Julienne Siptroth
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Research Interests
Julienne Siptroth has a total of 11 co-authors. Here are the top co-authors by number of shared publications:
- Olga Moskalenko
BIOMES NGS GmbH, Wildau, Germany
3 shared publications - Carsten Krumbiegel
BIOMES NGS GmbH, Wildau, Germany
2 shared publications - Heike Pospisil
High Performance Computing in Life Sciences, Technical University of Applied Sciences Wildau, Wildau, Germany
2 shared publications - Ina Koch
Goethe University, Institute of Computer Science, Frankfurt am Main, Germany
2 shared publications - Jörg Ackermann
Department of Molecular Bioinformatics, Institute of Computer Science, Goethe University Frankfurt, Frankfurt am Main, Germany
2 shared publications - Alina Nechyporenko
Technical University of Applied Sciences Wildau image/svg+xml
1 shared publication
Latest Publications
- Open Access
- 9 January 2025
- Published by University Library J. C. Senckenberg
Bioinformatische Analyse von multidimensionalen Mikrobiom- und Gesundheitsdaten unter Anwendung von Deep Learning-Verfahren
Die Bedeutung und der Einfluss des Darmmikrobiomes für den menschlichen Körper rückt in den letzten Jahren immer mehr in den Fokus der Forschung. Studien zeigen Zusammenhänge zwischen Veränderungen im Mikrobiom und dem Lebensstil oder dem Vorhandensein von Krankheiten auf. Mikrobiomanalysen ermöglichen das Identifizieren von charakteristischen Profilen oder Markern. Diese können die Früherkennung unterstützen oder Ansätze für Therapien liefern. Diabetes mellitus Typ 2 ist eine der weltweit häufigsten Erkrankungen. Diese führt zu einer Vielzahl von Folgeerkrankungen, wie Schlaganfälle oder Nierenversagen. Die Volkskrankheit stellt somit eine große Herausforderung für das Gesundheitssystem dar. Zusätzlich wird Diabetes mellitus Typ 2 meist sehr spät diagnostiziert. Die Untersuchung der Zusammenhänge zwischen dem Darmmikrobiom und Diabetes mellitus Typ 2 führen zu einem besseren Verständnis der molekularen Wechselwirkungen und Mechanismen. Dies unterstützt eine erfolgreiche Behandlung und Entwicklung von Medikamenten, auch über Diabetes mellitus Typ 2 hinaus. Neben der Betrachtung von einzelnen Bakterien oder ganzen taxonomischen Ebenen ist die Einbeziehung der bakteriellen Pathways wichtig. Diese verknüpfen anhand ihrer biologischen Funktion einzelne Bakterien miteinander. Ziel der vorliegenden Arbeit war statistisch signifikante Korrelationen zwischen der Zusammensetzung des Darmmikrobioms im Menschen und der Ausbildung von Diabetes mellitus Typ 2 mittels statistischer Methoden und Methoden des maschinellen Lernens zu finden und zu charakterisieren. Der erste Schritt bestand in der Detektion der vorhandenen Bakterien und der dazugehörige Pathways aus Stuhlproben durch Next Generation Sequencing von 16S rDNA. Diese wurden anschließend durch eine Analyse-Pipeline zu einem Mikrobiomprofil zusammengefasst. Die Zuordnung der beteiligten Pathways erfolgte anhand der identifizierten Genfamilien. Statistische Methoden, wie der Student t-Test oder Clusteranalysen, dienten der Ermittlung von signifikanten Unterschieden. Berücksichtigt wurden dabei nicht nur einzelne Bakterien, sondern auch das funktionelle Mikrobiom. Somit konnte ein umfassendes Profil erstellt werden. Die Hauptkomponentenanalyse wurde verwendet, um die Variabilität in den mikrobiellen Daten zu reduzieren und wichtige Muster oder Gruppierungen zu identifizieren. Das k-means-Clustering ermöglichte die Identifikation von Clusterstrukturen innerhalb der Mikrobiomdaten, während t-distributed Stochastic Neighbor Embedding und Uniform Manifold Approximation and Projection die Visualisierung der multidimensionalen Daten in einem zweidimensionalen Raum ermöglichten. Zur Bestimmung der Diversität im Darmmikrobiom wurden verschiedene Metriken, wie der Shannon-Entropy und die inverse Simpson-Korrelation, verwendet. Diese erlaubten es, die Artenvielfalt und die gleichmäßige Verteilung der Mikroorganismen zu bewerten. Darüber hinaus wurden auch fortgeschrittene Methoden des maschinellen Lernens eingesetzt. Diese Methoden ermöglichten eine prädiktive Modellierung sowie die Identifikation von wichtigen Merkmalen im Zusammenhang mit dem Darmmikrobiom bei Diabetes mellitus Typ 2, aus komplexen, heterogenen Daten. Ein entwickeltes künstliches neuronales Netz bildete die Grundlage für weitergehende Untersuchungen. Die Identifikation von relevanten bakteriellen Pathways für die Klassifikation ermöglichte die Ermittlung von biologisch funktionalen Zusammenhängen. Dazu wurde eine Analyse zur Merkmalsbedeutung über einen spieltheoretischen Ansatz (SHapley Additive exPlanations) angewendet. Die zusätzliche Analyse von assoziierten Gesundheitsdaten unterstützten die Erkennung von Wechselwirkungen und Einflüssen. Dazu fanden ebenfalls sowohl klassische statistische Methoden als auch maschinelles Lernen Anwendung. Mittels des Chi-Square-Tests und kategorischer Boostingverfahren konnten wichtige Merkmale detektiert werden. Die Methoden wurden wegen ihrer Eignung, Zusammenhänge in kategorischen Merkmalen zu detektieren, ausgewählt. Die Wahl der Methoden erfolgte aufgrund ihrer Eignung zur Analyse von komplexen mikrobiellen Datensätzen und ihrer Fähigkeit, Muster und Zusammenhänge in den Daten zu identifizieren. Die Kombination aus klassischen statistischen Methoden und Methoden des maschinellen Lernens ermöglichte eine umfassende Untersuchung des Darmmikrobioms im Zusammenhang mit Diabetes mellitus Typ 2.
- 9 January 2025
- Published by University Library J. C. Senckenberg
Open AccessBioinformatische Analyse von multidimensionalen Mikrobiom- und Gesundheitsdaten unter Anwendung von Deep Learning-Verfahren
Die Bedeutung und der Einfluss des Darmmikrobiomes für den menschlichen Körper rückt in den letzten Jahren immer mehr in den Fokus der Forschung. Studien zeigen Zusammenhänge zwischen Veränderungen im Mikrobiom und dem Lebensstil oder dem Vorhandensein von Krankheiten auf. Mikrobiomanalysen ermöglichen das Identifizieren von charakteristischen Profilen oder Markern. Diese können die Früherkennung unterstützen oder Ansätze für Therapien liefern. Diabetes mellitus Typ 2 ist eine der weltweit häufigsten Erkrankungen. Diese führt zu einer Vielzahl von Folgeerkrankungen, wie Schlaganfälle oder Nierenversagen. Die Volkskrankheit stellt somit eine große Herausforderung für das Gesundheitssystem dar. Zusätzlich wird Diabetes mellitus Typ 2 meist sehr spät diagnostiziert. Die Untersuchung der Zusammenhänge zwischen dem Darmmikrobiom und Diabetes mellitus Typ 2 führen zu einem besseren Verständnis der molekularen Wechselwirkungen und Mechanismen. Dies unterstützt eine erfolgreiche Behandlung und Entwicklung von Medikamenten, auch über Diabetes mellitus Typ 2 hinaus. Neben der Betrachtung von einzelnen Bakterien oder ganzen taxonomischen Ebenen ist die Einbeziehung der bakteriellen Pathways wichtig. Diese verknüpfen anhand ihrer biologischen Funktion einzelne Bakterien miteinander. Ziel der vorliegenden Arbeit war statistisch signifikante Korrelationen zwischen der Zusammensetzung des Darmmikrobioms im Menschen und der Ausbildung von Diabetes mellitus Typ 2 mittels statistischer Methoden und Methoden des maschinellen Lernens zu finden und zu charakterisieren. Der erste Schritt bestand in der Detektion der vorhandenen Bakterien und der dazugehörige Pathways aus Stuhlproben durch Next Generation Sequencing von 16S rDNA. Diese wurden anschließend durch eine Analyse-Pipeline zu einem Mikrobiomprofil zusammengefasst. Die Zuordnung der beteiligten Pathways erfolgte anhand der identifizierten Genfamilien. Statistische Methoden, wie der Student t-Test oder Clusteranalysen, dienten der Ermittlung von signifikanten Unterschieden. Berücksichtigt wurden dabei nicht nur einzelne Bakterien, sondern auch das funktionelle Mikrobiom. Somit konnte ein umfassendes Profil erstellt werden. Die Hauptkomponentenanalyse wurde verwendet, um die Variabilität in den mikrobiellen Daten zu reduzieren und wichtige Muster oder Gruppierungen zu identifizieren. Das k-means-Clustering ermöglichte die Identifikation von Clusterstrukturen innerhalb der Mikrobiomdaten, während t-distributed Stochastic Neighbor Embedding und Uniform Manifold Approximation and Projection die Visualisierung der multidimensionalen Daten in einem zweidimensionalen Raum ermöglichten. Zur Bestimmung der Diversität im Darmmikrobiom wurden verschiedene Metriken, wie der Shannon-Entropy und die inverse Simpson-Korrelation, verwendet. Diese erlaubten es, die Artenvielfalt und die gleichmäßige Verteilung der Mikroorganismen zu bewerten. Darüber hinaus wurden auch fortgeschrittene Methoden des maschinellen Lernens eingesetzt. Diese Methoden ermöglichten eine prädiktive Modellierung sowie die Identifikation von wichtigen Merkmalen im Zusammenhang mit dem Darmmikrobiom bei Diabetes mellitus Typ 2, aus komplexen, heterogenen Daten. Ein entwickeltes künstliches neuronales Netz bildete die Grundlage für weitergehende Untersuchungen. Die Identifikation von relevanten bakteriellen Pathways für die Klassifikation ermöglichte die Ermittlung von biologisch funktionalen Zusammenhängen. Dazu wurde eine Analyse zur Merkmalsbedeutung über einen spieltheoretischen Ansatz (SHapley Additive exPlanations) angewendet. Die zusätzliche Analyse von assoziierten Gesundheitsdaten unterstützten die Erkennung von Wechselwirkungen und Einflüssen. Dazu fanden ebenfalls sowohl klassische statistische Methoden als auch maschinelles Lernen Anwendung. Mittels des Chi-Square-Tests und kategorischer Boostingverfahren konnten wichtige Merkmale detektiert werden. Die Methoden wurden wegen ihrer Eignung, Zusammenhänge in kategorischen Merkmalen zu detektieren, ausgewählt. Die Wahl der Methoden erfolgte aufgrund ihrer Eignung zur Analyse von komplexen mikrobiellen Datensätzen und ihrer Fähigkeit, Muster und Zusammenhänge in den Daten zu identifizieren. Die Kombination aus klassischen statistischen Methoden und Methoden des maschinellen Lernens ermöglichte eine umfassende Untersuchung des Darmmikrobioms im Zusammenhang mit Diabetes mellitus Typ 2.
- Open Access
- 9 May 2023
- Published by Springer Nature in Discover Artificial Intelligence
- Vol. 3 (1) , 1-9
Investigation of metabolic pathways from gut microbiome analyses regarding type 2 diabetes mellitus using artificial neural networks
- 9 May 2023
- Published by Springer Nature in Discover Artificial Intelligence
- Vol. 3 (1) , 1-9
Open AccessInvestigation of metabolic pathways from gut microbiome analyses regarding type 2 diabetes mellitus using artificial neural networks
- Open Access
- 17 March 2023
- Published by MDPI AG in Big Data and Cognitive Computing
- Vol. 7 (1) , 51
Classification of Microbiome Data from Type 2 Diabetes Mellitus Individuals with Deep Learning Image Recognition
Microbiomic analysis of human gut samples is a beneficial tool to examine the general well-being and various health conditions. The balance of the intestinal flora is important to prevent chronic gut infections and adiposity, as well as pathological alterations connected to various diseases. The evaluation of microbiome data based on next-generation sequencing (NGS) is complex and their interpretation is often challenging and can be ambiguous. Therefore, we developed an innovative approach for the examination and classification of microbiomic data into healthy and diseased by visualizing the data as a radial heatmap in order to apply deep learning (DL) image classification. The differentiation between 674 healthy and 272 type 2 diabetes mellitus (T2D) samples was chosen as a proof of concept. The residual network with 50 layers (ResNet-50) image classification model was trained and optimized, providing discrimination with 96% accuracy. Samples from healthy persons were detected with a specificity of 97% and those from T2D individuals with a sensitivity of 92%. Image classification using DL of NGS microbiome data enables precise discrimination between healthy and diabetic individuals. In the future, this tool could enable classification of different diseases and imbalances of the gut microbiome and their causative genera.
- 17 March 2023
- Published by MDPI AG in Big Data and Cognitive Computing
- Vol. 7 (1) , 51
Open AccessClassification of Microbiome Data from Type 2 Diabetes Mellitus Individuals with Deep Learning Image Recognition
Microbiomic analysis of human gut samples is a beneficial tool to examine the general well-being and various health conditions. The balance of the intestinal flora is important to prevent chronic gut infections and adiposity, as well as pathological alterations connected to various diseases. The evaluation of microbiome data based on next-generation sequencing (NGS) is complex and their interpretation is often challenging and can be ambiguous. Therefore, we developed an innovative approach for the examination and classification of microbiomic data into healthy and diseased by visualizing the data as a radial heatmap in order to apply deep learning (DL) image classification. The differentiation between 674 healthy and 272 type 2 diabetes mellitus (T2D) samples was chosen as a proof of concept. The residual network with 50 layers (ResNet-50) image classification model was trained and optimized, providing discrimination with 96% accuracy. Samples from healthy persons were detected with a specificity of 97% and those from T2D individuals with a sensitivity of 92%. Image classification using DL of NGS microbiome data enables precise discrimination between healthy and diabetic individuals. In the future, this tool could enable classification of different diseases and imbalances of the gut microbiome and their causative genera.
- Open Access
- 13 February 2023
- Published by Springer Nature in International Microbiology
- Vol. 26 (3) , 601-610
Variation of butyrate production in the gut microbiome in type 2 diabetes patients
Background: Diabetes mellitus type 2 is a common disease that poses a challenge to the healthcare system. The disease is very often diagnosed late. A better understanding of the relationship between the gut microbiome and type 2 diabetes can support early detection and form an approach for therapies. Microbiome analysis offers a potential opportunity to find markers for this disease. Next-generation sequencing methods can be used to identify the bacteria present in the stool sample and to generate a microbiome profile through an analysis pipeline. Statistical analysis, e.g., using Student’s t-test, allows the identification of significant differences. The investigations are not only focused on single bacteria, but on the determination of a comprehensive profile. Also, the consideration of the functional microbiome is included in the analyses. The dataset is not from a clinical survey, but very extensive. Results: By examining 946 microbiome profiles of diabetes mellitus type 2 sufferers (272) and healthy control persons (674), a large number of significant genera (25) are revealed. It is possible to identify a large profile for type 2 diabetes disease. Furthermore, it is shown that the diversity of bacteria per taxonomic level in the group of persons with diabetes mellitus type 2 is significantly reduced compared to a healthy control group. In addition, six pathways are determined to be significant for type 2 diabetes describing the fermentation to butyrate. These parameters tend to have high potential for disease detection. Conclusions: With this investigation of the gut microbiome of persons with diabetes type 2 disease, we present significant bacteria and pathways characteristic of this disease.
- 13 February 2023
- Published by Springer Nature in International Microbiology
- Vol. 26 (3) , 601-610
Open AccessVariation of butyrate production in the gut microbiome in type 2 diabetes patients
Background: Diabetes mellitus type 2 is a common disease that poses a challenge to the healthcare system. The disease is very often diagnosed late. A better understanding of the relationship between the gut microbiome and type 2 diabetes can support early detection and form an approach for therapies. Microbiome analysis offers a potential opportunity to find markers for this disease. Next-generation sequencing methods can be used to identify the bacteria present in the stool sample and to generate a microbiome profile through an analysis pipeline. Statistical analysis, e.g., using Student’s t-test, allows the identification of significant differences. The investigations are not only focused on single bacteria, but on the determination of a comprehensive profile. Also, the consideration of the functional microbiome is included in the analyses. The dataset is not from a clinical survey, but very extensive. Results: By examining 946 microbiome profiles of diabetes mellitus type 2 sufferers (272) and healthy control persons (674), a large number of significant genera (25) are revealed. It is possible to identify a large profile for type 2 diabetes disease. Furthermore, it is shown that the diversity of bacteria per taxonomic level in the group of persons with diabetes mellitus type 2 is significantly reduced compared to a healthy control group. In addition, six pathways are determined to be significant for type 2 diabetes describing the fermentation to butyrate. These parameters tend to have high potential for disease detection. Conclusions: With this investigation of the gut microbiome of persons with diabetes type 2 disease, we present significant bacteria and pathways characteristic of this disease.