In der vorliegenden Arbeit wurden die Daten aus zwei Studien im Hinblick auf eine genetische Komponente der erfassten Pneumonie hin untersucht. Diese Untersuchung umfasst mehr als 1.500 Probanden aus der PROGRESS-Studie von CAPNETZ (3, 6) von denen 937 in der Arbeit analysiert werden konnten und 4.985 Probanden aus der LIFE-Adult-Studie (34). Da hier lediglich SNP-Daten vorlagen, war für die weitere Arbeit eine Schätzung der Daten zu den entsprechenden HLA-Allelen notwendig. Für diesen Schritt wurde die Axiom HLA-Analysis von Affymetrix (1, 2) sowie das SNP2HLA Tool des broadinstitute (7, 26) verwendet. Zur Validierung der verwendeten Imputationstools und der betrachteten Datengrundlage wurden enzymatisch bestimmte Daten von 70 Probanden aus der LIFE-Child Kohorte verwendet (46). Die Ergebnisse der HapMap-Referenz des SNP2HLA-Tools zeigten sich in diesem Vergleich den Ergebnissen der T1DGC-Referenz und den Ergebnissen von Axiom HLA-Analysis von Affymetrix unterlegen (Siehe 7.1 Validierung der HLA-Bestimmung mittels SNPArray). Der Einfluss der gemessenen SNP-Dichte wurde durch die Analyse der PROGRESS Studie durchgeführt. Hierbei wurde der im HLA-Bereich angereicherte CAP2-Array mit einem SNP-Datensatz verglichen, der lediglich die Schnittmenge zwischen dem CAP2 und dem CEU-Array enthielt. Daher erscheint die Anreicherung des CAP2-Arrays im HLA-Bereich förderlich für die Qualität der HLASchätzung (Siehe 7.3 Einfluss der SNP-Dichte des Datensatzes auf die Qualität der HLA-Schätzung). Im Hinblick auf den Einfluss einer zusätzlichen SNP-Imputation wurden die Daten aus der PROGRESS-Studie geschätzt durch die T1DGC-Referenz für die SNP-Imputation 1000Genomes Phase1 und Phase3 auf Basis des CEU-Arrays verwendet, wobei sich keine deutlichen Veränderungen der bestimmten HLA-Genotypen ergaben (Siehe 7.4 Einfluss einer vorangestellten SNP-Imputation auf die Schätzqualität). Über die zusätzliche vorgeschaltete SNP-Imputation konnte die Zahl der in die Analyse eingehenden SNP deutlich gesteigert werden (Siehe 6.6.3 SNP- Imputation). Im Hinblick auf den Infoscore-Äquivalenzwert zeigte sich bei den Schätzungen auf Basis von Affymetrix Axiom HLA-Analysis keine deutliche Veränderung auf Basis unterschiedlicher Datengrundlagen. Bei der T1DGC war bei der Betrachtung des Infoscores über alle Loci ein Abfall zu beobachten, der ebenfalls, wie oben beschrieben, nivelliert werden konnte (Siehe 7.4 Einfluss einer vorangestellten SNPImputation auf die Schätzqualität). Im Hinblick auf die Anzahl an HLA-Allelen mit einem Infoscore ungleich 0, zeigte sich bei der SNP-Imputation 1000Genomes Phase3 auf Basis des CAP2-Arrays eine größere Vielfalt der bestimmten Allele, als bei CAP2. In der Darstellung durch ein Box-Plot erscheinen die Abweichungen vom CAP2-Array bei der Axiom HLA-Analysis zufällig. Auf Basis dessen wurde für die finalen Analysen die SNP-Imputation 1000Genomes Phase3 auf Basis des CEU-Array ausgewählt (Siehe 7.4 Einfluss einer vorangestellten SNPImputation auf die Schätzqualität). Im Vergleich zeigte sich bei Affymetrix Axiom HLA-Analysis eine höhere Konsistenz zwischen den betrachteten Schätzungen (1000Genomes Phase 1 zu 1000Genomes Phase 3), als bei der T1DGC-Referenz. Zwischen den beiden Tools liegt eine hohe Übereinstimmung von 96,65 % (1000Genomes Phase1) und 96,69 % (1000Genomes Phase3) vor. In den Bland-Altman-Diagrammen zeigte sich eine tendenziell höhere Sicherheit des Affymetrix-Tools bei Loci mit einem mittleren Infoscore-Äquivalenzwert von 0,7 und kleiner auf. Bei dem Vergleich wurden die Loci DRB3, DRB4 und DRB5 nicht berücksichtigt (Siehe 7.6 Vergleich Affymetrix Axiom HLA-Analysis und SNP2HLA bezüglich der Schätzungsqualität). Nach Korrektur gemäß Bonferroni ist hier bei DQB1*501 mit einem p von 0,004 (nach Korrektur: 0,036) ein signifikantes Ergebnis zu beobachten. Die Analyse auf den schweren Verlauf, der in Tod, intensivmedizinischer Überwachung oder in einer indizierten Beatmung des Patienten besteht, zeigte ebenso einen p<0,05 (0,009 nach Korrektur gemäß Bonferroni) bei DQB1*501, der hier mit einem Regressionskoeffizienten von 0,98 ein Risikofaktor zu sein scheint (Siehe 7.8 Assoziation des HLA-Locus mit der Verlaufsschwere von Pneumonieerkrankungen). In der statistischen Auswertung der LIFE-Daten unter Betrachtung der Fragestellung, ob in der Krankengeschichte des Patienten jemals eine Pneumonie vorgekommen ist, konnten keine statistisch signifikanten Ergebnisse nachgewiesen werden. In der Analyse der Fragestellung nach einer hospitalisierten Pneumonie konnte trotz eines Effektes im Chi²-Test kein einzelnes Allel als Risikofaktor identifiziert werden (Siehe 7.9 Der Einfluss des HLA-Locus auf die Suszeptibilität für Pneumonieerkrankungen). Dementsprechend lassen sich auf Basis dieser Arbeit Hinweise auf eine genetische Komponente in der Entstehung und dem Verlauf der CAP ableiten, die in weiteren Studien näher untersucht und statistisch verifiziert werden sollten.:1 Abkürzungsverzeichnis 2 Tabellenverzeichnis 3 Abkürzungsverzeichnis 4 Zielsetzung der Arbeit 4.1 Vergleichbarkeit von HLA-Genotypisierung mit HLA-Schätzung 4.2 Vergleich der geschätzten HLA-Frequenzen mit Referenzdaten 4.3 Einfluss der SNP-Dichte auf die Güte der HLA-Schätzung durch Vergleich verschiedener Arrays 4.4 Einfluss der SNP-Dichte auf die Güte der HLA-Schätzung unter vorgeschalteter SNP Imputation 4.5 Vergleich der betrachteten Loci hinsichtlich Güte der HLA-Schätzung 4.6 Vergleich existierender Tools hinsichtlich Güte der HLA-Schätzung 4.7 HLA-Assoziationen mit dem Schwereverlauf von Pneumonieerkrankungen 4.8 HLA-Assoziationen mit der Suszeptibilität für Pneumonieerkrankungen 5 Biologische Einführung 5.1 HLA Einführung 5.2 HLA-Klasse-I-Antigene 5.3 HLA Klasse-II-Antigene 5.4 HLA-Polymorphismus und Kopplungsungleichgewicht 5.5 Festlegung der HLA-Region 5.6 HLA-Typisierung 5.7 HLA-assoziierte Erkrankungen 5.8 Pneumonie – CAP 6 Material und Methoden 6.1 LIFE-Child – Studienbeschreibung 6.2 LIFE-Adult – Studienbeschreibung 6.3 PROGRESS – Studienbeschreibung 6.4 Tools zur Schätzung von HLA-Genotypen aus SNP-Daten 6.5 Analysedatensätze PROGRESS SNP2HLA 6.6 Analysedatensätze PROGRESS Affymetrix 6.7 Analysedatensätze LIFE-Child 6.8 Analysedatensätze LIFE-Adult 6.9 Übersicht aller Analysedatensätze 6.10 Vergleich der Allelfrequenzen mit einer Bevölkerungsreferenz 6.11 Hardy-Weinberg-Equilibrium für HLA-Allele 6.12 Statistische Auswertung 7 Ergebnisse 7.1 Validierung der HLA-Bestimmung mittels SNP-Array 7.2 Vergleich der Häufigkeit der geschätzten HLA-Allele mit der Häufigkeit in der Bevölkerungsreferenz 7.3 Einfluss der SNP-Dichte des Datensatzes auf die Qualität der HLA-Schätzung 7.4 Einfluss einer vorangestellten SNP-Imputation auf die Schätzqualität 7.5 Vergleich der betrachteten HLA-Loci bezüglich der Schätzqualität 7.6 Vergleich Affymetrix Axiom HLA-Analysis und SNP2HLA bezüglich der Schätzungsqualität 7.7 Assoziation von HLA-Genotypen mit Suszeptibilität und Verlauf der Pneumonie 7.8 Assoziation des HLA-Locus mit der Verlaufsschwere von Pneumonieerkrankungen 7.9 Der Einfluss des HLA-Locus auf die Suszeptibilität für Pneumonieerkrankungen 8 Diskussion 8.1 Validierung der HLA-Schätzung mittels SNP-Array 8.2 Vergleich der Häufigkeit der geschätzten HLA-Allele mit der Häufigkeit in der Bevölkerungsreferenz 8.3 Einfluss der gemessenen SNP-Dichte auf die Schätzungsqualität 8.4 Einfluss einer zusätzlichen SNP-Imputation auf die Schätzungsqualität 8.5 Vergleich der betrachteten Loci bezüglich der Schätzungsqualität 8.6 Vergleich Affymetrix Axiom HLA-Analysis und SNP2HLA bezüglich der Schätzungsqualität 8.7 Assoziation des HLA-Locus mit der Verlaufsschwere von Pneumonieerkrankungen 8.8 Der Einfluss des HLA-Locus auf die Suszeptibilität für Pneumonieerkrankungen 9 Zusammenfassung 10 Thesen 11 Literaturverzeichnis 12 Anhang 13 Erklärung über die eigenständige Abfassung der Arbeit 14 Tabellarischer Lebenslauf 15 Danksagung