Herr DI Dr. Michael Netzer ist der diesjährige Stefan-Schuy-Preisträger mit seiner Publikation: A new ensemble-based algorithm for identifying breath gas marker candidates in liver disease using ion molecule reaction mass spectrometry.
Netzer M, Millonig G, Osl M, Pfeifer B, Praun S, Villinger J, Vogel W, Baumgartner C. Bioinformatics. 2009 Apr 1;25(7):941-7. Epub 2009 Feb 17.

Ein Pdf des vollständigen Artikels ist über http://bioinformatics.oxfordjournals.org/content/25/7/941.full?view=long... frei verfügbar.

Ein neuer Ensemble-basierter Algorithmus zur Identifikation von Atemgas-Biomarkern bei Leberkrankheiten unter Verwendung der Ionen-Molekül-Reaktions Massenspektrometrie (IMR-MS)
Motivation: Die alkoholische und nicht-alkoholische Fettleber kann unbehandelt zu schweren Leberkrankheiten wie Steatohepatitis, Leberzirrhose oder Krebs führen. Eine frühzeitige Erkennung ist für den Beginn notwendiger Therapien unumgänglich, jedoch mangelt es an nicht-invasiven und hoch-spezifischen klinischen Diagnosemethoden.
Ergebnisse: Im Rahmen einer Studie wurden insgesamt 126 Atemgasproben von 91 Patienten mit alkoholischer Fettleber, nicht-alkoholischer Fettleber und Leberzirrhose und 35 Personen einer gesunden Kontrollgruppe gesammelt. Anschließend wurden die Atemgasproben mittels eines Ionen-Molekül-Reaktions Massenspektrometers (IMR-MS) analysiert und eine Liste von 114 Atemgasanalyten und deren Konzentrationen generiert. Für die Identifikation potentieller Atemgas-Biomarkerkandidaten wurde ein neuer Data Mining Algorithmus, genannt Stacked Feature Ranking (SFR), entwickelt. Dieses Verfahren beruht auf der Kombination verschiedener Entropie-, Korrelation- und Hypothesen-Test-basierten Attribut-Selektions-Verfahren. SFR verwendet eine zweistufige Architektur, bestehend aus einer Vorschlags- und einer Entscheidungsebene, um jene Menge von Atemgasanalyten zu identifizieren, die die höchste diagnostische Vorhersagegenauigkeit bei den untersuchten Krankheitsbildern erlaubt. SFR erreichte mit einer Fläche unter der ROC Kurve von 0,85 – 0,95 als statistisches Maß für die Vorhersagegenauigkeit gefundener Atemgas-Moleküle eine 10-15%-ig höhere Genauigkeit als alternative Verfahren. Mit dieser Methode konnten nun neue, unerwartete und hoch-prädiktive Atemgas-Markerkandidaten bei den drei untersuchten Leberkrankheiten identifiziert werden. Im Rahmen einer Literaturstudie konnten mehrere gefundene Atemgasanalyte in diesem Kontext bestätigt werden. Wir empfehlen daher SFR als ein leistungsstarkes Data Mining Tool für die Biomarker-Suche in Atemgasen und anderen biologischen Proben wie Blut oder Gewebe bei Verwendung der Massenspektrometrie als Analyseverfahren.