integrating the GWAS findings with transcriptomic data, I uncovered crucial regulatory mechanisms underlying cytokine expression.
For instance, the analysis revealed a significant role of ACKR1 in buffering multiple chemokines, acting as a scavenger to regulate their levels effectively. Additionally, I identified TRAFD1 as a key modulator of the cytokine storm induced by TNF signaling.
Cross-cytokine MR analysis unveiled a complex network of interconnections among cytokines, with TNF-b, VEGF, and IL-1ra emerging as central players with pleiotropic downstream effects on multiple other cytokines. Employing drug-target MR in conjunction with colocalization analysis, I uncovered potential causal mediators underlying specific diseases. Notably, my analysis identified G-CSF and CXCL9/MIG as potential drivers of asthma and Crohn’s disease, respectively. Additionally, I observed a potentially protective role of TNF-b in multiple sclerosis. My findings offer a comprehensive insight into the genetic landscape governing circulating cytokines, paving the way for targeted immunotherapy development
Statistical techniques for sparse compositional count data with applications to high-throughput single-cell RNA and amplicon sequencing
Get PDFHigh-throughput sequencing (HTS) methods enable researchers to analyze the type and function of large numbers of cells either in bulk, for example by amplicon sequencing for microbiome analysis, or individually through single-cell RNA sequencing (scRNA-seq).
The primary data structures for both technologies are high-dimensional count matrices: Amplicon sequencing data typically describes the abundance of microbial taxa in each sample, while scRNA-seq yields expression counts of genes for each of the sequenced cells.
Additionally, determining the type of each cell in a scRNA-seq experiment with multiple samples allows aggregation into a sample by cell-type count matrix, similar to amplicon sequencing.
In both cases, changes in the feature composition under demographic, phenotypical, or environmental covariates are of particular interest, but such differential abundance (DA) analysis is not straightforward from a statistical perspective.
HTS abundance datasets often contain more features than samples, warranting specific care in the selection of statistically relevant effects, while low sample sizes in scRNA-seq and high sparsity in microbial abundance data pose further challenges for the development of suitable statistical methods.
Finally, technological limitations induce an upper bound on the sequencing depth for each sample, which makes accounting for compositional effects a necessity.
This dissertation comprises three areas of articles, each providing one or two contributions in compositional analysis or general statistical processing of HTS data. They are preceded by an introductory part detailing the statistical foundations for the methods used throughout the contributions.
The first section of articles is concerned with Bayesian modeling and differential abundance testing of high-throughput sequencing data and consists of two articles.
In the first contribution, scCODA, a generative model for DA testing of cell-type compositions from scRNA-seq, is introduced.
scCODA uses a Dirichlet-Multinomial model to account for the compositional constraints and performs model selection through spike-and-slab priors and thresholding on the posterior inclusion probability.
Additionally, the automatic or manual selection of a reference feature ensures full identifiability of the model.
The second publication notes the hierarchical structure of microbial taxa and cell-types alike and extends scCODA to consider aggregated effects on the nodes of the underlying feature tree.
The resulting model, called tascCODA, utilizes spike-and-slab LASSO priors and hierarchically adaptive regularization penalties to find differentially abundant features and groups of features over the entire tree.
Simulation studies and applications to scRNA-seq data show that scCODA and tascCODA have better FDR control than other DA testing methods in low- to moderate sample-size settings and select biologically relevant effects.
The second section contains a manuscript on cosmoDA, a method for DA testing of HTS abundance data in the presence of feature-feature correlations.
By modeling compositional data through a-b power interaction models, a generalization of the multivariate logistic normal distribution, cosmoDA detects and avoids spurious effects caused by first-order associations between features.
In addition, score matching optimization allows for very efficient parameter estimation of the proposed model, while penalized estimation of the interaction matrix ensures model identifiability.
The contribution further examines the use of Box-Cox transformations in conjunction with the a-b power interaction model family to eliminate the need for zero imputation in compositional data.
The manuscripts in the final part of the thesis define best practices for the analysis of scRNA-seq data.
The first contribution provides a framework for automatic statistical processing of gene expression data from single-cell sequencing on bacteria, called BacSC.
The pipeline combines ideas from data thinning and comparisons with negative control data to automate the selection of hyperparameters for dimension reduction, visualization, and clustering, and guarantees FDR control under ``double dipping” conditions in differential gene expression testing.
BacSC further accounts for the extreme zero inflation and low sequencing depth of bacterial scRNA-seq data during variance stabilization and presents improvements to null data generation under these conditions.
The second contribution in this section provides best practices and example workflows for researchers when performing compositional analysis of scRNA-seq data with scCODA and tascCODA.Hochdurchsatz-Sequenzierungsverfahren (HDS) ermöglichen Forschenden, Typ und Funktion von großen Mengen an Zellen zu analysieren - entweder in ihrer Gesamtheit, zum Beispiel mithilfe von Amplicon-Sequenzierung in der Mikrobiomanalyse, oder individuell durch Einzelzellsequenzierung.
Die primäre Datenstruktur für beide Technologien sind hochdimensionale Matrizen mit Zähldaten: Amplicon-Sequenzierung beschreibt typischer-weise die Häufigkeit mikrobieller Taxa in jeder Stichprobe, während Einzelzellsequenzierung die Expressionslevel von Genen in jeder betrachteten Zelle liefert.
Zusätzlich kann durch Bestimmung des Typs jeder Zelle in einem Einzelzellsequenzierungsexperiment eine Aggregation in eine Datenmatrix mit Stichproben und Zelltypen vorgenommen werden, welche denen der Amplicon-Sequenzierung ähnelt.
In beiden Fällen sind Veränderungen der Komposition unter demographischen, phäno-typischen, oder umweltbezogenen Kovariaten von besonderem Interesse, wenngleich eine solche Analyse der diffenziellen Abundanz (DA) nicht trivial ist.
HDS-Abundanzdaten enthalten oft mehr Komponenten als Stichproben, was besondere Vorsicht bei der Auswahl statistisch relevanter Effekte erfordert.
Weiterhin stellen kleine Stichprobengrößen in der Einzelzellanalyse und dünnbesetzte mikrobielle Abundanzdaten weitere Herausforderungen für die Entwicklung geeigneter statistischer Methoden dar.
Zuletzt rufen technische Einschränkungen eine Obergrenze in der Sequenzierungstiefe jeder Stichprobe hervor, was die Berücksichtigung kompositioneller Effekte notwendig macht.
Diese Dissertation besteht aus drei Abschnitten mit Artikeln, von denen jeder einen oder zwei Beiträge zur Kompositionsanalyse oder genereller statistischer Verarbeitung von HDS-Daten enthält. Demzuvor steht ein einleitender Teil, welcher die statistischen Grundlagen für die in den Artikeln verwendeten Methoden darlegt.
Der erste Satz an Artikeln beschäftigt sich mit Bayesscher Modellierung und Tests zur differentiellen Abundanz in Hochdurchsatz-Sequenzierungsdaten und umfasst zwei Artikel.
Im ersten Artikel wird scCODA, ein generatives Modell zur DA-Analyse von Zelltyp-Kompositionen aus der Einzelzellanalyse, vorgestellt.
scCODA verwendet ein Dirichlet-Multinomialmodell zur Berücksichtigung der kompositionellen Bedingungen und führt Modellselektion mittels spike-and-slab Verteilungen und Schwellenwertsetzung auf deren Inklusionswahrscheinlichkeiten durch.
Zusätzlich garantiert die automatische oder manuelle Auswahl einer Referenzkomponente volle Identifizierbarkeit.
Die zweite Publikation beschäftigt sich mit den hierarchischen Strukturen von mikrobiellen Taxa und Zelltypen und erweitert scCODA um aggregierte Effekte auf den inneren Knoten des zugrundeliegenden Baumes.
Dieses Modell, tascCODA genannt, werwendet spike-and-slab LASSO-Verteilungen und hierarchisch adaptive Regularisierungsstärken, um sich verändernde Komponenten und Gruppen von Komponenten zu identifizieren.
Simulationsstudien und Anwendungen auf reelle Hochdurchsatz-Sequenzierungsdaten zeigen, dass scCODA und tascCODA die Falscherkennungsrate in Szenarien mit niedriger bis moderater Dimensionalität besser als vergleichbare Methoden kontrollieren und biologisch relevante Effekte erkennen.
Der zweite Abschnitt enthält ein Manuskript zu cosmoDA, eine Methode für DA-Tests auf HDS-Abundanzdaten unter der Berücksichtigung von Interaktionen zwischen den Komponenten.
Durch die Modellierung von Kompositionsdaten durch a-b Power Interaction Modelle, eine Generalisierung der multivariaten Logit-Normalverteilung, kann cosmoDA falsch positive Effekte, hervorgerufen durch paarweise Interaktion zwischen Komponenten, erkennen und vermeiden.
Zusätzlich ermöglicht Score Matching-Optimierung effiziente Parameterschätzung des Modells, während regularisierte Schätzung der Interaktionen Identifizierbarkeit garantiert.
Der Beitrag untersucht desweiteren die Möglichkeit zur Vermeidung der Imputation von Nulleinträgen durch die Verwendung von Box-Cox-Transformationen im Zusammenhang mit der a-b Power Interaction-Modellfamilie.
Die Artikel im letzten Teil der Arbeit definieren beste Verfahrensweisen für die Analyse von Einzelzell-Sequenzierungsdaten.
Der erste Beitrag stellt ein Verfahren für die automatisierte statistische Verarbeitung von bakteriellen Einzelzellsequenzierungsdaten mit Namen BacSC vor.
Das Verfahren kombiniert Ideen aus dem data thinning und Vergleiche mit negativen Kontrolldaten, um die Selektion von Hyperparametern zur Dimensionsreduktion, Visualisierung und Gruppierung zu automatisieren, sowie die Falscherkennungsrate unter ``double dipping"-Bedingungen in der differentiellen Genexpressionsanalyse zu kontrollieren.
BacSC berücksichtigt weiterhin die extreme Nullinflation und geringe Sequenzierungstiefe bakterieller Einzelzellsequenzierungsdaten während der Varianzstabilisierung und zeigt Verbesserungen bei der Generierung von Nulldaten unter diesen Bedingungen.
Der zweite Beitrag in diesem Abschnitt definiert beste Vorgehensweisen und Beispielana-lysen für Forscher bei der Kompositionsanalyse von Einzelzellsequenzierungsdaten mit scCODA und tascCODA