Reductionist approach to avoid information overflow and noise in the assessment of complex DNA mixtures

Abstract

Genetic information transfer, which is the transfer of parental traits to offspring’s, completely depends on specific molecular recognition. This information is stored in stretches of DNA known as genes. Various gene expression profiling studies are used to investigate the activity of specific genes at specific instant. Many studies have successfully shown that molecular recognition is dependent on the complexity of biological systems. Increase in complexity often results in unspecific hybridization. Subsequent quantification of this data results in reduced signal to noise ratio. Often, the information of interest, especially when it is in small amounts, is clouded by larger amounts of unspecific information. These problems need to be addressed for profiling studies to be more reliable. Often large amounts of unspecific information may present a significant challenge, as it increases the time and effort needed to retrieve specific information. This dissertation proposes a novel and simple method to identify and reduce hybridization noise in gene expression profiling techniques. First part of this dissertation deals with the development of a biomolecular model system. Second part deals with identification, retrieval and subsequent verification of the specific information from model system with noise. Finally, the retrieved information is analysed for fidelity and specificity by various gene expression profiling techniques.

Genetische Informationsübertragung ist die Übertragung der elterlichen Eigenschaften auf die Nachkommen, sie hängt vollständig von spezifischer molekularer Erkennung ab. Die Information ist in bestimmten DNA Abschnitten (Gene) gespeichert. Verschiedene Genexpressionsanalyse-Studien werden zur Identifizierung und Quantifizierung der Aktivität bestimmter Gene durchgeführt. Viele Studien konnten erfolgreich zeigen, dass die "molekulare Erkennung“ von der Komplexität der biologischen Systeme abhängig ist. Eine Erhöhung der Komplexität führt häufig zu unspezifischer Hybridisierung. Die anschließende Quantifizierung dieser Daten führt zu Ergebnissen verringertem Signal-Rausch-Verhältnis. Oft sind die angestrebten Informationen in größeren Mengen an unspezifischen Informationen verborgen, insbesondere wenn es sich bei den gesuchten Informationen um kleine Datenmengen handelt. Oft stellen aber große Mengen von unspezifischen Informationen eine bedeutende Herausforderung dar, indem sie die Aufwand zur Informationsgewinnung erheblich erhöhen. Der erste Teil der vorliegenden Dissertation beschäftigt sich mit der Entwicklung eines molekularbiologischen Modellsystem. Der zweite Teil befasst sich mit der Identifizierung, dem Abruf und der Überprüfung der spezifischen Informationen aus dem Modellsystem durch Hybridisierung. Schließlich werden die gewonnenen Informationen mittels verschiedener Genexpressionanalysetechniken auf ihre Genauigkeit und Spezifität hin untersucht.