Angewandte Semantik

Erkenntnisse und Daten aus wissenschaftlicher Literatur für Computer nutzbar machen


Die Gruppe Applied Semantics arbeitet auf folgenden Gebieten:

  • Making Data FAIR (Findable, Accessible, Interoperable and Reusable)
  • Shared Semantics
  • Knowledge Discovery
  • Wissensgraphen, die Ursache-Wirkungs-Mechanismen darstellen  

Das Big-Data-Paradigma ist für den biomedizinischen Bereich mit seiner ständig wachsenden Zahl wissenschaftlicher Publikationen – und Omics-Daten – von großer Bedeutung. Es ist jedoch oft eine Herausforderung, relevante wissenschaftliche Erkenntnisse aus unstrukturierten Texten zu erfassen und zu organisieren. Außerdem treten häufig Probleme mit mangelnder Wiederverwendbarkeit oder geringer Qualität von Daten auf.

Die Gruppe Angewandte Semantik macht sowohl Daten als auch Wissen durch Datenkuration, Standardisierung und Datenmanagement für die Datenverarbeitung und -analyse nutzbar. Unsere Gruppe verfügt über Fachkenntnisse im Bereich der Shared Semantics, die die Grundlage für die Interoperabilität von Daten und Wissen bilden. Wir können semantische Interoperabilität erreichen, indem wir biologische Einheiten in Beziehung  zu Standardterminologien oder Ontologien setzen. Ontologien und Terminologien dienen auch als Grundlage für semantisch basierte Knowledge-Discovery-Systeme.

Ein weiterer Schwerpunkt der Gruppe liegt auf Wissensgraphen, die Ursache-Wirkungs-Mechanismen darstellen, welche aus wissenschaftlichen Publikationen extrahiert werden. Wissensgraphen sind multimodal, krankheitsspezifisch und umfassen biologische Entitäten, die von der genetischen Ebene bis zur phänotypischen Ebene reichen, sowie verschiedene Beziehungen zwischen ihnen. Unsere aktuellen Wissensgraphen umfassen neurodegenerative, psychiatrische und metabolische Störungen.

Modelle, die Daten und Wissen integrieren, bilden die Grundlage unserer Ansätze zur Präzisionsmedizin. Hiermit können wir Daten auf Patientenebene analysieren, wenn man den Stand des Wissens über die Krankheitsmechanismen berücksichtigt. Einige der wichtigsten Anwendungen, die sich aus der Kombination von Wissensgraphen und Daten ergeben, sind die Einteilung von Patienten in Subgruppen, die Identifizierung von Komorbiditäten auf der Grundlage von Mechanismen, die personalisierte Medizin und die Verwendung vorhandener Medikamente für andere Erkrankungen.

Tools & Resources

Die Gruppe Applied Semantics bietet eine Vielzahl von Tools und Software an, die dabei helfen, Wissensgrafiken abzufragen, zu visualisieren und zusammen mit den Daten zu analysieren.

Ontologien

Je nach dem Umfang des Forschungsgebiets, in dem wir arbeiten, entwickeln wir Ontologien und Terminologien. Wir entwickeln sowohl gemeinsame als auch krankheitsspezifische Ontologien.

Disease Models

Einer unserer Schwerpunkte ist die Erstellung von Wissensgraphen aus vorhandenem Wissen in der Literatur sowie der Ergänzung mit Daten aus öffentlichen Datenbanken wie KEGG, REACTOME, WikiPathways etc.

Team

Ausgewählte Publikationen

  • Kodamullil AT, Younesi E, Naz M, Bagewadi S, Hofmann-Apitius M. "Computable cause-and-effect models of healthy and Alzheimer's disease states and their mechanistic differential analysis." Alzheimer's & dementia: the journal of the Alzheimer's Association 11.11 (2015): 1329-1339.
  • Kodamullil AT, Zekri F, Sood M, Hengerer B, Canard L, McHale D, Hofmann-Apitius M. Trial watch: Tracing investment in drug development for Alzheimer disease. Nat Rev Drug Discov. 2017 Dec;16(12):819.
  • Karki R, Kodamullil AT, Hoyt CT, Hofmann-Apitius M. Quantifying mechanisms in neurodegenerative diseases (NDDs) using candidate mechanism perturbation amplitude (CMPA) algorithm. BMC Bioinformatics. 2019 Oct 11;20(1):494.
  • Domingo-Fernández D, Kodamullil AT, Iyappan A, Naz M, Emon MA, Raschka T, Karki R, Springstubbe S, Ebeling C, Hofmann-Apitius M. Multimodal mechanistic signatures for neurodegenerative diseases (NeuroMMSig): a web server for mechanism enrichment. Bioinformatics. 2017 Nov 15;33(22):3679-3681.
  • Naz M, Kodamullil AT, Hofmann-Apitius M. Reasoning over genetic variance information in cause-and-effect models of neurodegenerative diseases. Brief Bioinform. 2016 May;17(3):505-16.