Das duktale Adenokarzinom des Pankreas (PDAC) hat aufgrund seines aggressiven Wachstums, seiner frühen Metastasierung und seiner fehlenden Frühsymptome eine sehr schlechte Prognose und ist daher die vierthäufigste Krebstodesursache bei Männern und Frauen in Deutschland. Ein weiteres Charakteristikum von PDAC ist die starke desmoplas-tische Reaktion. Eine Funktion für stromale pankreatische Sternzellen (PSCs) bei der Förderung des Wachstums, der Proliferation und der Metastasierung des Tumors konnte bereits nachgewiesen werden. Für die Beantwortung der Frage, welche molekularen Ursachen einen funktionellen Zusammenhang zwischen Tumoraggressivität und Stroma-zellen herstellen könnten, wurden bereits im Vorfeld dieser Arbeit differentielle Genex-pressionsanalysen durchgeführt. Dabei fiel u.a. auf, dass das sezernierte Glykoprotein secreted Frizzled-related protein 1 (SFRP1), im Vergleich zum entsprechenden nicht-tumorigenen Pankreasgewebe, im Stroma von PDAC-Patienten transkriptionell herunterreguliert war. SFRP1 ist bereits bekannt als Tumorsuppressorgen. In den meisten Fällen wird seine Wirkung auf die Hemmung des β-Catenin-abhängigen (kanonischen) Wnt-Signalweges zurückgeführt. Es wurde bereits sehr häufig beobachtet, dass SFRP1 durch eine Hypermethylierung seiner Promotorregion in einer Vielzahl von humanen Tumoren, darunter auch PDAC sowie PDAC-Vorstufen, herunterreguliert ist. Mit dem Abschalten der SFRP1-Expression wurden erhöhte Proliferation sowie verringerte Apoptose bei den betroffenen Zellen, Merkmale des aktivierten kanonischen Wnt-Signalweges, festgestellt. SFRP1 ist jedoch auch in der Lage nichtkanonische Wnt-Signalwege zu modulieren. Das Ziel dieser von der Deutschen Gesellschaft für Forschung geförderten Arbeit war es, die stromale SFRP1-Expression auf Proteinebene in Proben von PDAC-Patienten mit der von Patienten mit chronischer Pankreatitis zu vergleichen bzw. mit deren Überleben zu korrelieren. Ein möglicher Unterschied sollte mithilfe eines Zellkultur-modells auf einen funktionellen Effekt hin untersucht werden. Dafür sollten stabil und regulierbar SFRP1-überexprimierende Zelllinien aus PDAC- bzw. PSC-Zellen für die Einbindung in Migrationsassays etabliert werden. Für die Ergründung der Mechanismen, die zur Herunterregulierung der stromalen SFRP1-Expression führen könnten, sollte der Methylierungstatus der SFRP1-Promotorregion in PSC- sowie vergleichsweise in PDAC-Zellen mittels methylierungsspezifischer PCR und Bisulfitsequenzierung analysiert werden. Desweiteren sollten diese Zellen mit Hilfe eines Reportergenassays auf eine Mikro-RNA-bedingte Modulation der SFRP1-Expression hin untersucht werden. Die immunhistochemische SFRP1-Färbung von PDAC-Patientenproben auf Tissue-Microarrays (TMAs) ergab eine signifikante Reduktion der stromalen SFRP1-Färbung im Vergleich zur entsprechenden Expression im Stroma von Patienten mit chronischer Pankreatitis (CP). Die Ergebnisse der differentiellen Genexpressionsanalyse konnten also auf Proteinexpressionsebene bestätigt werden. Bei der Korrelation der stromalen SFRP1-Färbung mit dem Überleben der entsprechenden Patienten mit R1-Resektionsstatus zeigte sich ein leichter Überlebensvorteil für die Patienten mit positiver SFRP1-Färbung. Bei der Analyse der SFRP1-Expression auf RNA- und Proteinebene in Zellkulturmodellen von PDAC zeigte sich, dass zwei von vier PDAC-Zelllinien sowie die PSCs und normale Pankreasgangzellen SFRP1-RNA exprimierten. Auch bei anderen untersuchten Tumor- oder murinen PDAC-Zelllinien war das Verhältnis zwischen Linien mit SFRP1-RNA und Linien ohne SFRP1-RNA eher gemischt. Keine dieser Zelllinien jedoch exprimierte SFRP1-Protein bis auf eine murine Fibroblastenzelllinie (3T3). Um zu ergründen, wodurch die Diskrepanz zwischen SFRP1-RNA- und fehlender -Proteinexpression zustande kam, wurden Methylierungsanalysen durchgeführt. Dabei ergaben sich individuelle Methylierungsmuster für die verschiedenen DNAs, die eine fehlende Proteinexpression bei nur einem Teil der Zelllinien erklären würden. Daher wurde eine weitere Möglichkeit der Genexpressionsregulation in eukaryontischen Zellen als Ursache in Betracht gezogen, die Hemmung der Translation von SFRP1-mRNA in Protein durch miRNAs. Hierbei konnte mittels Reportergenassays nachgewiesen werden, dass miRNAs in PSCs und PDAC-Zellen eine kleine Stelle in der 3’-untranslatierten Region sowie Stellen in der kodierenden Sequenz von SFRP1 erkennen, daran binden und translational herunterregulieren konnten. Da keine endogene Proteinexpression festgestellt werden konnte, wurden drei PDAC-Zelllinien (PANC-1, AsPC1 und MIA PaCa-2) sowie eine PSC-Zelllinie (Klon2.2) für die stabile Transfektion mit humanem SFRP1 auf einem regulierbaren Vektor ausgewählt. Mithilfe der Lipofektion gelang es jedoch nur bei MIA PaCa-2 und Klon2.2-Zellen, stabile Einzelzellklone anzuziehen, jedoch mit relativ variablen SFRP1-Expressionen und -Regulierbarkeiten. Um noch mehr PDAC-Zelllinien in funktionellen Tests untersuchen zu können, wurden alle vier Zelllinien noch einmal mit einer weiteren Gentransfermethode, der retroviralen Transduktion, in stabil SFRP1-exprimierende Zelllinien umgewandelt. Um zu untersuchen, inwiefern das in den Patienten verlorengegangene SFRP1 das migratorische Verhalten von PDAC- und PSC-Zellen beeinflussen könnte, wurden Scratch- und Invasions- (Migrations) -Assays mit diesen Zellen durchgeführt und mit den Ergebnissen der entsprechenden Leerkontrollen verglichen. Dabei ergab sich für MIA PaCa-2 sowohl mit den durch Lipofektion als auch mit den durch retrovirale Transduktion generierten Klonen/Zelllinien ein signifikant hemmender Einfluss der SFRP1-Überexpression auf das Migrationsverhalten im Scratch-Assay. PANC-1-Zellen schienen mit Lipofektions-SFRP1-Überständen signifikant schlechter durch Membranen zu migrieren und zeigten ebenfalls eine signifikante Migrationshemmung als retroviral transduzierte Zelllinie in Scatch- und Invasionsassay mit endogener SFRP1-Expression. Für PSCs zeigte sich eine SFRP1-abhängige Migrationshemmung im Scratch-Assay und in den Invasionsassays (mit endogener SFRP1-Überexpression und mit SFRP1-Anwesenheit im Überstand), allerdings nur mit Lipofektionsklonen. Es konnte also ein hemmender Einfluss von SFRP1 auf die Migration von PDAC- und PSC-Zellen nachgewiesen werden. Dieser würde theoretisch wegfallen, wenn SFRP1, wie im Tumorstroma von PDAC-Patienten nachgewiesen, herunterreguliert werden würde. Bei der Untersuchung eines Einflusses von SFRP1 auf die Expression weiterer Gene ergab sich, dass SFRP1 bei PDAC-Zellen keine Hemmung des kanonischen Wnt-Signalweges verursacht. Vielmehr scheint seine Überexpression einen positiven Effekt auf die Expression von Mitgliedern des nichtkanonischen planaren Zellpolaritätssignalweges (PCP) zu haben. Die Schlussfolgerung aus diesen Ergebnissen ist, dass ein Wegfall von SFRP1 im Stroma von PDAC in sehr frühen Phasen (und auch in den Tumorzellen selbst) durch miRNAs oder, im Falle der Tumorzellen, durch Hypermethylierung ausgelöst werden könnte. Sezernierte, tumorsupprimierende, parakrine Signale aus dem Stroma und autokrine Signale von den Tumorzellen selbst würden damit wegfallen und die planare Zellpolarität wäre nicht mehr aufrechterhaltbar. Damit würden sich die Polarität und die Migrationsbereitschaft der Tumorzellen so verändern, dass sie ungerichtet wandern könnten, wodurch das Risiko zur Metastasierung zunehmen könnte. Auf diese Weise könnte die stromale Herunterregulierung von SFRP1 bei der Aufrechterhaltung und Progression des PDAC eine Rolle spielen.

Auf die Entwicklung der Hochdurchsatz-Sequenzierung (HTS) folgte eine Reihe von speziellen Erweiterungen, die erlauben verschiedene zellbiologischer Aspekte wie Genexpression, DNA-Methylierung, etc. zu messen. Die Analyse dieser Daten erfordert die Entwicklung von Algorithmen, die einzelne Experimenteberücksichtigen oder mehrere Datenquellen gleichzeitig in betracht nehmen. Der letztere Ansatz bietet besondere Vorteile bei Analyse von einzelligen RNA-Sequenzierung (scRNA-seq) Experimenten welche von besonders hohem technischen Rauschen, etwa durch den Verlust an Molekülen durch die Behandlung geringer Ausgangsmengen, gekennzeichnet sind. Um diese experimentellen Defizite auszugleichen, habe ich eine Methode namens netSmooth entwickelt, welche die scRNA-seq-Daten entrascht und fehlende Werte mittels Netzwerkdiffusion über ein Gennetzwerk imputiert. Das Gennetzwerk reflektiert dabei erwartete Koexpressionsmuster von Genen. Unter Verwendung eines Gennetzwerks, das aus Protein-Protein-Interaktionen aufgebaut ist, zeige ich, dass netSmooth anderen hochmodernen scRNA-Seq-Imputationsmethoden bei der Identifizierung von Blutzelltypen in der Hämatopoese, zur Aufklärung von Zeitreihendaten unter Verwendung eines embryonalen Entwicklungsdatensatzes und für die Identifizierung von Tumoren der Herkunft für scRNA-Seq von Glioblastomen überlegen ist. netSmooth hat einen freien Parameter, die Diffusionsdistanz, welche durch datengesteuerte Metriken optimiert werden kann. So kann netSmooth auch dann eingesetzt werden, wenn der optimale Diffusionsabstand nicht explizit mit Hilfe von externen Referenzdaten optimiert werden kann. Eine integrierte Analyse ist auch relevant wenn multi-omics Daten von mehrerer Omics-Protokolle auf den gleichen biologischen Proben erhoben wurden. Hierbei erklärt jeder einzelne dieser Datensätze nur einen Teil des zellulären Systems, während die gemeinsame Analyse ein vollständigeres Bild ergibt. Ich entwickelte eine Methode namens maui, um eine latente Faktordarstellungen von multiomics Daten zu finden. / The development of high throughput sequencing (HTS) was followed by a swarm of protocols utilizing HTS to measure different molecular aspects such as gene expression (transcriptome), DNA methylation (methylome) and more. This opened opportunities for developments of data analysis algorithms and procedures that consider data produced by different experiments. Considering data from seemingly unrelated experiments is particularly beneficial for Single cell RNA sequencing (scRNA-seq). scRNA-seq produces particularly noisy data, due to loss of nucleic acids when handling the small amounts in single cells, and various technical biases. To address these challenges, I developed a method called netSmooth, which de-noises and imputes scRNA-seq data by applying network diffusion over a gene network which encodes expectations of co-expression patterns. The gene network is constructed from other experimental data. Using a gene network constructed from protein-protein interactions, I show that netSmooth outperforms other state-of-the-art scRNA-seq imputation methods at the identification of blood cell types in hematopoiesis, as well as elucidation of time series data in an embryonic development dataset, and identification of tumor of origin for scRNA-seq of glioblastomas. netSmooth has a free parameter, the diffusion distance, which I show can be selected using data-driven metrics. Thus, netSmooth may be used even in cases when the diffusion distance cannot be optimized explicitly using ground-truth labels. Another task which requires in-tandem analysis of data from different experiments arises when different omics protocols are applied to the same biological samples. Analyzing such multiomics data in an integrated fashion, rather than each data type (RNA-seq, DNA-seq, etc.) on its own, is benefitial, as each omics experiment only elucidates part of an integrated cellular system. The simultaneous analysis may reveal a comprehensive view.

No description available.