Karriere

Prof. Dr. Pascal Falter-Braun studierte Biochemie in Leipzig und Berlin und forschte nach seiner Promotion und Postdoc-Zeit an der Harvard Medical School (Harvard University) und den angeschlossenen Krankenhäusern in Boston, MA. 2012 gründete er seine eigene Forschungsgruppe an der TU München und wurde 2015 mit einem ERC Consolidator Grant ausgezeichnet. Seit 2017 ist Falter-Braun Professor und Lehrstuhlinhaber für Mikroben-Wirt-Interaktionen an der LMU und Leiter des Instituts für Netzwerkbiologie am Helmholtz-Zentrum München. Falter-Braun ist ein Pionier auf dem Gebiet der Kartierung von Protein-Interaktionsnetzwerken und der Netzwerkanalyse mit dem Fokus auf molekulare Mikroben-Wirt-Netzwerke. Das Institut entwickelt experimentelle Hochdurchsatz- und analytische Deep-Learning-Ansätze, um zu verstehen, wie die Netzwerkstruktur die biologischen Konsequenzen von Störungen durch menschliche Genvarianten und Infektionserreger beeinflusst und bestimmt.

Molekulare Interaktionen bilden die Grundlage für fast alle biologischen Prozesse in jedem lebenden Organismus. Störungen in diesen molekularen Netzwerken führen zu Fehlfunktionen, die sich in Krankheiten bis hin zu tödlichen Folgen äußern.

Unser Ziel am INET ist es zu verstehen, wie diese molekularen Interaktionsnetzwerke, die durch genetische Varianten oder auch durch Umwelteinflüsse wie Viren oder Bakterien verändert werden, zu pathologischen Prozessen führen.  Ein tiefes Verständnis des Zusammenspiels all der verschiedenen Schichten molekularer Netzwerke kann zu neuen Strategien für die Krankheitsvorbeugung und pharmakologische Interventionen führen.

Um diese grundlegenden Fragen zu klären, identifizieren wir systematisch molekulare Interaktionen auf Modul- und Proteomebene mit Hilfe einer robotergestützten experimentellen Plattform. Die auf diese Weise kartierten Netzwerke werden mit populationsgenetischen, molekularen und funktionellen Daten integriert und mit graphentheoretischen und statistischen Methoden analysiert. Von zunehmender Bedeutung sind Methoden der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) zur Identifizierung genetischer Empfindlichkeiten und pharmakologischer Eingriffspunkte. Zusätzlich zu unserer experimentellen Hochdurchsatz-Pipeline (HT) werden Bioinformatik, statistische Analysen und neueste Deep-Learning-Ansätze eingesetzt, um Netzwerkveränderungen und ihre systemweiten Auswirkungen zu verstehen. Hypothesen und Vorhersagen aus diesem interdisziplinären Ansatz werden iterativ durch biochemische, zellbiologische und genetische Studien am INET validiert.

Die Kombination aus systematischer Interaktionskartierung, Deep Learning und mechanistischer Nachverfolgung ermöglicht es uns, Krankheitsmodule und Interventionspunkte zu identifizieren.

Network BiologyMolecular InteractionsMicrobe-Host InteractionsSARS-CoV-2 contactomeMicrobiomeAIORFeomesHT Technologies