AG Jung - Bioinformatik

Unsere Arbeitsgruppe erforscht bioinformatische Methoden zur Analyse molekularbiologischer Daten aus Hochdurchsatzexperimenten. In solchen Experimenten wird z.B. mit Hilfe des Next-Generation-Sequencing (NGS) die Expression tausender Gene (Transkriptomik) oder Genom-Sequenzen ganzer Organismen (Genomik) ermittelt. Unsere Methodenentwicklung zielt darauf ab Ergebnisse mit hoher Reproduzierbarkeit zu erhalten oder die Unsicherheit in den Ergebnissen zu quantifizieren. Dabei greifen wir auf Methoden der Statistik zurück, etwa Resampling-Verfahren oder Verfahren der Evidenz-Synthese (z.B. Metaanalysen oder das Fusionieren mehrerer unabhängiger Datensätze), und adaptieren diese für bioinformatische Zwecke. Darüberhinaus fokussieren unsere Methoden insbesondere auf Anwendungen in der Infektionsforschung. Ein Anwendungsschwerpunkt bildet hier die virale Metagenomik, d.h. eine Bestandsaufnahme der viralen Genome in biologischen Proben infizierter Wirte. Desweiteren unterhalten wir Kooperationen mit Wissenschaftlern aus verschiedenen Bereichen der Biologie und Medizin, und entwickeln in diesen Projekten unsere bioinformatischen Methoden weiter. Eine Aufstellung drittmittelgeförderter Projekte finden Sie weiter unten auf dieser Seite. Zu einer Publikationsliste gelangen Sie hier.

Abbildung unten: Beispiele aus unserer Forschung

A) Transkriptomdaten aus mehreren, unabhängigen Studien wurden in einer Netzwerkanalyse kombiniert. Jeder Knoten des Netzwerks repräsentiert eine Studiengruppe (Kiontrollgruppe sowie vier Schweregrade einer Dengue-Virus-Infektion). Die Farben der Knoten und Kanten zeigen, aus welchen Studien die Daten entnommen wurden und welche Gruppenvergleiche in den Originalstudien stattgefunden haben. Durch die Kombination mehrerer Studien können Ergebnisse sicherer gemacht werden oder Wiedersprüche aufgedeckt werden.

Referenz: Winter, C., Camarao, A. A., Steffen, I., & Jung, K. (2022). Network meta-analysis of transcriptome expression changes in different manifestations of dengue virus infection. BMC genomics, 23(1), 165. doi.org/10.1186/s12864-022-08390-2

B) Aus Sequenzierdaten mit mehreren Millionen DNA- oder RNA-Fragmenten wurden Teilstichproben gezogen. Mit einem solchen sog. Bootstrap-Verfahren kann die Unsicherheit bei der Zuordnung der Fragmente zu bekannten Virengenomen oder bei der Ermittlung differentieller Genexpression besser beurteilt werden.

Referenz: Saremi, B., Gusmag, F., Distl, O., Schaarschmidt, F., Metzger, J., Becker, S., & Jung, K. (2022). A comparison of strategies for generating artificial replicates in RNA-seq experiments. Scientific reports, 12(1), 7170. doi.org/10.1038/s41598-022-11302-9

C) In hochdimensionalen Einzelzell-Transkriptom-Daten wurden für jeden Zelltyp Zellen im Randbereich identifiziert. Der Effekt dieser Zellen auf das Ergebnis der Datenauswertung wurde durch die Analyse des getrimmten Datensatzes ermittelt. Hierdurch kann ebenfalls die Unsicherheit der Analyse bestimmt werden. Darstellung der Daten nach Dimensionalreduktion mit dem t-SNE-Verfahren.

Referenz: Ruff, S., & Jung, K. (2026). scTrimClust: a fast approach to robust scRNA-seq analysis using trimmed cell clusters. Bioinformatics Advances, 6(1), vbag082. doi.org/10.1093/bioadv/vbag082