Feeds werden unter anderem eingesetzt, um Nutzer in einem einheitlichen Format und in aggregierter Form über Aktualisierungen oder neue Beiträge auf Webseiten zu informieren. Da bei Feeds in der Regel keine Benachrichtigungsfunktionalitäten angeboten werden, müssen Interessenten Feeds regelmäßig auf Aktualisierungen überprüfen. Die Betrachtung entsprechender Techniken bildet den Kern der Arbeit. Die in den verwandten Domänen Web Crawling und Web Caching eingesetzten Algorithmen zur Vorhersage der Zeitpunkte von Aktualisierungen werden aufgearbeitet und an die spezifischen Anforderungen der Domäne Feeds angepasst. Anschließend wird ein selbst entwickelter Algorithmus vorgestellt, der bereits ohne den Einsatz spezieller Konfigurationsparameter und ohne Trainingsphase im Durchschnitt bessere Vorhersagen trifft, als die übrigen betrachteten Algorithmen. Auf Basis der Analyse verschiedener Metriken zur Beurteilung der Qualität von Vorhersagen erfolgt die Definition eines zusammenfassenden Gütemaßes, welches den Vergleich von Algorithmen anhand eines einzigen Wertes ermöglicht. Darüber hinaus werden abfragespezifische Attribute der Feed-Formate untersucht und es wird empirisch gezeigt, dass die auf der partiellen Historie der Feeds basierende Vorhersage von Änderungen bereits bessere Ergebnisse erzielt, als die Einbeziehung der von den Diensteanbietern bereitgestellten Werte in die Berechnung ermöglicht. Die empirischen Evaluationen erfolgen anhand eines breitgefächerten, realen Feed-Datensatzes, welcher der wissenschaftlichen Gemeinschaft frei zur Verfügung gestellt wird, um den Vergleich mit neuen Algorithmen zu erleichtern.

Die Modellkomponenten für parametrisierteWolkenphysik, Strahlung und Sichtweitenbestimmung im Nebelvorhersagemodell PAFOG, das kürzlich in Zusammenarbeit mit dem Deutschen Wetterdienst als lokales Vorhersagesystem entwickelt wurde und für die Kurzfristprognose eingesetzt werden kann, werden vorgestellt. Die Modellphilosophie orientiert sich an einer mathematisch-physikalisch fundierten Beschreibung der beteiligten meteorologischen Prozesse, deren Einzelheiten in dieser Arbeit diskutiert werden. / This paper presents the model components for parameterized cloud physics, radiation and visibility determination as implemented in the local forecast model PAFOG. PAFOG has been recently developed in cooperation with the GermanWeather Service DWD. PAFOG can be employed for short-range forecasts of radiation fog and visibility. The philosophy of the model strongly emphasizes a mathematically and physically based formulation of the involved meteorological processes the details of which are discussed in this paper.

Die im Nebelvorhersagemodell PAFOG enthaltenen Modellkomponenten für parametrisierte Wolkenphysik, Strahlung und Sichtweitenbestimmung wurden durch Module zur Beschreibung der Interaktion mit dem Boden und der Vegetation ergänzt. Das auf diese Weise komplettierte Modellsystem PAFOG-V kann dazu verwendet werden, das lokale Auftreten von Strahlungsnebel und niedriger stratiformer Bewölkung vorherzusagen. / The paper presents an extension of the model components for parameterized cloud physics, radiation and visibility determination as implemented in the local forecast model PAFOG to include the interaction with the soil and the vegetation. The resulting forecast system PAFOG-V can be used to predict local events of radiation fogs and of low level stratiform clouds.

XTREND consists of the following methodical Parts. Time interval extraction (Part 1) to analyse different parts of a time series; extreme events detection (Part 2) with robust smoothing; magnitude classification (Part 3) by hand; occurrence rate estimation (Part 4) with kernel functions; bootstrap simulations (Part 5) to estimate confidence bands around the occurrence rate. You work interactively with XTREND (parameter adjustment, calculation, graphics) to acquire more intuition for your data. Although, using “normal” data sizes (less than, say, 1000) and modern machines, the computing time seems to be acceptable (less than a few minutes), parameter adjustment should be done carefully to avoid spurious results or, on the other hand, too long computing times. This Report helps you to achieve that. Although it explains the statistical concepts used, this is generally done with less detail, and you should consult the given references (which include some textbooks) for a deeper understanding.

Forecasting is an important data analysis technique and serves as the basis for business planning in many application areas such as energy, sales and traffic management. The currently employed statistical models already provide very accurate predictions, but the forecasting calculation process is very time consuming. This is especially true since many application domains deal with hierarchically organized data. Forecasting in these environments is especially challenging due to ensuring forecasting consistency between hierarchy levels, which leads to an increased data processing and communication effort. For this purpose, we introduce our novel hierarchical forecasting approach, where we propose to push forecast models to the entities on the lowest hierarch level and reuse these models to efficiently create forecast models on higher hierarchical levels. With that we avoid the time-consuming parameter estimation process and allow an almost instant calculation of forecasts.

Forecasting is an important analysis technique used in many application domains such as electricity management, sales and retail and, traffic predictions. The employed statistical models already provide very accurate predictions, but recent developments in these domains pose new requirements on the calculation speed of the forecast models. Especially, the often used multi-equation models tend to be very complex and their estimation is very time consuming. To still allow the use of these highly accurate forecast models, it is necessary to improve the data processing capabilities of the involved data management systems. For this purpose, we introduce a partitioning approach for multi-equation forecast models that considers the specific data access pattern of these models to optimize the data storage and memory access. With the help of our approach we avoid the redundant reading of unnecessary values and improve the utilization of the CPU cache. Furthermore, we utilize the capabilities of modern multi-core hardware and parallelize the model estimation. Our experimental results on real-world data show speedups of up to 73x for the initial model estimation. Thus, our partitioning and parallelization approach significantly increases the efficiency of multi-equation models.

Die Vorhersage von extremen Wetterereignissen wie Hitzewellen ist aufgrund ihrer Auswirkungen auf die Gesellschaft von großer Bedeutung. Subsaisonale Wettervorhersage (von 2 Wochen bis 2 Monaten) kann Frühwarnungen liefern, die für Pläne zur Risikoeinschränkung unerlässlich sind. Das fachübergreifende Ziel dieser Arbeit ist daher die Verbesserung der Wettervorhersage von Hitzewellen über Europoa auf subsaisonalen Zeitskala. Um dieses Ziel zu erreichen, werden zunächst die Quellen der Vorhersagbarkeit auf der subsaisonalen Skala herausarbeitet und analysiert und anschließend die Vorteile quantifiziert, die diese einzelne Prädiktoren bieten können. Im ersten Teil werden die Haupttypen von Hitzewellen über Europa anhand ihrer atmosphärischen Zirkulation definiert. Die europäischen Hitzewellen werden dazu in fünf Hitzewellentypen mit spezifischen Grosswetterlagen eingeteilt. Diese ermöglichen es wiederum, die vorhersagbare Komponente der Hitzewellenereignisse zu bestimmen: allen gemein sind starke, anhaltende antizyklonale Anomalien über der Region der Höchsttemperaturen. Anhand dieser Klassifizierung lässt sich zudem die relative Bedeutung anderer subsaisonaler Faktoren wie Bodenfeuchtigkeit und verstärkte tropische Konvektion bestimmen. Dabei hat es sich erwiesen, dass eine geringere Bodenfeuchtigkeit vor Hitzewellen nur für Hitzewellen über Südeuropa und für sehr extreme Hitzewellen von Bedeutung ist, da sie die Temperaturanomalien weiter verstärkt. Die Boreale Sommer Intrasaisonale Oszillation (BSISO) ist durch verschiedene Phasen schwacher und starker tropischer Konvektion gekennzeichnet. Die Beobachtung der Entwicklung der BSISO zeigt einen klaren Zusammenhang zwischen bestimmten aktiven Phasen der BSISO und dem Beginn russischer Hitzewellen, dass deren Überwachung zur einer besseren Vorhersagbarkeit beitragen könnte. Im zweiten Teil dieser Arbeit wird der durch die Verwendung der identifizierten Prädiktoren entstehende Vorteil quantifiziert. Dazu wird eine musterbasierte Methode entwickelt, bei der die Großwetterlagen als Prädiktoren verwendet werden, mit dem Ziel die Wahrscheinlichkeit extrem warmer Temperaturen abzuleiten. Anhand von Hindcast-Daten des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW) wird diese Methode mit der direkten gitterpunktbasierten Wettervorhersage verglichen. Die musterbasierte Vorhersage erzielt für kurze bis mittelfristige Vorhersagen zwar keine gute Vorhersagequalität. Die Vorhersagequalität dieser Ergebnisse wird jedoch auch nach mehr als 10 Tagen beibehalten, was die Vorhersagequalität-Horizont über den Hitzewellenregionen erheblich verbessert. Die Verwendung von anhaltenden Großwetterlagen zur Vorhersage anhaltenden Hitzewellen führt zu ähnlichen Ergebnissen, allerdings mit lokal begrenzteren und bescheideneren Verbesserungen. Außerdem verbessern aktive BSISO-Phasen die Vorhersage zwar nicht systematisch, aber sie verbessern die Vorhersagbarkeit des Ausbruchs von russischen Hitzewellen, indem sie die Vorhersagespanne deutlich verringern und deren Genauigkeit, wenn auch in geringerem Maße erhöhen. Die Einbeziehung dieser subsaisonalen Einflussfaktoren in einen Entscheidungsprozess zur Aktivierung von Risikominderungsplänen könnte wesentliche Informationen für Frühwarnungen liefern.:1. Introduction ................................................................................................................................. 13 1.1 Impact of extremes............................................................................................................... 13 1.2 Mitigation and early warnings .............................................................................................. 14 1.3 Content ................................................................................................................................. 14 2. Background knowledge ................................................................................................................ 16 2.1 Generalities on heatwaves ................................................................................................... 16 2.1.1 Heatwave definitions ................................................................................................ 16 2.1.2 Processes responsible for heatwaves ....................................................................... 17 2.1.3 Climatic trends for heatwaves .................................................................................. 18 2.2 Generalities on predictions................................................................................................... 20 2.2.1 Numerical Prediction ................................................................................................ 21 2.2.1.1 Governing equations............................................................................................. 21 2.2.1.2 Discretisation and parametrisation....................................................................... 23 2.2.1.3 Data assimilation .................................................................................................. 24 2.2.2 Predictability and forecast verification ..................................................................... 24 2.2.2.1 Predictability ......................................................................................................... 25 2.2.2.1.1 Predictability of the first kind ............................................................................. 25 2.2.2.1.2 Predictability of the second kind ........................................................................ 27 2.2.2.2 Forecast verification ............................................................................................. 30 2.2.2.2.1 Observations and reanalysis ............................................................................... 30 2.2.2.2.2 Forecast skill metrics .......................................................................................... 31 3. European heatwaves and their link to large-scale circulation patterns and subseasonal drivers 34 3.1 Data and methods ................................................................................................................ 35 3.1.1 Land surface feedback .............................................................................................. 35 3.1.2 Enhanced tropical convection ................................................................................... 36 3.1.3 Heatwave detection.................................................................................................. 37 3.1.4 Classification of heatwave patterns .......................................................................... 38 3.2 Heatwave types and their relation to circulation patterns ................................................... 42 3.2.1 Heatwave types description ..................................................................................... 42 3.2.2 Heatwave circulation patterns .................................................................................. 47 3.3 Potential sources of predictability at the subseasonal time scale ........................................ 49 3.3.1 Land surface feedback .............................................................................................. 50 3.3.2 The Boreal Summer IntraSeasonal Oscillation .......................................................... 55 3.3.2.1 BSISO phases facouring the occurrence of heatwaves ......................................... 57 3.4 Summary .............................................................................................................................. 64 12 4. Subseasonal prediction of heatwaves enhanced using a pattern-based forecasting system ....... 66 4.1 Data and methods ................................................................................................................ 67 4.1.1 Connection between extreme high temperatures and circulation patterns ............. 68 4.1.2 Skill evaluation of ECMWF forecasts ......................................................................... 70 4.2 Prediction of extreme temperatures at the subseasonal range ........................................... 72 4.2.1 Direct forecasting ..................................................................................................... 72 4.2.2 Pattern-based/conditional forecast .......................................................................... 77 4.2.3 Skill sensitivity to tropical convections ..................................................................... 83 4.3 Summary .............................................................................................................................. 88 5. Conclusion .................................................................................................................................... 91 5.1 Summary and key findings .................................................................................................... 91 5.2 Outlook ................................................................................................................................. 92 References ............................................................................................................................... / The prediction of extreme events such as heatwaves is of high importance due to their impact on society. Subseasonal prediction (from 2 weeks to 2 months) can provide early warnings which are essential for setting up mitigation plans. Therefore, the overarching goal of this work is to improve the forecast of heatwaves at the subseasonal time scale over Europe. The approach used to tackle this goal, is to first identify and analyse the sources of predictability at the subseasonal scale, and to then quantify the benefits of each of these predictors. In the first phase, the main heatwave types over Europe are defined based on their atmospheric circulation. European heatwaves are therefore classified into five heatwave types with specific circulation patterns, allowing to determine the predictable component of heatwave events. They all have strong persistent anti-cyclonic anomalies over the region of maximum temperatures. The classification further allows to determine the relative importance of other subseasonal drivers such as soil moisture and tropical enhanced convection. Reduced soil moisture content prior to heatwaves is shown to be relevant only to heatwaves over southern Europe and for very extreme heatwaves, by further amplifying the temperature anomalies. The Boreal Summer Intraseasonal Oscillation (BSISO) is characterised by different phases of weak and strong tropical convection. Monitoring the evolution of the BSISO shows a clear link between certain active phases of the BSISO and the onset of Russian heatwaves in particular, suggesting that they could provide enhanced predictability for the onset of Russian heatwaves. In the second phase, the advantage of using the identified predictors is quantified. A pattern-based method is constructed, using the circulation patterns as predictors to infer the probability of extreme warm temperatures. Using reforecast data from the European Centre for Medium-Range Weather Forecasts (ECMWF), this method is compared to the direct grid-point based prediction. The pattern-based prediction shows low skill at short to medium range, however it maintains this skill beyond 10 days and significantly improves the forecast range over the regions of heatwaves. Using persistent circulation patterns to forecast persistent heatwaves shows similar results, but with more localised and modest improvements. In addition, while active BSISO phases do not systematically improve the prediction, they do enhance the predictability of the onset of Russian heatwaves by reducing significantly the forecast spread and to a lesser extent increase accuracy. Incorporating these subseasonal drivers into a decision-making process for mitigation plans could provide essential information for early warnings.:1. Introduction ................................................................................................................................. 13 1.1 Impact of extremes............................................................................................................... 13 1.2 Mitigation and early warnings .............................................................................................. 14 1.3 Content ................................................................................................................................. 14 2. Background knowledge ................................................................................................................ 16 2.1 Generalities on heatwaves ................................................................................................... 16 2.1.1 Heatwave definitions ................................................................................................ 16 2.1.2 Processes responsible for heatwaves ....................................................................... 17 2.1.3 Climatic trends for heatwaves .................................................................................. 18 2.2 Generalities on predictions................................................................................................... 20 2.2.1 Numerical Prediction ................................................................................................ 21 2.2.1.1 Governing equations............................................................................................. 21 2.2.1.2 Discretisation and parametrisation....................................................................... 23 2.2.1.3 Data assimilation .................................................................................................. 24 2.2.2 Predictability and forecast verification ..................................................................... 24 2.2.2.1 Predictability ......................................................................................................... 25 2.2.2.1.1 Predictability of the first kind ............................................................................. 25 2.2.2.1.2 Predictability of the second kind ........................................................................ 27 2.2.2.2 Forecast verification ............................................................................................. 30 2.2.2.2.1 Observations and reanalysis ............................................................................... 30 2.2.2.2.2 Forecast skill metrics .......................................................................................... 31 3. European heatwaves and their link to large-scale circulation patterns and subseasonal drivers 34 3.1 Data and methods ................................................................................................................ 35 3.1.1 Land surface feedback .............................................................................................. 35 3.1.2 Enhanced tropical convection ................................................................................... 36 3.1.3 Heatwave detection.................................................................................................. 37 3.1.4 Classification of heatwave patterns .......................................................................... 38 3.2 Heatwave types and their relation to circulation patterns ................................................... 42 3.2.1 Heatwave types description ..................................................................................... 42 3.2.2 Heatwave circulation patterns .................................................................................. 47 3.3 Potential sources of predictability at the subseasonal time scale ........................................ 49 3.3.1 Land surface feedback .............................................................................................. 50 3.3.2 The Boreal Summer IntraSeasonal Oscillation .......................................................... 55 3.3.2.1 BSISO phases facouring the occurrence of heatwaves ......................................... 57 3.4 Summary .............................................................................................................................. 64 12 4. Subseasonal prediction of heatwaves enhanced using a pattern-based forecasting system ....... 66 4.1 Data and methods ................................................................................................................ 67 4.1.1 Connection between extreme high temperatures and circulation patterns ............. 68 4.1.2 Skill evaluation of ECMWF forecasts ......................................................................... 70 4.2 Prediction of extreme temperatures at the subseasonal range ........................................... 72 4.2.1 Direct forecasting ..................................................................................................... 72 4.2.2 Pattern-based/conditional forecast .......................................................................... 77 4.2.3 Skill sensitivity to tropical convections ..................................................................... 83 4.3 Summary .............................................................................................................................. 88 5. Conclusion .................................................................................................................................... 91 5.1 Summary and key findings .................................................................................................... 91 5.2 Outlook ................................................................................................................................. 92 References ...............................................................................................................................

Species respond to environmental change by dynamically adjusting their geographical ranges. Robust predictions of these changes are prerequisites to inform dynamic and sustainable conservation strategies. Correlative species distribution models (SDMs) relate species’ occurrence records to prevailing environmental factors to describe the environmental niche. They have been widely applied in global change context as they have comparably low data requirements and allow for rapid assessments of potential future species’ distributions. However, due to their static nature, transient responses to environmental change are essentially ignored in SDMs. Furthermore, neither dispersal nor demographic processes and biotic interactions are explicitly incorporated. Therefore, it has often been suggested to link statistical and mechanistic modelling approaches in order to make more realistic predictions of species’ distributions for scenarios of environmental change. In this thesis, I present two different ways of such linkage. (i) Mechanistic modelling can act as virtual playground for testing statistical models and allows extensive exploration of specific questions. I promote this ‘virtual ecologist’ approach as a powerful evaluation framework for testing sampling protocols, analyses and modelling tools. Also, I employ such an approach to systematically assess the effects of transient dynamics and ecological properties and processes on the prediction accuracy of SDMs for climate change projections. That way, relevant mechanisms are identified that shape the species’ response to altered environmental conditions and which should hence be considered when trying to project species’ distribution through time. (ii) I supplement SDM projections of potential future habitat for black grouse in Switzerland with an individual-based population model. By explicitly considering complex interactions between habitat availability and demographic processes, this allows for a more direct assessment of expected population response to environmental change and associated extinction risks. However, predictions were highly variable across simulations emphasising the need for principal evaluation tools like sensitivity analysis to assess uncertainty and robustness in dynamic range predictions. Furthermore, I identify data coverage of the environmental niche as a likely cause for contrasted range predictions between SDM algorithms. SDMs may fail to make reliable predictions for truncated and edge niches, meaning that portions of the niche are not represented in the data or niche edges coincide with data limits. Overall, my thesis contributes to an improved understanding of uncertainty factors in predictions of range dynamics and presents ways how to deal with these. Finally I provide preliminary guidelines for predictive modelling of dynamic species’ response to environmental change, identify key challenges for future research and discuss emerging developments. / Das Vorkommen von Arten wird zunehmend bedroht durch Klima- und Landnutzungswandel. Robuste Vorhersagen der damit verbundenen Arealveränderungen sind ausschlaggebend für die Erarbeitung dynamischer und nachhaltiger Naturschutzstrategien. Habitateignungsmodelle erstellen statistische Zusammenhänge zwischen dem Vorkommen einer Art und relevanten Umweltvariablen und erlauben zügige Einschätzungen potentieller Arealveränderungen. Dabei werden jedoch transiente Dynamiken weitgehend ignoriert sowie demographische Prozesse und biotische Interaktionen. Daher wurden Vorschläge laut, diese statistischen Modelle mit mechanistischeren Ansätzen zu koppeln. In der vorliegenden Arbeit zeige ich zwei verschiedene Möglichkeiten solcher Kopplung auf. (i) Ich beschreibe den sogenannten ‚Virtuellen Ökologen’-Ansatz als mächtiges Validierungswerkzeug, in dem mechanistische Modelle virtuelle Testflächen bieten zur Erforschung verschiedener Probenahmedesigns oder statistischer Methoden sowie spezifischer Fragestellungen. Auch verwende ich diesen Ansatz, um systematisch zu untersuchen wie sich transiente Dynamiken sowie Arteigenschaften und ökologische Prozesse auf die Vorhersagegüte von Habitateignungsmodellen auswirken. So kann ich entscheidende Prozesse identifizieren welche in zukünftigen Modellen Berücksichtigung finden sollten. (ii) Darauf aufbauend koppele ich Vorhersagen von Habitateignungsmodellen mit einem individuen-basierten Populationsmodell, um die Entwicklung des Schweizer Birkhuhnbestandes unter Klimawandel vorherzusagen. Durch die explizite Berücksichtigung der Wechselwirkungen zwischen Habitat und demographischer Prozesse lassen sich direktere Aussagen über Populationsentwicklung und damit verbundener Extinktionsrisiken treffen. Allerdings führen verschiedene Simulationen auch zu hoher Variabilität zwischen Vorhersagen, was die Bedeutung von Sensitivitätsanalysen unterstreicht, um Unsicherheiten und Robustheit von Vorhersagen einzuschätzen. Außerdem identifiziere ich Restriktionen in der Datenabdeckung des Umweltraumes als möglichen Grund für kontrastierende Vorhersagen verschiedener Habitateignungsmodelle. Wenn die Nische einer Art nicht vollständig durch Daten beschrieben ist, kann dies zu unrealistischen Vorhersagen der Art-Habitat-Beziehung führen. Insgesamt trägt meine Arbeit erheblich bei zu einem besseren Verständnis der Auswirkung verschiedenster Unsicherheitsfaktoren auf Vorhersagen von Arealveränderungen und zeigt Wege auf, mit diesen umzugehen. Abschließend erstelle ich einen vorläufigen Leitfaden für Vorhersagemodelle und identifiziere Kernpunkte für weitere Forschung auf diesem Gebiet.

Nicht-funktionale Eigenschaften geben Aussagen über Qualitätsaspekte einer Software. Mit einer Software-Produktlinie (SPL) wird eine Menge von verwandten Software-Produkten beschrieben, die auf Basis gemeinsam genutzter Bausteine und Architekturen entwickelt werden, um die Anforderungen unterschiedlicher Kundengruppen zu erfüllen. Hierbei werden gezielt Software-Bestandteile wiederverwendet, um Software effizienter zu entwickeln. In dieser Arbeit wird der Einfluss von Eingabedaten auf die nicht-funktionalen Eigenschaften von SPL untersucht. Es wird auf Basis von Messungen ausgewählter nicht-funktionaler Eigenschaften einzelner Software-Produkte ein Vorhersagemodell für beliebige Software-Produkte der SPL erstellt. Das Vorhersagemodell kann genutzt werden, um den Konfigurationsprozess zu unterstützen. Das Verfahren wird anhand einer SPL von verlustfreien Kompressionsalgorithmen evaluiert. Die Berücksichtigung von Eingabedaten kann die Vorhersage von nicht-funktionalen Eigenschaften einer SPL gegenüber einfacheren Vorhersagemodellen ohne die Berücksichtigung von Eingabedaten signifikant verbessern.

Protein-protein and protein-ligand interactions are fundamental as many proteins mediate their biological function through these interactions. Many important applications follow directly from the identification of residues in the interfaces between protein-protein and protein-ligand interactions, such as drug design, protein mimetic engineering, elucidation of molecular pathways, and understanding of disease mechanisms. The identification of interface residues can also guide the docking process to build the structural model of protein-protein complexes. This dissertation focuses on developing computational approaches for protein-ligand and protein-protein binding site prediction and applying these predictions to improve protein-protein docking. First, we develop an automated approach LIGSITEcs to predict protein-ligand binding site, based on the notion of surface-solvent-surface events and the degree of conservation of the involved surface residues. We compare our algorithm to four other approaches, LIGSITE, CAST, PASS, and SURFNET, and evaluate all on a dataset of 48 unbound/bound structures and 210 bound-structures. LIGSITEcs performs slightly better than the other tools and achieves a success rate of 71% and 75%, respectively. Second, for protein-protein binding site, we develop metaPPI, a meta server for interface prediction. MetaPPI combines results from a number of tools, such as PPI_Pred, PPISP, PINUP, Promate, and SPPIDER, which predict enzyme-inhibitor interfaces with success rates of 23% to 55% and other interfaces with 10% to 28% on a benchmark dataset of 62 complexes. After refinement, metaPPI significantly improves prediction success rates to 70% for enzyme-inhibitor and 44% for other interfaces. Third, for protein-protein docking, we develop a FFT-based docking algorithm and system BDOCK, which includes specific scoring functions for specific types of complexes. BDOCK uses family-based residue interface propensities as a scoring function and obtains improvement factors of 4-30 for enzyme-inhibitor and 4-11 for antibody-antigen complexes in two specific SCOP families. Furthermore, the degrees of buriedness of surface residues are integrated into BDOCK, which improves the shape discriminator for enzyme-inhibitor complexes. The predicted interfaces from metaPPI are integrated as well, either during docking or after docking. The evaluation results show that reliable interface predictions improve the discrimination between near-native solutions and false positive. Finally, we propose an implicit method to deal with the flexibility of proteins by softening the surface, to improve docking for non enzyme-inhibitor complexes.