The use and accessibility of Bayesian Inference in the Life Sciences
In dieser Dissertation wird sowohl die Anwendung bayesscher statistischer Methoden als auch der Zugang zu Methoden zur Analyse komplexer biologischer Daten untersucht. Herkömmliche Methoden stützen sich häufig auf frequentistische Ansätze wie z.B. t-Tests, ANOVA, etc. Diese Methoden können unter Umständen ungeeignet sein, wie beispielsweise bei der Handhabung von hierarchischen Strukturen oder einer kleinen Stichprobengröße. Im Gegensatz dazu bietet die bayessche Statistik durch anpassbare Modelle und die Einbeziehung von Vorwissen eine höhere Flexibilität. In den Lebenswissenschaften können präzisere statistische Ansätze zu einer Reduzierung der erforderlichen Stichprobengröße führen -- ein Ergebnis, das insbesondere im Zusammenhang mit der Tierforschung relevant ist. Das primäre Ziel dieser Arbeit ist es, die Anwendung und die Vorteile der bayesschen Statistik in der biomedizinischen Forschung hervorzuheben. Ein weiteres elementares Ziel ist die Minimierung von Hürden, die Biologen daran hindern, bayessche Methoden selbst anzuwenden. Die in dieser Dissertation enthaltenen vier Publikationen adressieren diese Ziele. Vorangestellt ist eine kurze Einführung in ein ausgewähltes biologisches Forschungsgebiet -- Zelldifferenzierung während der Knochenbildung -- und einer Übersicht von statistischen Methoden, mit Fokus auf die Bayes-Statistik. Der erste Beitrag verdeutlicht die konzeptionellen Vorteile der bayesschen Modellierung und vergleicht die Ergebnisse mit einer häufig verwendeten frequentistischen Methode. Dabei basiert der Vergleich auf realen Daten eines bekannten Tierverhaltensversuchs. Diese Publikation verdeutlicht die Nutzung von genaueren statistischen Methoden zur Erhaltung derselben Information mit weniger Tieren -- verglichen mit konventionallen Ansätzen. Die zweite Publikation untersucht die regulatorische Rolle der Transkriptionsfaktoren Gli3 und Trps1 bei der Regulation der Wnt5a-Expression während der frühen Stadien der Chondrozytenhypertrophie. Experimentelle Daten und bayessche Modellierung wurden verwendet, um die Genexpressionsdynamik zu quantifizieren und regulatorische Wechselwirkungen abzuleiten. Im dritten Beitrag wird der Einfluss von Chromatinzuständen auf die Genexpression und deren Rolle bei der Differenzierung von chondrogenen Zellen untersucht. Dabei erfasst ein bayessches Modell die Komplexität und hierarchischen Strukturen innerhalb der Dynamiken von Chromatinzuständen in verschiedenen Differenzierungsstadien, um so die Rolle spezifischer Histonmodifikationen zu klären. Die letzte Arbeit stellt ein webbasiertes Tool vor, das bayessche Analysen für Lebenswissenschaftler*innen zugänglicher machen soll. Dabei liegt der Fokus auf der Datenanalyse, der Planung von Experimenten hinsichtlich der Bestimmung der Stichprobengröße und der Erstellung von Berichten, um transparente und reproduzierbare Ergebnisse zu gewährleisten. Bayessche Methoden erfordern häufig eine explizite Modellerstellung, wodurch genauere Ergebnisse erzielt werden können -- speziell bei geringen Stichprobengrößen. Dies zeigt der Vergleich eines gut strukturierten Modells mit einem Modell, das auf den statistischen Annahmen basiert, die häufig bei frequentistischen Methoden impliziert werden. Durch die Anwendung bayesscher Modelle konnte ein tieferes Verständnis der Zelldifferenzierung und die regulatorische Rolle spezifische Histonmodifikationen in Chondrozyten erlangt werden. Es ist wichtig, Hürden in der Anwendung von weniger bekannten statistischen Methoden zu reduzieren, um genauere Analysen zu ermöglichen und den Einsatz von Tieren in der Forschung zu verringern. Die aktuelle Version von BAYAS kann dabei helfen, diese Hürden zu überwinden. Allerdings sind weitere Entwicklungen erforderlich, um zusätzliche Anwendungsfälle zu unterstützen und die Benutzerfreundlichkeit zu verbessern.
This dissertation explores the application and accessibility of Bayesian statistical methods for analyzing complex biological data. Conventional methodologies often rely on frequentist approaches such as t-tests, ANOVA, etc., but these methods can be inappropriate, particularly when dealing with complexities such as hierarchical structures or small sample sizes. In contrast, Bayesian statistics offer greater flexibility, as they allow for more adaptable models and the incorporation of prior knowledge. This is particularly relevant in the life sciences, where more accurate statistical approaches can lead to a reduction in the required sample size -- an outcome that is especially important in the context of animal research. The primary aim of this work is to highlight the application and benefits of Bayesian statistics in biomedical research. Another key objective is to reduce the barriers that prevent biologists from applying Bayesian methods themselves. To this end, the dissertation includes four publications, preceded by a brief introduction to a selected biological research field -- cell differentiation during bone formation -- and an overview of statistical methods, with a focus on Bayesian approaches. The first contributed paper underscores the conceptual benefits of Bayesian modeling and compares the results with a commonly used frequentist method. The comparison is based on real data from a well-known animal behavioral experiment. This paper emphasizes the use of more accurate statistical methods to obtain the same amount of information from fewer animals, as compared to conventional approaches. The second paper investigates the regulatory role of the transcription factors Gli3 and Trps1 in controlling Wnt5a expression during the early stages of chondrocyte hypertrophy. Experimental data and Bayesian modeling were used to quantify gene expression dynamics and to infer regulatory interactions. The third paper examines the effect of chromatin states on gene expression and their role in the differentiation of chondrogenic cells. A Bayesian model is used to capture the complexity and hierarchical structure of chromatin state dynamics associated with stages of differentiation, helping to clarify the role of specific histone modifications. The final paper introduces a new web-based tool designed to make Bayesian analysis more accessible to life scientists. It focuses on planning experiments based on sample size determination, data analysis, and generating reports to ensure transparent and reproducible results. By emphasizing explicit model building, Bayesian methods can yield more accurate results -- particularly with small sample sizes -- as demonstrated by comparing a well-structured model to one that relies on the statistical assumptions commonly implied by frequentist methods. Applying Bayesian models to additional biological data has contributed to a deeper understanding of cell differentiation in chondrocytes and the role of specific histone modifications in chromatin states. Reducing the barriers associated with less widely known statistical methods is important for enabling more accurate analyses -- and for reducing the use of animals in research. The current version of BAYAS can help overcome this barrier, but further development is needed to support additional use cases and to improve usability.