http://hdl.handle.net/10900/42133 2026-11-03T00:43:58Z 2026-11-03T00:43:58Z Fehrenbach, Axel http://hdl.handle.net/10900/185131 2026-11-03T00:00:36Z 2026-11-02T00:00:00Z

Evolutionary Dynamics, Diversity and Interactions of CRISPR Arrays Fehrenbach, Axel CRISPR-Cas systems provide adaptive immunity against invading genetic elements in prokaryotes. Their CRISPR arrays store spacers acquired from previous infections, creating a chronological record of host–phage interactions. However, spacer deletions, array orientation, and interactions between multiple arrays and systems complicate the reconstruction of their evolutionary histories. This thesis investigates CRISPR array evolution through computational and statistical methods. We developed SpacerPlacer, a framework for reconstructing the evolutionary histories of related CRISPR arrays along phylogenies while preserving spacer order. We further developed stochastic models and statistical methods to estimate evolutionary rates and test hypotheses about spacer deletion mechanisms. Additionally, we introduced CRISPR-evOr to predict the acquisition end of CRISPR arrays, providing information about their orientation and leader location. Applying these methods to large-scale datasets revealed conserved evolutionary patterns across CRISPR-Cas types. Spacer deletions are frequent, often remove multiple adjacent spacers, occur less frequently at array boundaries, and exhibit patterns consistent with selective pressures. Furthermore, CRISPR-Cas systems display type-specific patterns of genomic organization, repeat similarity, and orientation. Their co-occurrence patterns suggest diverse interactions, ranging from independent or potentially antagonistic behavior to cooperation in spacer acquisition, expression, and interference. Together, these findings establish a quantitative framework for studying CRISPR array evolution, revealing evolutionary dynamics and organizational patterns that improve our understanding of CRISPR-Cas functionality and microbial host–phage interactions.

2026-11-02T00:00:00Z Tiwari, Garvita http://hdl.handle.net/10900/185130 2026-11-03T00:00:35Z 2026-11-02T00:00:00Z

Neural Representation and Prior for Controllable 3D Digital Humans Tiwari, Garvita Modeling realistic and controllable 3D digital humans is a central focus in computer vision and graphics, with broad applications in AR/VR, virtual try-on, entertainment, and embodied AI. Achieving high-fidelity avatars requires accurate modeling of how people look, dress, and move. However, this remains challenging due to high variability in clothing types, body shapes, poses, and their interdependencies. This dissertation addresses two core aspects of human digitization – how we dress and how we move – through novel representations, datasets, and learning-based methods that advance the state of 3D human modeling. Our contributions to modeling human clothing address multi-faceted challenges across geometry representations, learning formulations, and practical applications. We explore how clothing and body geometry are influenced by size, shape, pose, and style, proposing specialized representations and learning frameworks—supported by high-quality datasets—to enable more robust and generalizable models of clothed humans. We introduce SIZER, the first model to capture clothing deformations based on clothing size and body shape using a mesh-based representation. SizerNet models the subtle, non- linear effects of size and shape on clothing fit and drape – factors often overlooked in prior work. To support this, we curate a large-scale, high-quality dataset of 3D scans with diverse subjects, clothing types, and multiple sizes per item. Rich annotations, including clothing categories, segmentation, registrations, and accurate body shapes, enable realistic, data-driven modeling. Additionally, we introduce ParserNet, the first learning-based method to recover detailed clothing meshes and body shape from a single input mesh. Unlike prior methods, it allows editing clothing or body shape without requiring segmentation or registration at test time. Together, the dataset and models form a strong foundation for future work in clothed human reconstruction, generation, and size-sensitive modeling. While mesh-based approaches excel in template-specific garments, they struggle with non-rigid deformations, topological diversity, and require costly registration and processing pipelines. To address this, we propose Neural-GIF, an animatable model of clothed humans learned directly from raw scans using neural implicit representations. Inspired by template- based decomposition of motion into articulation and non-rigid deformation, we generalize this idea to implicit shape learning. We learn a pose-dependent backward skinning field to map input points to a canonical space, followed by a deformation field in the canonical space to capture non-rigid, pose-dependent deformation. This enables modeling of highly complex clothing and soft-tissue dynamics. Neural-GIF achieves fine-grained details, shape-aware deformations, and outperforms prior methods in flexibility and accuracy. We also introduce a 4D scan dataset with loose, complex clothing to support further research in this area. Prior work often models clothing and body as a single surface or focuses on isolated clothing styles, failing to capture the diversity and layered nature of real-world clothing. To address this, we propose TailorDiff, a unified, controllable, diffusion-based point cloud viii model that serves as an SMPL-like foundation model for clothing. By leveraging a point cloud representation, TailorDiff is topology-agnostic, enabling unified modeling across all categories of clothing. A hierarchical, body-aware latent space supports generation and editing conditioned on style, body shape, and fine-grained attributes like sleeve or hem length. To train this large-scale model, we curate a rich and diverse dataset by aggregating synthetic clothing scans from multiple sources. TailorDiff also readily supports inverse problems, such as fitting layered clothing to partial scans – pushing the boundaries of SMPL-based human modeling towards more expressive, realistic representations of humans in layered clothing. Beyond modeling how we dress, this dissertation also addresses how we move. Pose priors are crucial for generating realistic new poses and for reconstructing accurate poses from noisy or partial observations. Existing priors rely on Gaussian assumptions, which bias estimates towards the mean and distort the pose manifold. We introduce PoseNDF, a novel formulation for learning pose priors using a Neural Distance Field, without relying on explicit density modeling or prior assumptions. PoseNDF extends implicit surface modeling in 3D to high-dimensional pose space, learning the valid pose manifold from sets of plausible and implausible poses via a neural network. The zero level set of the learned manifold defines valid poses, enabling projection using the distance and its analytic gradient. Using PoseNDF as prior yields state-of-the-art results in motion denoising, pose completion, and single-image 3-D pose estimation while increasing sample diversity. This thesis advances the field of 3D digital humans by pushing the frontiers of human- clothing models and human pose understanding. We provide an in-depth analysis of our ideas and position our work in the context of related research, including approaches that emerged concurrently. We conclude with an outline of future directions, aiming not only to address current limitations but also to further advance the field. As the demand for immersive digital environments continues to grow, we envision our contributions serving as a foundation for building expressive, generalizable, and fully interactive 3D digital humans; Die Modellierung von realistischen und kontrollierbaren digitalen 3D Menschen ist in zentrales Thema des maschinellen Sehens und der Computerrgrafik mit vielfältigen Anwen- dungen in der AR/VR, virtuellen Anprobe, Unterhaltungsindustrie und verkörperter KI.Die Erstellung hochauflösender Avatare erfordert eine präzise Modellierung der Erscheinung, der Kleidung und der Bewegungen von Menschen. Dies ist nach wie vor herausfordernd aufgrund der hohen Variabilität von Kleidungstypen, Körperformen, Körperhaltungen und deren wechselseitigen Abhängigkeiten. Diese Dissertation behandelt zwei zentrale Aspekte der menschlichen Digitalisierung – wie wir uns kleiden und wie wir uns bewegen – durch neuartige Repräsentationen, Datensätze und lernbasierte Methoden, die den Stand der 3D Modellierung des Menschen vorantreiben. Unsere Beiträge zur Modellierung menschlicher Bekleidung greifen vielfältige Heraus- forderungen in Bezug auf Geometrierepräsentationen, Lernformulierungen und praktische Anwendungen auf. Wir untersuchen, wie Kleidung und Körpergeometrie durch Größe, Form, Pose und Stil beeinflusst werden, und schlagen spezialisierte Repräsentationen und Lern- frameworks vor – gestützt durch hochwertige Datensätze – um robustere und generalisierbare Modelle bekleideter Menschen zu ermöglichen. Wir stellen SIZER vor – das erste Modell, das Kleidungsdeformationen basierend auf Kleidergröße und Körperform mit Hilfe einer mesh-basierten Repräsentation erfasst. Siz- erNet modelliert subtile, nichtlineare Effekte von Größe und Form auf Passform und Fall der Kleidung – Faktoren, die in früheren Arbeiten oft übersehen wurden. Dazu erstellen wir einen groß angelegten, hochwertigen Datensatz aus 3D-Scans von diversen Subjekten, welche verschiedene Kleidungstypen in verschiedenen Größen tragen. Reichhaltige An- notationen, darunter Kleidungskategorien, Segmentierungen, Registrierungen und präzise Körperformen, ermöglichen eine realistische, datengetriebene Modellierung. Außerdem präsentieren wir ParserNet, die erste lernbasierte Methode zur Wiederherstellung detaillierter Kleidungsmeshes und Körperformen aus einem einzelnem Eingabemesh. Im Gegensatz zu früheren Ansätzen erlaubt es das Editieren von Kleidung oder Körperform ohne Segmen- tierung oder Registrierung zur Testzeit. Zusammen bilden der Datensatz und die Modelle ein starkes Fundament für zukünftige Arbeiten zur Rekonstruktion, Generierung und größenab- hängigen Modellierung bekleideter Menschen. Während mesh-basierte Ansätze bei vorlagenspezifischer Kleidung gut funktionieren, stoßen sie bei nichtlinearen Verformungen, topologischer Vielfalt und aufwändigen Registrierungs- und Verarbeitungsprozessen an ihre Grenzen. Um dem zu begegnen, schlagen wir Neural-GIF vor – ein animierbares Modell bekleideter Menschen, das direkt aus unverarbeiteten Scans durch neuronale implizite Repräsentationen gelernt wird. Inspiriert von der vorlagenbasierten Zerlegung von Bewegung in Artikulation und nichtlineare Verformung, generalisieren wir diesen Ansatz auf implizites Lernen von Formen. Wir lernen ein posenabhängiges Rück- x transformationsfeld, das Eingabepunkte in einen kanonischen Raum abbildet, gefolgt von einem Deformationsfeld in diesem Raum zur Erfassung nichtlinearer, posenabhängiger Ver- formungen. Dies ermöglicht die Modellierung hochkomplexer Kleidung und Weichgewebe- dynamik. Neural-GIF kann feine Details und form abhängige Verformungen darstellen und übertrifft frühere Methoden in Flexibilität und Genauigkeit. Zudem stellen wir einen 4D- Scan-Datensatz mit lockerer, komplexer Kleidung bereit, der weitere Forschung in diesem Bereich unterstützt. Frühere Arbeiten modellieren Kleidung und Körper oft als eine einzelne Oberfläche oder konzentrieren sich auf isolierte Kleidungsstile und erfassen so weder die Vielfalt noch die Mehrlagigkeit realer Bekleidung. Um dies zu beheben, schlagen wir TailorDiff vor – ein einheitliches, steuerbares, diffusionbasiertes Punktwolkenmodell, das als SMPL-ähnliches Grundmodell für Kleidung dient. Durch die Nutzung der Punktwolkenrepräsentation ist Tai- lorDiff topologieunabhängig und erlaubt eine einheitliche Modellierung aller Kleidungskat- egorien. Ein hierarchischer, körpersensitiver latenter Raum ermöglicht die Generierung und Bearbeitung basierend auf Stil, Körperform und feineren Attributen wie Ärmellänge oder Saumlänge. Zum Trainieren dieses großen Modells erstellen wir einen umfangreichen und vielfältigen Datensatz indem wir synthethische Kleidungdsscans aus verschiedenen Quellen zusammentragen. TailorDiff unterstützt auch Inverse Probleme wie das Anpassen mehrlagiger Kleidung an partielle Scans – ein Schritt hin zu ausdrucksstärkeren, realistis- cheren Darstellungen von Menschen in mehrlagiger Kleidung. Neben der Modellierung, wie wir uns kleiden, widmet sich diese Dissertation auch der Frage, wie wir uns bewegen. Pose-priors sind entscheidend für die realistische Generierung neuer Posen sowie die Rekonstruktion genauer Posen aus verrauschten oder unvollständigen Beobachtungen. Bestehende Priors basieren auf Gaußschen Annahmen, die Schätzungen zum Mittelwert hin verzerren und die Posenmannigfaltigkeit verzerren. Wir stellen PoseNDF vor, eine neuartige Formulierung zum Lernen von mittels Neural Distance Fields, ohne explizite Dichteannahmen oder vorherige Modellannahmen. PoseNDF erweitert implizite 3D-Oberflächenmodellierung auf hochdimensionale Posenräume, indem es gültige und ungültige Posenmengen über ein neuronales Netz lernt. Die Nullniveaufläche der gelern- ten Mannigfaltigkeit definiert gültige Posen und erlaubt Projektionen mittels Distanz und analytischem Gradienten. Die Verwendung von PoseNDF als Prior führt zu neuen Bestleis- tungen in Bewegungsentrauschung, Posenvervollständigung und 3D-Pose-Schätzung aus Einzelbildern – bei gleichzeitig höherer Diversität der erzeugten Posen. Diese Dissertation erweitert das Feld der 3D-Digitalmenschen, indem sie die Grenzen von Kleidung- und Bewegungsmodellen verschiebt. Wir bieten eine tiefgehende Analyse unserer Ansätze und positionieren unsere Arbeit im Kontext verwandter und gleichzeitig entstandener Forschungsrichtungen. Abschließend skizzieren wir zukünftige Forschungsrich- tungen, die aktuelle Einschränkungen adressieren und das Feld weiter vorantreiben sollen. Angesichts der wachsenden Nachfrage nach immersiven digitalen Umgebungen sehen wir unsere Beiträge als Grundlage für die Entwicklung ausdrucksstarker, generalisierbarer und vollständig interaktiver 3D-Digitalmenschen.

2026-11-02T00:00:00Z Mohammed, Ibrahim http://hdl.handle.net/10900/185112 2026-10-31T02:07:04Z 2026-10-30T00:00:00Z

Psychopathology and Its Moderators in a Highly Traumatized Population Living in Kurdistan Mohammed, Ibrahim Hintergrund: In der Region Kurdistan kam es zu schweren Menschenrechtsverletzungen, darunter die chemischen Angriffe von 1988 sowie der Völkermord an den Jesiden im Jahr 2014. Diese Ereignisse haben die psychische und physische Gesundheit der Überlebenden nachhaltig beeinträchtigt. Zielsetzung: Diese Studie untersuchte genetische, traumabezogene und psychosoziale Faktoren, die mit posttraumatischer Belastungsstörung (PTBS) und verwandten Symptomen bei N = 892 kurdischen Trauma-Überlebenden zusammenhängen: Überlebende von Chemiewaffenangriffen (n = 534) und jesidische Überlebende der Gewalt durch den Islamischen Staat (n = 358). Es wurde geprüft, ob polygenetische Risikoscores (PRS) für PTBS mit der Symptomschwere assoziiert sind, ob dieser Zusammenhang von der kumulativen Traumabelastung abhängt und ob traumabezogene Faktoren zusätzliche Varianz über demografische und psychosoziale Merkmale hinaus erklären. Unterschiede zwischen den beiden Kohorten wurden ebenfalls untersucht. Methoden: Die Datenerhebung erfolgte von März bis September 2023 bei den Überlebenden der Chemiewaffenangriffe und von Mai bis September 2024 bei den jesidischen Überlebenden. Die Teilnehmenden füllten den PTSD Checklist for DSM-5 (PCL-5), den Patient Health Questionnaire-15 (PHQ-15), die Perceived Stress Scale-14 (PSS-14) und die Hopkins Symptom Checklist-25 (HSCL-25) aus. Desoxyribonukleinsäure (DNA) wurde aus Speichelproben extrahiert und mittels genomweiter Single-Nucleotide-Polymorphism-(SNP-)Arrays genotypisiert, um polygenetische Risikoscores (PRS) für PTBS zu berechnen. Hierarchische Regressionsmodelle prüften demografische, psychosoziale und traumabezogene Prädiktoren. Anschließend wurden lineare Regressionsmodelle sowie gemischte Modelle zur Untersuchung der Haupteffekte der PRS und der PRS × Trauma-Interaktionen durchgeführt, jeweils unter Kontrolle von Alter, Geschlecht, Bildung, Populationsstruktur und genetischer Verwandtschaft. Diese Studie trug zudem zur Übersetzung und kulturellen Adaptation mehrerer psychometrischer Instrumente (PHQ-15, PCL-5, HSCL-25 und PSS-14) ins Kurdische bei. Die interne Konsistenz wurde mittels Cronbachs Alpha und McDonalds Omega bewertet. Ergebnisse: Demografische Variablen erklärten 10–38 % der Varianz in den psychischen Gesundheitsoutcomes. In der Chemiewaffen-Kohorte waren Traumabelastung (β = 0,21–0,24), niedrigere Bildung (β = −0,17 bis −0,21) und weibliches Geschlecht (β = 0,03–0,35) konsistent mit höheren Symptomwerten assoziiert. Auch die Einnahme psychotroper Medikamente war positiv mit Symptomen verbunden. In der jesidischen Kohorte waren Traumabelastung (β = 0,19–0,37), niedrigere Bildung und weibliches Geschlecht die wichtigsten Prädiktoren, während soziale Unterstützung und psychotrope Medikation über demografische und traumabezogene Faktoren hinaus nur einen geringen zusätzlichen Beitrag leisteten. In beiden Kohorten waren kumulative Traumabelastung und Bildung die stabilsten Prädiktoren für PTBS, Depression/Angst, somatische Symptome und wahrgenommenen Stress. In der Chemiewaffen-Kohorte zeigten die PTBS-PRS einen kleinen, aber signifikanten Haupteffekt (B = 1,76, p = .010) sowie eine signifikante Interaktion mit der Traumabelastung (B = 1,44, p = .032), was darauf hinweist, dass sich genetisches Risiko bei höherer kumulativer Traumabelastung stärker zeigt. In der jesidischen Kohorte zeigte sich kein signifikanter Zusammenhang zwischen PRS und Symptomen, und es bestand keine Interaktion mit der Traumabelastung. Schlussfolgerungen: Die Ergebnisse legen nahe, dass der PTBS-PRS nur geringfügig mit der Symptomschwere assoziiert ist und mit der Traumabelastung bei Überlebenden chemischer Gasangriffe interagiert, jedoch nicht bei jesidischen Überlebenden. In beiden Kohorten traten kumulative Traumabelastung, weibliches Geschlecht und niedrigere Bildung konsistent als zentrale Prädiktoren hervor und unterstreichen die zentrale Rolle von Trauma und sozioökonomischem Kontext. In der chemischen- Gas- Kohorte zeigten sich stärkere Zusammenhänge mit psychotropen Medikamenten und bestimmten psychosozialen Faktoren, während soziale Unterstützung bei jesidischen Überlebenden eher schützend wirkte, was die Bedeutung kontextspezifischer Umwelt- und Strukturfaktoren unterstreicht. Insgesamt unterstreichen die Befunde die Notwendigkeit, Herkunft und Populationsstruktur in genomischen Vorhersagemodellen zu berücksichtigen, und unterstützen die Notwendigkeit kontextsensitiver Interventionen bei langfristig traumatisierten kurdischen Bevölkerungsgruppen.; Background: The Kurdistan Region has experienced major human rights violations, including the 1988 chemical attacks during the Anfal Campaign carried out by the Iraqi regime, and the 2014 genocide of Yazidis perpetrated by the Islamic State (IS). These events have had long-term effects on survivors’ mental and physical health. Objective: This study examined genetic, trauma-related, and psychosocial factors associated with post-traumatic stress disorder (PTSD) and related symptoms in 892 Kurdish trauma survivors: chemical gas survivors (n = 534) and Yazidi survivors of IS violence (n = 358). We assessed whether PTSD polygenic risk scores (PRS) are associated with symptom severity, whether this varies with cumulative trauma exposure, and whether trauma-related factors explain additional variance beyond demographic and psychosocial variables. Differences between the two cohorts were also examined. Methods: Data were collected between March and September 2023 from survivors of the chemical gas attacks and between May and September 2024 from Yazidi survivors of ISIS attacks. Participants completed the PTSD Checklist for DSM-5 (PCL-5), the Patient Health Questionnaire-15 (PHQ-15), the Perceived Stress Scale-14 (PSS-14), and the Hopkins Symptom Checklist-25 (HSCL-25). Deoxyribonucleic acid (DNA) was extracted from saliva samples and genotyped using genome-wide single nucleotide polymorphism (SNP) arrays to calculate PTSD polygenic risk scores (PRS). Hierarchical regression models were used to examine demographic, psychosocial, and trauma-related predictors of psychopathology. Linear regression and mixed-effects models were subsequently applied to assess the main effects of PRS and PRS × trauma interactions, adjusting for age, gender, education, population structure, and relatedness. In addition, this study contributed to the translation and cultural adaptation of several psychometric instruments (PHQ-15, PCL-5, HSCL-25, and PSS-14) into Kurdish. Internal consistency and reliability were evaluated using Cronbach’s alpha and McDonald’s omega. Results: Demographic variables explained 10-38% of the variance in mental health outcomes. In the chemical gas cohort, cumulative trauma (β = 0.21-0.24), lower education (β = −0.17 to −0.21), and female gender (β = 0.03-0.35) were consistently associated with higher symptom levels. Psychotropic medication use was also positively associated with symptoms. In the Yazidi cohort, cumulative trauma (β = 0.19-0.37), lower education, and female gender were the main predictors, while social support and medication had limited additional effects beyond demographics and cumulative trauma. Across both cohorts, cumulative trauma exposure and education were the most stable predictors of PTSD, depression/anxiety, somatic symptoms, and perceived stress. In chemical gas survivors, PTSD PRS showed a small but significant main effect (B = 1.76, p = .010) and a significant interaction with trauma exposure (B = 1.44, p = .032), indicating that genetic risk became more apparent at higher levels of cumulative trauma. In Yazidi survivors, PRS showed no significant association with symptoms and no interaction with trauma exposure. Conclusions: The results suggest that PTSD PRS is modestly associated with symptom severity and interacts with trauma exposure among chemical gas survivors, but not among Yazidi survivors. Across both cohorts, cumulative trauma exposure, female gender, and lower education consistently emerged as key predictors, highlighting the central role of trauma and socioeconomic context. Psychotropic medication and psychosocial factors showed stronger associations in the chemical gas cohort, whereas social support appeared more protective among Yazidi survivors, underscoring the importance of context-specific environmental and structural factors. Overall, the findings highlight the importance of considering ancestry and population structure in genomic prediction models and support the need for context-sensitive interventions in long-term trauma-exposed Kurdish populations.

2026-10-30T00:00:00Z Springer, Fabian http://hdl.handle.net/10900/185111 2026-10-31T02:07:02Z 2028-01-29T00:00:00Z

Integrative Multi-Omics Analyses of the Cancer Tissue Microbiome Springer, Fabian Die Dissertation ist gesperrt bis zum 29. Januar 2028 !; Lange Zeit galt Tumorgewebe als steril. Inzwischen ist jedoch bekannt, dass es von Bakterien besiedelt sein kann, die sowohl den Krankheitsverlauf als auch das Thera- pieansprechen beeinflussen können. Die Erforschung dieser mikrobiellen Populatio- nen ist jedoch schwierig: Ihre Biomasse ist extrem gering, es fehlen standardisierte Methoden und ihre biologische Funktion ist bislang unzureichend beschrieben. Daher werden bisherige Erkenntnisse kontrovers diskutiert. Um diese Herausforderungen zu überwinden habe ich im Rahmen meiner Doktorarbeit ein integriertes Analysekonzept entwickelt um die Charakterisierung tumorassoziierter Bakterien sowie deren Wech- selwirkung mit molekularen und zellulären Tumoreigenschaften bei kolorektalen und Leberkarzinomen zu untersuchen. Durch einen systematischen Vergleich verschiedener Sequenzier- und taxonomischer Klassifizierungsmethoden konnte das Gewebemikrobiom des kolorektalen Karzinoms (CRC) als validierte Referenz für Proben mit geringer bis mittlerer mikrobieller Biomasse etabliert werden. Die charakteristische Mikrobiom-Signatur von CRC ließ sich am zuverlässigsten mit der Voll-Längen-16S-rRNA-Gensequenzierung (FL16S-seq) und einem neu entwickelten dualen RNA-Sequenzierungsprotokoll (HMR-seq) er- fassen. Bei diesem Protokoll wird gleichzeitig das Wirts-Transkriptom erfasst, um eine integrierte Analyse von Mikrobiom und Genexpression zu ermöglichen. Multi-Omics-Analysen, die 16S-rRNA-Gensequenzierung, ungerichtete Metabolomik und Transkriptomsequenzierung beinhalten, zeigten, dass intratumorale Bakterien mit spezifischen molekularen Programmen assoziiert sind. Die Gattungen Streptococcus und Selenomonas korrelierten mit den Signalwegen von Interferon, TNF-α und IL6-JAK-STAT3, wohingegen Fusobacterium mit proliferativen, zellzyklusbezogenen Programmen assoziiert war, die MYC- und E2F-Zielgene umfassen. Räumlich aufgelöste Analysen mittels Xenium Transkriptomsequenzierung kombiniert mit multiplexer mikrobieller Fluoreszenz-in situ-Hybridisierung zeigten eine primäre Anreicherung von Bakterien im Tumorepithel und in tertiären lymphoiden Strukturen. Mit Bakterien assoziierte Tumorzellen zeigten zudem einen dedifferenzierten, stamm- zellähnlichen Transkriptionszustand mit erhöhter Expression von NOTCH1, LGR5, OLFM4 und RNF43. Die Anwendung dieses methodischen Rahmens auf Lebertumoren offenbarte mikro- bielle Signaturen in hepatozellulären Karzinomen (HCC), intrahepatischen Integrative Multi-Omics Analyses of the Cancer Tissue Microbiome III Kurzzusammenfassung Cholangiokarzinomen sowie kolorektalen Lebermetastasen (CRLM). Allerdings war die mikrobielle Biomasse geringer als bei CRC. Während im CRLM-Gewebe vor allem Darm- und Mundkeime angereichert waren, dominierten in primären Leberkarzinomen Gat- tungen, die im Darmmikrobiom seltener vorkommen. Diese enthalten jedoch Arten, die mit chronischen Infektionen des Menschen assoziiert sind. In HCC korrelierte die bakterielle Besiedlung mit proinflammatorischen Signalwegen. Bestimmte Gattungen, darunter Lactococcus sp., waren zudem mit dem Ansprechen auf Immuntherapie as- soziiert. Zusammenfassend etabliert diese Arbeit einen einheitlichen methodischen Rahmen für die hochauflösende Analyse von Mikrobiom–Wirts-Interaktionen in Proben mit geringer mikrobieller Biomasse. Daraus werden testbare Hypothesen abgeleitet, die die Rolle von Bakterien als integralen Bestandteil des Tumormikromilieus unterstreichen.; Tumor tissues, once considered sterile, are now known to harbor bacteria that influence cancer progression and therapy response. However, since studying these low-biomass tumor microbiomes is challenging due to a lack of methodological standards, contami- nation risks, and limited understanding of their biological roles, many findings remain controversial. To address these challenges, I developed an integrative framework to characterize tumor-resident bacteria and their interactions with host tumor features in colorectal and liver cancers as part of my PhD studies. Benchmarking of sequencing assays and taxonomic profilers established the colorectal cancer (CRC) tissue microbiome as a validated reference for low- to medium-biomass profiling. Full-length 16S rRNA gene sequencing (FL16S-seq) and a newly developed dual-readout RNA sequencing (RNA-seq) protocol, termed HMR-seq, most accurately recovered the CRC microbial signature while simultaneously providing host transcrip- tomic data for joint analysis of microbial composition and host gene expression. Multi-omics analyses of CRC tumor tissues combining 16S-seq rRNA gene sequencing, untargeted metabolomics, and bulk transcriptomics revealed that tumor-resident bac- teria associate with distinct molecular programs. I found genera such as Streptococ- cus and Selenomonas to correlate with interferon, TNF-α, and IL6–JAK–STAT3 signaling, whereas Fusobacterium abundance was associated with proliferative and cell-cycle- related programs involving MYC and E2F targets. Integrative spatial analysis using Xenium spatial transcriptomics and multiplexed mi- crobial fluorescence in situ hybridization showed that bacteria preferentially localize within the tumor epithelium and tertiary lymphoid structures. Bacteria-associated tu- mor cells exhibited a de-differentiated, stem-like transcriptional state marked by ele- vated NOTCH1, LGR5, OLFM4, and RNF43 expression. Extending this framework to hepatic cancers revealed microbial signatures across hep- atocellular carcinoma (HCC), intrahepatic cholangiocarcinoma, and colorectal cancer liver metastasis (CRLM), albeit at lower biomass than in CRC. While CRLM tissues were enriched for gut- and oral-derived taxa, primary liver cancers were dominated by gen- era not typically seen in the gut microbiome, yet comprising species capable of (per- sistent) human infection. Bacterial load in HCC correlated with pro-inflammatory path- ways, and specific taxa, including Lactococcus sp., were linked to immunotherapy re- sponse. Together, this work establishes a unified framework to pinpoint microbe–host interac- tions in low-biomass samples at the cellular and molecular level and generates testable hypotheses highlighting the role of bacteria as an important component of the tumor microenvironment.

2028-01-29T00:00:00Z