Advertisement

Interaktive Tools für die Lehre der Statistischen Bioinformatik

Chapter

Zusammenfassung

Seit dem Einzug der DNA-Microarrays und der Next-Generation-Sequencing-Technologie in die molekulare Forschung unterrichten Biometriker in zunehmendem Maße Methoden der sogenannten „Statistischen Bioinformatik“. Diese Methoden betreffen die bioinformatisch-statistische Auswertung großer Datensätze, maßgeblich hochdimensionale Genexpressionsdaten. Hierfür stehen verschiedene Methoden und Analysetools zur Verfügung, deren Anwendung am Computer meist jedoch viel Zeit benötigt. In der Lehre der Statistischen Bioinformatik möchte man dennoch den Studierenden die Effekte der verschiedenen Methoden an einem gegebenen Datensatz aufzeigen. Um nicht wiederholt sehr große Abbildungen mit vielen Datenpunkten zu generieren, ermöglicht das freie Statistikprogramm R (https://www.r-project.org/) die Anwendung der Erweiterung Shiny (http://shiny.rstudio.com/). Shiny ist eine Web-Applikation für R, um interaktive Grafiken in einem Internetbrowser darzustellen. Diese Grafiken lassen sich mit verschiedenen Parametern versehen und interaktiv ändern, z. B. durch Schieberegler. Die Änderungen an den Einstellungen werden in Echtzeit angezeigt und lassen die Studierenden die Effekte, die durch die Änderung der Methodik oder der Parameter auftreten, nachvollziehen. Die hier vorgestellten E-Learning-Lehrmethoden wurden studiengangübergreifend in einem R-Kurs an der Tierärztlichen Hochschule Hannover evaluiert. Alle vorgestellten Shiny-Apps stehen unter https://jkruppa.github.io/ zum Download bereit.

Literatur

  1. Bolstad BM, Irizarry RA, Astrand M, Speed TP (2003) A comparison of normalization methods for high density oligonucleotide array data based on bias and variance. Bioinformatics 19:185–193CrossRefGoogle Scholar
  2. Efron B (2010) Large-scale inference.Cambridge University Press, CambridgeCrossRefMATHGoogle Scholar
  3. Robinson MD, McCarthy DJ, Smyth GK (2010) edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics 26(1): 139–140CrossRefGoogle Scholar
  4. Smyth GK (2005). Limma: Linear models for microarray data. In: Bioinformatics and computational biology solutions using R and Bioconductor. Springer, New York, S. 397–420CrossRefGoogle Scholar
  5. Sturn A, Quackenbush J, Trajanoski Z (2002) Genesis: Cluster analysis of microarray data. Bioinformatics 18(1):207–208CrossRefGoogle Scholar
  6. Subramanian A, Tamayo P, Mootha VK, Mukherjee S, Ebert BL, Gillette MA, Mesirov JP (2005) Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles. P Natl Acad Sci 102(43):15545–15550CrossRefGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland 2017

Authors and Affiliations

  1. 1.Institut für Tierzucht und VererbungsforschungStiftung Tierärztliche Hochschule HannoverHannoverDeutschland
  2. 2.Institut für Tierzucht und VererbungsforschungStiftung Tierärztliche Hochschule HannoverHannoverDeutschland

Personalised recommendations