
Das Hepatitis-D-Virus besser verstehen
Hannoveraner Forscher entwickeln Stammzell-basiertes Infektionsmodell
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 die Immunantwort des zentralen Nervensystems bei Virusinfektionen, insbesondere die Rolle von Typ I IFN, Mikroglia und Monozyten in der Enzephalitis-Entwicklung sowie deren Einfluss auf Anfälle und Hippocampusschäden.
Im Rahmen des Projekts werden die immunologischen und genetischen Ursachen des Impfversagens bei 5 % der HBV-geimpften Personen untersucht, um neue Strategien zur Verbesserung des Impfschutzes zu entwickeln.
Durch die Anwendung statistischer Genetikmethoden auf Erregergenomsequenzen wollen wir genetische Determinanten von Phänotypen wie Pathogenität, Virulenz und Antibiotikaresistenz identifizieren und validieren, z.B. bei E. coli und P. aeruginosa.
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.