Prospective and retrospective genetic tumour evolution simulation based on Mutual Hazard Networks

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Datum:	16 Dezember 2025
Begutachter (Erstgutachter):	Prof. Dr. Rainer Spang
Tag der Prüfung:	11 Dezember 2025
Institutionen:	Medizin > Institut für Funktionelle Genomik > Lehrstuhl für Statistische Bioinformatik (Prof. Spang) Informatik und Data Science > Fachbereich Bioinformatik > Lehrstuhl für Statistische Bioinformatik (Prof. Spang)
Stichwörter / Keywords:	Mutual Hazard Networks, MHN, Tumorevolution, Gillespie-Algorithmus, Simulation
Dewey-Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften > 610 Medizin
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Ja
Dokumenten-ID:	78334

Zusammenfassung (Englisch)

This work proposes a novel machine learning-based simulation concept that fuses a specific machine learning algorithm (Mutual Hazard Networks (MHN)) with a stochastic simulation algorithm (a modified Gillespie algorithm) to iteratively reconstruct and predict potential genetic mutation sequences and their interactions in tumours. A prototypical web interface has been developed to facilitate the ...

Zusammenfassung (Englisch)

This work proposes a novel machine learning-based simulation concept that fuses a specific machine learning algorithm (Mutual Hazard Networks (MHN)) with a stochastic simulation algorithm (a modified Gillespie algorithm) to iteratively reconstruct and predict potential genetic mutation sequences and their interactions in tumours. A prototypical web interface has been developed to facilitate the intuitive utilisation of our simulation and prediction of individual tumours. The simulation model was evaluated
and validated on several types of specific sets of genetic alterations in tumours from different studies and various cancer types. Additionally, a comparative analysis of learned models and their resulting simulations with real data from differing genetic evolutionary points was conducted, which enabled a first statistical significant prognostic prediction in certain types of lung cancer based on the gene STK11 / LKB1.

Übersetzung der Zusammenfassung (Deutsch)

In dieser Arbeit wird das Konzept einer neuartigen, auf maschinellem Lernen basierenden Simulation vorgestellt, die einen spezifischen Algorithmus für maschinelles Lernen (Mutual Hazard Networks (MHN)) mit einem stochastischen Simulationsalgorithmus (einem modifizierten Gillespie-Algorithmus) verbindet, um mögliche genetische Mutationssequenzen und ihre Wechselwirkungen in Tumoren iterativ zu ...

Übersetzung der Zusammenfassung (Deutsch)

In dieser Arbeit wird das Konzept einer neuartigen, auf maschinellem Lernen basierenden Simulation vorgestellt, die einen spezifischen Algorithmus für maschinelles Lernen (Mutual Hazard Networks (MHN)) mit einem stochastischen Simulationsalgorithmus (einem modifizierten Gillespie-Algorithmus) verbindet, um mögliche genetische Mutationssequenzen und ihre Wechselwirkungen in Tumoren iterativ zu rekonstruieren und vorherzusagen. Um die intuitive Nutzung unserer Simulation und die Vorhersage individueller Tumore zu erleichtern, wurde ein Webseiten-Prototyp entwickelt. Das Simulationsmodell wurde anhand mehrerer Arten spezifischer genetischer Veränderungen in Tumoren aus verschiedenen Studien und unterschiedlichen Organsystemen evaluiert und validiert. Darüber hinaus wurde eine vergleichende Analyse der gelernten Modelle und der daraus resultierenden Simulationen mit realen Daten aus verschiedenen genetischen Evolutionspunkten durchgeführt. Diese ermöglichte eine erste statistisch signifikante prognostische Vorhersage auf der Basis des Gens STK11 / LKB1 in bestimmten Lungentumoren.

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Englisch)

Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Deutsch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)

Universitätsbibliothek