
TWINCORE-Team nimmt am Hannover Marathon teil
Die Staffel erreicht Platz 536
Das TWINCORE wurde 2008 vom Helmholtz-Zentrum für Infektionsforschung und der Medizinischen Hochschule Hannover gegründet. Wir vereinen die Expertise von Medizinern und Wissenschaftlern aus verschiedensten Disziplinen, um gemeinsam Antworten auf die drängenden Fragen der Infektionsforschung zu finden. Unser Fokus: translationale Forschung – die Brücke zwischen Grundlagenwissenschaft und klinischer Anwendung.
Wir betreiben translationale Infektionsforschung, um die Prävention, Diagnose und Behandlung von Infektionskrankheiten beim Menschen zu verbessern. Dabei fokussieren wir uns auf drei Themenbereiche, die unsere Forschungsarbeit auszeichnen. Erfahren Sie hier, wie wir vorgehen und welche Ergebnisse wir dabei erzielen.
Unter der Leitung unserer besten Wissenschaftler arbeiten diverse Arbeitsgruppen an verschiedenen Projekten innerhalb unserer Forschungsthemen.
Bartsch Y, Webb N, Burgess E, Kang J, Lauffenburger D, Julg B
Haller R, Cai Y, DeBuhr N, Rieder J, Schlüter D, Baier C, Rohde H, von Köckritz-Blickwede M, Vital M, Winstel V
Chou Y, Cornberg M
Das Projekt untersucht Immunreaktionen bei Virus-hepatitiden, insbesondere die Rolle von Hepatozyten und myeloiden Zellen. Ziel ist, Immunprozesse in der Leber zu verstehen und diagnostische Ansätze für die Klinik zu entwickeln.
Wir untersuchen, wie die Assoziation von HCV mit Lipoproteinen zur Persistenz des Virus beiträgt, indem sie den Eintritt in Leberzellen beeinflusst und vor Antikörpern schützt. Ziel ist es, neue Erkenntnisse für die Entwicklung eines HCV-Impfstoffs zu gewinnen.
Das Projekt untersucht die Faktoren, die den Speziesbarrierenmechanismus von HCV bestimmen und es unmöglich machen, die Infektion in Tiermodellen zu erforschen. Ziel ist es, genetische Screening-Systeme anzuwenden, um In-vivo-Modelle für die Impfstoffforschung zu entwickeln.
Dank Hochdurchsatz-Sequenzierung lassen sich Genomsequenzen Hunderter Bakterienstämme effizient analysieren, wodurch Unterschiede von bis zu 60 % im Gengehalt, wie bei E. coli, erkennbar sind. Mithilfe maschinellen Lernens wollen wir Funktionen akzessorischer Gene besser vorhersagen und deren Beitrag zum Überleben in spezialisierten Nischen entschlüsseln.