Analysing deep-seq data to reveal the hidden translational features in normal and pathological conditions

Abstract

Rapidly developing deep sequencing technologies constantly increase both, the precision and the depth, of the datasets produced worldwide. The enormous amount of big biological data in research causes the need for continuous integration of novel bioinformatics tools and algorithms to process it. In order to extract the most valuable information, which is frequently hidden, and therefore escapes from the common pipelines of analysis, the specific algorithms fitting a particular scientific question and data-type, has to be integrated. In this thesis, using three successful deep sequencing-based studies, I am showing the importance of in-depth bioinformatics analysis as the last and frequently the crucial step in the research pipeline, which allows to combine various experimental setups into one flow.

In dieser Arbeit zeige ich mithilfe dreier erfolgreicher deep-sequencing Studien die Wichtigkeit von gründlichen bioinformatischen Analysen als letzten und damit auch entscheidenden Schritt in die Forschungskette auf, was uns erlaubt, verschiedene experimentelle Setups in einem Schritt durchzuführen. Um die wertvollsten Informationen zu extrahieren, welche oftmals versteckt sind und dadurch von üblichen Analysepipelines nicht ermittelt werden können, muss man spezifische Algorithmen entwickeln, die exakt auf eine wissenschaftliche Frage oder Datentyp zugeschnitten sind. Rasch entwickelte "Deep sequencing" Technologien erhöhen sowohl die Präzision als auch die Tiefe der Datenbestände, die weltweit produziert werden. Die enorme Quantität an biologischen Daten in der Forschung resultiert in der Notwendigkeit für kontinuierlich neue bioinformatische Werkzeuge und Algorithmen, um diese Daten zu prozessieren.