Login
- Originaltitel:
- Data-Driven Approaches to Dissect the T Cell Receptor - Epitope Landscape
- Übersetzter Titel:
- Datenbasierte Ansätze zur Untersuchung der T-Zell Rezeptor - Epitop Landschaft
- Autor:
- Drost, Felix Rupert
- Jahr:
- 2025
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Institution:
- Lehrstuhl für Mathematische Modellierung biologischer Systeme (Prof. Theis)
- Betreuer:
- Theis, Fabian J. (Prof. Dr. Dr.)
- Gutachter:
- Theis, Fabian J. (Prof. Dr. Dr.); Schober, Kilian (Prof. Dr.); Greiff, Victor (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- BIO Biowissenschaften; MAT Mathematik
- Stichworte:
- T cell receptors; Adaptive Immunology; Epitope specificity; Machine Learning; Deep Learning
- Übersetzte Stichworte:
- T-Zell Rezeptor; Adaptive Immunologie; Epitopspezifität; Maschinelles Lernen; Deep Learning
- TU-Systematik:
- BIO 110; MAT 022
- Kurzfassung:
- As a pivotal part of the adaptive immune systems, T cells recognize disease-derived epitopes presented on the Major histocompatibility complex through their T cell receptors (TCRs). In this cumulative thesis, I present data-driven approaches to infer epitope specificity in silico based on the TCR sequence information through clustering and prediction. These methods are discussed in the context of their application for immunological research and the design of safe and efficient vaccines.
- Übersetzte Kurzfassung:
- Als ein wesentlicher Teil des adaptiven Immunesystems erkennen T Zellen mithilfe ihres T-Zell Rezeptors (TZR) Epitope, die durch den Haupthistokompatibilitätskomplex präsentiert werden. Diese kumulative Dissertation untersucht datenbasierte Ansätze zur Bestimmung der Epitopespezifität anhand TZR Sequenzen durch Clustering- und Vorhersagemethoden. Diese Ansätze werden im Kontext ihrer Anwendung in der immunologische Forschung sowie der Entwicklung sicherer und effektiver Impfstoffe diskutiert.
- WWW:
- https://mediatum.ub.tum.de/?id=1764723
- Eingereicht am:
- 18.12.2024
- Mündliche Prüfung:
- 29.09.2025
- Dateigröße:
- 43845634 bytes
- Seiten:
- 168
- Urn (Zitierfähige URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250929-1764723-0-4
- Letzte Änderung:
- 06.11.2025
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology