Diese Arbeit untersucht den Zusammenhang zwischen Mechanismen der translationalen Regulation und der Genomorganisation in Bakterien. Der erste Teil der Arbeit analysiert die Beziehung zwischen der Translationseffizienz von Genen und der Häufigkeit bestimmter Codons am Genanfang. Es ist bekannt, dass die Häufigkeitsverteilung der Codons am Anfang der Gene bei einigen Organismen eine andere ist als sonst im Genom. Durch die systematische Analyse von ungefähr 400 bakteriellen Genomen, evolutionären Simulationen und experimentellen Untersuchungen sind wir zu dem Schluss gekommen, dass die beobachtete Abweichung der Codonhäufigkeiten wohl eine Konsequenz der Notwendigkeit ist, RNA Sekundärstruktur in der Nähe des Translationsstarts zu vermeiden und somit eine effiziente Initiation der Translation zu gewährleisten. Im zweiten Teil der Arbeit untersuchen wir den Einfluss der Genreihenfolge innerhalb eines Operons auf die Fitness von E. coli. In bakteriellen Genomen vereint ein Operon funktionell zusammengehörige Gene, die in einer mRNA zusammen transkribiert werden und somit in der Expression stark korreliert sind. Daneben kann die translationale Kopplung, d. h. die Interdependenz der Translationseffizienz zwischen benachbarten Genen innerhalb einer solchen mRNA, eine bestimmte Proteinstöchiometrie weiter stabilisieren. Mithilfe eines Modells für die translationale Kopplung sowie für den Chemotaxis Signalweg konnten wir zeigen, dass die native Genreihenfolge eine der Permutationen ist, die am meisten zur Robustheit der Chemotaxis beitragen. Die translationale Kopplung ist daher ein wichtiger Faktor, der die Anordnung der Gene innerhalb des Chemotaxis Operon bestimmt. Diese Arbeit zeigt, dass die Anforderungen einer effizienten Genexpression sowie die Robustheit wichtiger zellulärer Funktionen einen Einfluss auf die Organisation eines Genoms haben können: einerseits bei der Wahl der Codons am Anfang der Gene, andererseits auf die Ordnung der Gene innerhalb eines Operons. / This work investigates the relationship between mechanisms of translational regulation and genome organization in bacteria. The first part analyzes the connection between translational efficiency and codon usage at the beginning of genes. It is known for some organisms that usage of synonymous codons at the gene start deviates from the codon usage elsewhere in the genome. By analyzing about 400 bacterial genomes, evolutionary simulations and experimental investigations, we conclude that the observed deviation of codon usage at the beginning of genes is most likely a consequence of the need to suppress mRNA structure around the ribosome binding site, thereby allowing efficient initiation of translation. We investigate further driving forces for genome organization by studying the impact of gene order within an operon on the fitness of bacterial cells. Operons group functionally related genes which are transcribed together as single mRNAs in E. coli and other bacteria. Correlation of protein levels is thus to a large extent attributed to this coupling on the transcriptional level. In addition, translational coupling, i.e. the interdependence of translational efficiency between neighboring genes within such a mRNA, can stabilize a desired stoichiometry between proteins. Here, we study the role of translational coupling in robustness of E. coli chemotaxis. By employing a model of translational coupling and simulating the underlying signal transduction network we show that the native gene order ranks among the permutations contributing most to robustness of chemotaxis. We therefore conclude that translational coupling is an important determinant of the gene order within the chemotaxis operon. Both these findings show that requirements for efficient gene expression and robustness of cellular function have a pronounced impact on the genomic organization, influencing the local codon usage at the beginning of genes and the order of genes within operons.

Für die erfolgreiche Lösung eines Optimierungsproblems ist die Wahl der verwendeten Suchstrategie von entscheidender Bedeutung. Die vorliegende Arbeit untersucht die Kriterien dieser Wahl. Dabei stellen sich drei grundlegende Fragen: Welche Strategien der Optimierung eines gegebenen Problems existieren überhaupt, und was für Eigenschaften besitzen sie? Wodurch wird der Charakter eines Optimierungsproblems bestimmt, und gibt es Klassen ähnlicher Probleme? Besteht eine Verbindung zwischen den Eigenschaften der Strategien und den Klassen der Probleme, die es ermöglicht, für jede Problemklasse eine geeignete Optimierungsstrategie anzugeben? Dazu wird zuerst die Klasse der Evolutionären Algorithmen naher betrachtet, deren generelles Verhalten die Boltzmannstrategie, Darwinstrategie oder Boltzmann-Darwin-Strategie beschreiben. Als weiteres Beispiel wird die Multitome Strategie untersucht. In ihr wird das Problem unter verschiedenen Gesichtspunkten betrachtet und in Einzelanforderungen zerlegt, die abwechselnd optimiert werden. Für den speziellen Fall der Dichotomen Strategie wird die allgemeine zeitabhängige Lösung mit Hilfe der Methode der Charakteristiken bestimmt. Zur Beantwortung der zweiten Frage wird die Zustandsdichte als klassifizierende Größe des Optimierungsproblems eingeführt. Sie kann unter Verwendung der Boltzmannstrategie während des Optimierungslaufes durch zwei allgemeine Approximationsmethoden: die Methode der stationären Verteilungen und die Eigenvektormethode bestimmt werden. Aus der Zustandsdichte erhält man den Wirkungsgrad der Zufallssuche. Er charakterisiert den Ordnungsgrad des Problems und stellt damit ein wichtiges Maß der Problemschwierigkeit dar. Die entscheidende dritte Frage wird für Probleme der Optimierung frustrierter Sequenzen, der Netzwerkoptimierung und für das Faltungsproblem der RNA behandelt. Mit der Einführung der Klassen gerichteter und ungerichteter Strategien, die für Optimierungsprobleme mit niedrigem bzw. hohem Wirkungsgrad der Zufallssuche effektiv sind, kann eine Verbindung zwischen dem Strategieverhalten und dem Problemcharakter hergestellt werden, die es ermöglicht, für eine konkrete Optimierungsaufgabe die Klasse der geeigneten Strategien zu wählen. / A crucial point of successful solving an optimization problem is the choice of the used strategy. The present paper investigates the criteria of this choice. Thereby three fundamental questions put themselves: Which strategies of the optimization of a given problem exist altogether, and which properties characterize the strategies? How is the character of an optimization problem determined, and are there classes of similar problems? Does a combination exist between the characteristics of the strategies and the classes of problems, which makes it possible to indicate a suitable strategy for each class? The class of the Evolutionary Algorithms is considered more closely. The general behavior of the algorithms can be described by the Boltzmann strategy, Darwin strategy or Boltzmann-Darwin strategy. As a further example the Multitomic strategy is explored. In this approach the problem is considered under different points of view and decomposes in single demands, which are optimized alternately. For the special case of the Dichotomic strategy the general time dependent solution is determined. To answer the second question the density of states is introduced as classifying measure of optimization problems. The density can be determined during the optimization course by two general approaches: the method of the stationary distribution and the eigenvalue method. From the density of states one receives the efficiency of the random search. It describes the degree of order of the problem and presents an measure of the problem difficulty. The important third question is treated for problems of the optimization of frustrated sequences, the network optimization and RNA folding. The introduction of the classes of directed and non directed strategies, which are effective for problems with low and high efficiency of the random search, establishes a connection between the strategy and the character of the problem, which makes it possible to choose the class of the suitable strategies for a given optimization task.