Bioinformatik: Grundlagen, Algorithmen, Anwendungen

Bioinformatik Der Marktführer bei den Bioinformatiklehrbüchern in neuer Auflage und mit dem neuen Thema Molekulardynamik Bioinformatik ist eine Kerndisziplin in den modernen Biowssenschaften, von der Biotechnologie über die Biochemie und Molekularbiologie bis zur Molekulargenetik und Molekularmedizin. Sie ist eine essenzielle Grundlage für alle “omics”-Technologien, für die Strukturbiologie, die Systembiologie sowie die synthetische Biologie. Bioinformatik. Grundlagen, Algorithmen, Anwendungen bietet eine umfassende Einführung in die wichtigsten Methoden der Bioinformatik. Der Autor erklärt dabei sowohl die mathematischen und biologischen Grundlagen als auch die wichtigsten Software-Tools und deren Anwendungsbereiche. Schwerpunkte sind Methoden zum Sequenzvergleich, Verfahren zur Charakterisierung von Proteinfamilien, Algorithmen zur Vorhersage von Protein- und RNA-Strukturen, Methoden des maschinellen Lernens und das Proteindesign. Für die 4. Auflage wurde der Text durchgehend aktualisiert und um ein Kapitel zur Molekulardynamik erweitert. Neu aufgenommene Exkurse zu Meilensteinen der Bioinformatik und aktuellen Anwendungsgebieten lockern den Text auf. Auf der ebenfalls komplett überarbeiteten Begleit-Webseite werden interaktive Lernmodule bereitgestellt, einschließlich mehr als 120 Übungsaufgaben, zum Teil mit Lösungen. Eine perfekte Einführung für alle Studenten der Lebenswissenschaften oder Informatik, die einen Einblick in die gängigen Methoden der Bioinformatik benötigen, sowie ein wertvoller Begleiter für alle, die bereits bioinformatische Werkzeuge nutzen und die zugrundeliegenden Konzepte verstehen möchten.

Table of Contents:
vorwort V Teil I Grundlagen – Biologie und Datenbanken 1 1 Biologische Grundlagen 5 1.1 DNA 6 1.2 Genetischer Code und Genomkomposition 8 1.3 Transkription 12 1.4 RNA 13 1.5 Proteine 14 1.6 Peptidbindung 16 1.7 Konformation von Aminosäureseitenketten 16 1.8 Ramachandran-Plot 17 1.9 Hierarchische Beschreibung von Proteinstrukturen 18 1.10 Sekundärstrukturelemente 19 1.11 α-Helix 20 1.12 β-Faltblätter 20 1.13 Supersekundärstrukturelemente 21 1.14 Proteindomänen 22 1.15 Proteinfamilien 23 1.16 Enzyme 26 1.17 Proteinkomplexe 27 1.18 Evolutionäre Prozesse 28 1.19 Fachbegriffe 30 Literatur 33 2 Sequenzen und ihre Funktion 37 2.1 Definitionen und Operatoren 38 2.2 DNA-Sequenzen 39 2.3 Proteinsequenzen 39 2.4 Vergleich der Sequenzkomposition 41 2.5 Ontologien 45 2.6 Analyse der Anreicherung von GO-Termen 48 2.7 Semantische Ähnlichkeit von GO-Termen 48 2.7.1 Bewertung mit informationstheoretischen Ansätzen 48 2.7.2 Vergleich mit einer graphentheoretischen Methode 50 Literatur 54 3 Datenbanken 57 3.1 Nukleotidsequenzdatenbanken 58 3.2 RNA-Sequenz-Datenbanken 59 3.3 Proteinsequenzdatenbanken 60 3.4 3-D-Struktur-Datenbanken 60 3.5 SMART: Analyse der Domänenarchitektur 62 3.6 STRING: Proteine und ihre Interaktionen 62 3.7 SCOP: Strukturelle Klassifikation von Proteinen 63 3.8 Pfam: Kompilation von Proteinfamilien 66 3.9 COG und eggNOG: Gruppen orthologer Gene 68 3.10 KEGG: Gene, Genome und Krankheiten 68 3.11 NCBI-Datenbanken: Literatur und biologisches Wissen 69 3.12 Weitere Datenbanken 70 Literatur 74 Teil II Lernen, Optimieren und Entscheiden 77 4 Grundbegriffe der Stochastik 81 4.1 Grundbegriffe der beschreibenden Statistik 82 4.2 Zufallsvariable, Wahrscheinlichkeitsmaß 84 4.3 Urnenexperimente und diskrete Verteilungen 86 4.4 Die kolmogoroffschen Axiome 89 4.5 Bedingte Wahrscheinlichkeit, Unabhängigkeit, Satz von Bayes 89 4.6 Markov-Ketten 91 4.7 Erwartungswert, Varianz 91 4.8 Wichtige Wahrscheinlichkeitsverteilungen 92 4.8.1 Diskrete Verteilungen 92 4.8.2 Totalstetige Verteilungen 93 4.9 Schätzer 96 4.10 Grundlagen statistischer Tests 98 4.11 Eine optimale Entscheidungstheorie: die Neyman-Pearson-Methode 100 Literatur 101 5 Bayessche Entscheidungstheorie und Klassifikatoren 103 5.1 Bayessche Entscheidungstheorie 103 5.1.1 Ein Beispiel: Klassifikation der Proteinoberfläche 104 5.1.2 Übergang zu bedingten Wahrscheinlichkeiten 105 5.1.3 Erweitern auf m Eigenschaften 107 5.2 Marginalisieren 109 5.3 Boosting 110 5.4 ROC-Kurven 112 5.4.1 Bewerten von Fehlklassifikationen 112 5.4.2 Aufnehmen einer ROC-Kurve 112 5.5 Testmethoden für kleine Trainingsmengen 115 Literatur 117 6 Klassische Cluster- und Klassifikationsverfahren 119 6.1 Metriken und Clusteranalyse 120 6.2 Das mittlere Fehlerquadrat als Gütemaß 120 6.3 Ein einfaches iteratives Clusterverfahren 121 6.4 k-Means-Clusterverfahren 123 6.5 Hierarchische Clusterverfahren 126 6.6 Affinity propagation 127 6.7 Bewertung der Clusterverfahren 129 6.8 Überlappende Cluster 130 6.9 Nächster-Nachbar-Klassifikation 130 6.10 k-nächste-Nachbarn-Klassifikation 132 Literatur 133 7 Neuronale Netze 135 7.1 Architektur von neuronalen Netzen 136 7.2 Das Perzeptron 136 7.3 Modellieren boolscher Funktionen 138 7.4 Lösbarkeit von Klassifikationsaufgaben 139 7.5 Universelle Approximation 141 7.6 Lernen in neuronalen Netzen 143 7.7 Der Backpropagation-Algorithmus 144 7.8 Codieren der Eingabe 147 7.9 Selbstorganisierende Karten 148 7.10 Tiefe Architekturen 150 7.11 Ein einfaches Neuron, die rectified linear unit 151 7.12 Das Neocognitron als alternatives Modellierparadigma 152 7.13 Faltung mithilfe von CNNs 153 7.14 Längerfristiges Speichern von Eingabedaten 157 7.15 Attention-basierte Netze 161 Literatur 168 8 Genetische Algorithmen 171 8.1 Objekte und Funktionen 173 8.2 Ablauf des Verfahrens 174 8.3 Codieren der Problemstellung 176 8.4 Der Begriff des Schemas 176 8.5 Dynamik der Anzahl von Schemata 177 8.6 Limitationen genetischer Algorithmen 179 8.7 Genetisches Programmieren 180 Literatur 183 Teil III Algorithmen und Modelle der Bioinformatik 185 9 Paarweiser Sequenzvergleich 189 9.1 Dotplots 191 9.1.1 Definition 191 9.1.2 Beispiel 192 9.1.3 Implementierung 193 9.1.4 Abschätzen der Laufzeit 194 9.1.5 Anwendungen 195 9.1.6 Einschränkungen und Ausblick 196 9.2 Entwickeln eines optimalen Alignment-Verfahrens 198 9.2.1 Paarweise und multiple Sequenzalignments 200 9.2.2 Dynamisches Programmieren 200 9.2.3 Distanzen und Metriken 202 9.2.4 Die Minkowski-Metrik 203 9.2.5 Die Hamming-Distanz 203 9.3 Levenshtein-Distanz 204 9.3.1 Berechnungsverfahren 206 9.3.2 Ableiten des Alignments 210 9.4 Bestimmen der Ähnlichkeit von Sequenzen 210 9.4.1 Globales Alignment 210 9.4.2 Lokales Sequenzalignment 211 9.5 Optimales Bewerten von Lücken 212 9.5.1 Eigenschaften affiner Kostenfunktionen 213 9.5.2 Integration in Algorithmen 213 9.6 Einordnung der Algorithmen 215 Literatur 216 10 Sequenzmotive 219 10.1 Signaturen 220 10.2 Die PROSITE-Datenbank 221 10.3 Die BLOCKS-Datenbank 221 10.4 Sequenzprofile 222 10.5 Scores für Promotorsequenzen 224 10.6 Möglichkeiten und Grenzen profilbasierter Klassifikation 224 10.7 Sequenzlogos 225 10.8 Konsensussequenzen 226 10.9 Sequenzen niedriger Komplexität 227 10.10 Der SEG-Algorithmus 228 Literatur 231 11 Scoring-Schemata 233 11.1 Theorie von Scoring-Matrizen 234 11.2 Algorithmenbedingte Anforderungen 237 11.3 Identitätsmatrizen 237 11.4 PAM-Einheit 238 11.5 PAM-Matrizen 238 11.6 Ein moderner PAM-Ersatz: die JTT-Matrix 240 11.7 BLOSUM-Matrizen 241 11.8 Matrixentropie 243 11.9 Scoring-Schemata und Anwendungen 244 11.10 Flexible Erweiterung: Scoring-Funktionen 245 Literatur 247 12 FASTA und die BLAST-Suite 249 12.1 FASTA 250 12.1.1 Programmablauf 250 12.1.2 Statistische Bewertung der Treffer 252 12.2 BLAST 255 12.2.1 Konzepte und Umsetzung 256 12.2.2 Statistik von Alignments 259 12.2.3 Ausgabe der Treffer 264 12.3 Vergleich der Empfindlichkeit von FASTA und BLAST 264 12.4 Ansätze zur Performanzsteigerung 265 12.5 Profilbasierter Sequenzvergleich 266 12.6 PSI-BLAST 267 12.7 Sensitivität verschiedener Sequenzvergleichsmethoden 269 12.8 Vergleich von Profilen und Konsensussequenzen 270 12.9 DELTA-BLAST 271 12.10 Alternative Ansätze 275 Literatur 276 13 Multiple Sequenzalignments und Anwendungen 279 13.1 Berechnen von Scores für multiple Sequenzalignments 281 13.2 Iteratives Berechnen eines Alignments 282 13.3 ClustalW: Ein klassischer Algorithmus 283 13.3.1 Grundlegende Konzepte 283 13.3.2 Algorithmus 283 13.3.3 Ein Beispiel: MSA für Trypsininhibitoren 284 13.4 T-Coffee 286 13.5 M-Coffee und 3D-Coffee 289 13.6 Alternative Ansätze 291 13.7 Alignieren großer Datensätze mit Clustal Omega 292 13.8 Alignieren großer Proteinsequenzdatensätze mit DECIPHER 293 13.9 Charakterisierung von Residuen mithilfe von Alignments 296 13.9.1 Entwickeln der Scoring-Funktion 297 13.9.2 FRpred: Vorhersage funktionell wichtiger Residuen 297 13.9.3 SDPpred: Vergleich homologer Proteine mit unterschiedlicher Spezifität 298 13.10 Alignment von DNA- und RNA-Sequenzen 300 Literatur 301 14 Grundlagen phylogenetischer Analysen 303 14.1 Einteilung phylogenetischer Ansätze 307 14.2 Distanzbasierte Verfahren 307 14.2.1 Ultrametrische Matrizen 308 14.2.2 Additive Matrizen 309 14.3 Linkage-Algorithmen 311 14.4 Der Neighbour-Joining-Algorithmus 313 14.5 Parsimony-Methoden 314 14.6 Maximum-Likelihood-Ansätze 317 14.6.1 Übergangswahrscheinlichkeiten für DNA-Sequenzen 318 14.6.2 Empirische Modelle der Proteinevolution 319 14.6.3 Berechnen der Likelihood eines Baumes 321 14.6.4 Quartett-Puzzle: Heuristik zum Finden einer Topologie 323 14.7 Grundannahmen phylogenetischer Algorithmen 325 14.8 Statistische Bewertung phylogenetischer Bäume 326 14.8.1 Validierung durch Outgroups 327 14.8.2 Bootstrap-Verfahren und A-posteriori-Wahrscheinlichkeiten 327 14.8.3 Alternativen und Ergebnisse 329 Literatur 332 15 Markov-Ketten und Hidden-Markov-Modelle 335 15.1 Ein epigenetisches Signal: CpG-Inseln 335 15.2 Finite Markov-Ketten 336 15.3 Kombination zweier Ketten zu einem Klassifikator 337 15.4 Genvorhersage mithilfe inhomogener Ketten 340 15.5 Hidden-Markov-Modelle 343 15.6 Der Viterbi-Pfad 346 15.7 Ein HMM zur Erkennung von CpG-Inseln 348 15.8 Der Vorwärts- und der Rückwärtsalgorithmus 349 15.9 Schätzen von Parametern 351 15.10 Der Baum-Welch-Algorithmus 352 15.11 Entwurf von HMMs 354 15.12 Verwendung und Grenzen von HMMs 356 15.13 Wichtige Eigenschaften von Markov-Ketten 357 15.14 Markov-Ketten-Monte-Carlo-Verfahren 359 15.14.1 Monte-Carlo-Integration 359 15.14.2 Metropolis-Hastings-Algorithmus 360 15.14.3 Simulated annealing 361 15.14.4 Gibbs-Sampler 362 15.15 Weitere Anwendungen von Markov-Ketten 362 Literatur 366 16 Profil-HMMs 369 16.1 HMM-Struktur zur Beschreibung von Proteinfamilien 370 16.2 Suche nach homologen Sequenzen 373 16.3 Modellbau für Profil-HMMs 376 16.4 Approximieren von Wahrscheinlichkeitsdichten 380 16.5 HHsearch: Vergleich zweier Profil-HMMs 386 16.5.1 Grundlagen des Alignments von zwei Hidden-Markov-Ketten 387 16.5.2 Paarweises Alignment von HMMs 390 16.5.3 Performanz von HHsearch 391 16.5.4 Strukturvorhersage mit HHsearch 393 Literatur 395 17 Support-Vektor-Maschinen 397 17.1 Beschreibung des Klassifikationsproblems 398 17.2 Lineare Klassifikatoren 399 17.3 Klassifizieren mit großer Margin 403 17.4 Kernel-Funktionen und Merkmalsräume 405 17.5 Implizite Abbildung in den Merkmalsraum 407 17.6 Eigenschaften von Kernel-Funktionen 408 17.7 Häufig verwendete Kernel-Funktionen 409 17.8 Aus Merkmalen abgeleitete Kernel-Funktionen 410 17.9 Support-Vektor-Maschinen in der Anwendung 416 17.10 Multiklassen-SVM 419 17.11 Theoretischer Hintergrund 420 Literatur 424 18 Vorhersage der Sekundärstruktur 427 18.1 Vorhersage der Proteinsekundärstruktur 427 18.1.1 Ein früher Ansatz: Chou-Fasman-Verfahren 428 18.1.2 PHD: profilbasierte Vorhersage 429 18.2 Vorhersage der RNA-Sekundärstruktur 436 18.2.1 RNA-Sequenzen und -Strukturen 438 18.2.2 Freie Energie und Strukturen 439 18.2.3 Sekundärstrukturvorhersage durch Energieminimierung 440 18.2.4 Strukturen mit Schleifen 442 18.2.5 MEA-Verfahren zur Vorhersage von Strukturen mit Pseudoknoten 444 18.2.6 Strukturvorhersage mithilfe von multiplen Sequenzalignments 447 Literatur 449 19 Vergleich von Protein-3-D-Strukturen 451 19.1 Grundlagen des Strukturvergleichs 453 19.2 Simulated annealing 455 19.3 DALI: fragmentbasierte Superposition 458 19.3.1 Scores für Substrukturen 459 19.3.2 Alignieren von Substrukturen 459 19.4 Fr-TM-align: Alignieren von Fragmenten 461 19.5 SPalignNS: optimales Kombinieren von Residuenpaaren 462 19.6 FAST: Vergleich der lokalen Geometrie 463 19.7 DeepAlign: Verwenden eines Strukturalphabets 466 19.8 Multiple Superpositionen 471 Literatur 474 20 Vorhersage der Protein-3-D-Struktur, Proteindesign und Moleküldynamik 477 20.1 Threading-Verfahren 482 20.2 3D-1D-Profile: profilbasiertes Threading 484 20.2.1 Bestimmen der lokalen Umgebung 484 20.2.2 Erzeugen eines 3-D-1-D-Profils 486 20.3 Wissensbasierte Kraftfelder 489 20.3.1 Theoretische Grundlagen 490 20.3.2 Ableiten der Potenziale 493 20.4 Rotamerbibliotheken 494 20.5 MODELLER 499 20.6 Bewerten der Modellqualität 504 20.7 Alternative Modellieransätze 504 20.8 ROSETTA/ROBETTA 505 20.8.1 De-novo-Strukturvorhersage mit ROSETTA 506 20.8.2 Verfeinerung der Fragmentinsertion 508 20.8.3 Modellieren strukturell variabler Regionen 508 20.8.4 Proteindesign mithilfe von ROSETTA 510 20.9 Moleküldynamiksimulationen 517 20.9.1 Physikalische Grundlagen von MD-Simulationen 518 20.9.2 Berechnungsverfahren 519 20.9.3 Berechnen der Interaktionen mithilfe von Kraftfeldern 521 20.9.4 Spezielle Hardware beschleunigt die Simulationen 522 Literatur 523 21 Analyse integraler Membranproteine 527 21.1 Architektur integraler Membranproteine 528 21.2 Spezifische Probleme beim Sequenzvergleich 530 21.3 Vorhersage der Topologie von α-helikalen IMPs 530 21.3.1 HMMTOP 531 21.3.2 MEMSAT-SVM 532 21.3.3 Ein Metaansatz: TOPCONS 2 534 21.4 Vorhersage der Struktur von β-Fässern 535 21.4.1 TMBpro 535 21.4.2 PRED-TMBB 2 537 21.4.3 BOCTOPUS 2 539 21.4.4 Alternative Ansätze und Homologiemodellierung 541 Literatur 541 22 Entschlüsselung von Genomen 545 22.1 Shotgun-Sequenzierung 549 22.2 Erwartete Anzahl von Contigs beim Shotgun-Ansatz 550 22.3 Basecalling und Sequenzqualität 551 22.4 Der klassische Assemblieransatz 553 22.4.1 Phase eins: Bestimmen überlappender Präfix-Suffix-Regionen 554 22.4.2 Phase zwei: Erzeugen von Contigs 556 22.4.3 Phase drei: Generieren der Konsensussequenz 556 22.5 Assemblieren kurzer Fragmente 558 22.6 Assemblieren langer und fehlerbehafteter Reads 561 22.7 Annotation kompletter Genome 565 22.8 Metagenomik 570 22.8.1 Spezielle Anforderungen an die Bioinformatik 571 22.8.2 Minimalanforderungen für die Metagenomannotation 573 Literatur 574 23 Auswertung von Transkriptomdaten 579 23.1 DNA-Chip-Technologie 579 23.1.1 Datenbanken für Transkriptomdaten 581 23.1.2 Grenzen der Technologie 582 23.2 Analyse von DNA-Chip-Signalen 583 23.2.1 Quantifizierung von Expressionswerten 583 23.2.2 Normalisieren und Datenreduktion 584 23.3 Identifizieren differenziell exprimierter Gene 586 23.4 RNA-Sequenzierung 587 23.5 Analyse der RNA-Sequenzen 588 23.6 Einzelzell-RNA-Sequenzierung 591 23.7 Metriken zum Vergleich von Expressionsdaten 591 23.8 Analyse kompletter Expressionsdatensätze 593 23.8.1 Anwenden von Clusterverfahren 593 23.8.2 Validierung und Alternativen 593 23.9 Hauptkomponentenanalyse 594 23.10 Biclusterverfahren 597 23.10.1 ISA: ein performantes Biclusterverfahren 597 23.10.2 Der Signaturalgorithmus 598 23.10.3 Iterative Optimierung 601 23.10.4 QUBIC2: Ein graphenbasiertes Biclusterverfahren 602 23.11 Grenzen und Alternativen bei der Expressionsanalyse 604 23.12 Genexpressions-Profiling 605 23.13 Visualisieren mithilfe von Wärmekarten 606 23.13.1 Der klassische Ansatz 607 23.14 Datenaufbereitung für systembiologische Fragestellungen 607 23.14.1 Bündelung von Datenbankinformation 608 23.14.2 Statistische Analyse der Termverteilung 609 23.14.3 Verwendbarkeit der Verfahren 610 Literatur 612 24 Analyse von Protein-Protein-Interaktionen 615 24.1 Biologische Bedeutung des Interaktoms 615 24.2 Methoden zum Bestimmen des Interaktoms 616 24.3 Vergleich von Codonhäufigkeiten 618 24.4 Analyse des Genominhaltes 619 24.4.1 Genfusion 619 24.4.2 Phyletische Profile 620 24.4.3 Analyse von Genfolgen 622 24.4.4 Performanz sequenzbasierter Methoden 623 24.5 Suche nach korrelierten Mutationen 624 24.5.1 Erzeugen sortierter MSA-Paare 624 24.5.2 Identifizieren korrelierter Mutationen 625 24.6 Vergleich phylogenetischer Bäume 627 24.6.1 Die Mirror-Tree-Methode 627 24.6.2 Korrektur des Hintergrundsignals 629 24.6.3 Ein alternativer Ansatz, der auf einem Nullmodell basiert 630 24.7 Vorhersage des Interaktoms der Hefe 631 24.8 Strukturbasierte Protein-Protein-Interaktionsvorhersagen 634 24.8.1 Vorhersagen basierend auf Strukturinformation 635 24.8.2 PrePPI: Integration zusätzlicher Merkmale 637 24.9 Netzwerkbasierte Protein-Protein-Interaktionsvorhersagen 640 Literatur 642 25 Big Data und Deep Learning: neue Herausforderungen und Möglichkeiten 645 25.1 Klassifikation mit Random Forests 647 25.1.1 Entscheidungsbäume 647 25.1.2 Berechnen der Topologie 649 25.1.3 RF-Algorithmus 652 25.1.4 Theoretische Klassifikationsleistung eines RFs 653 25.1.5 Problemlösungen für konkrete Anwendungen 654 25.1.6 Auswahl informativer Eigenschaften 655 25.1.7 Bioinformatische Anwendungen 657 25.2 Sequenzbasierte Vorhersage der Protein-3-D-Struktur 658 25.2.1 Experimentelle Proteinstrukturaufklärung 659 25.2.2 Berechnen von Co-Variationssignalen 660 25.2.3 PSICOV: Vorhersage räumlich benachbarter Residuenpaare 663 25.2.4 Vorhersage der 3-D-Struktur mithilfe von Kontaktinformation 665 25.2.5 Alternative Nutzung von Kopplungssignalen 665 25.3 Berechnen einer Feinstruktur großer Proteinfamilien 666 25.3.1 MCL: Clustern mithilfe stochastischer Matrizen 667 25.3.2 Cytoscape: Visualisierung von Netzwerkclustern 669 25.4 Positionierung von Nukleosomen 670 25.4.1 Chromatin und Nukleosomen 671 25.4.2 NucleoFinder: ein statistischer Ansatz zur Vorhersage von Nukleosomenpositionen 672 25.5 Auswertung großer Datensätze mit tiefen Lernverfahren 676 25.5.1 DL-basierte Vorhersage der Proteinstruktur 677 25.5.2 AlphaFold2 und RoseTTAFold 680 25.5.3 Erkennen von Translationsinitiationsstellen 683 25.5.4 DeepCpG bestimmt den Methylierungsstatus in einzelnen Zellen 684 25.6 Analyse des menschlichen Genoms mithilfe von ENCODE-Daten 686 25.6.1 Datentypen 687 25.6.2 Genome Browser 689 Literatur 692 26 Zum Schluss 699 26.1 Informatik in schwierigem Umfeld 699 26.2 Ungelöste Probleme und Herausforderungen 701 Literatur 704 Stichwortverzeichnis 705

About the Author :
Rainer Merkl war von 2012 bis zu seiner Pensionierung im Jahr 2020 Professor für Bioinformatik am Lehrstuhl Biochemie II der Universität Regensburg. Er hat biomedizinische Technik und Informatik studiert und war am Max-Planck-Institut für Biochemie in Martinsried und der Universität Göttingen tätig, wo er 1996 im Fach Genetik promoviert wurde. Im Jahre 2005 habilitierte er sich an der Universität Regensburg in Bioinformatik. Neben seiner Lehrtätigkeit für Biologen und Biochemiker bildete er an der Fernuniversität Hagen mehr als zehn Jahre lang Informatiker im Fach Bioinformatik aus. Rainer Merkl war von 2004 bis zu seiner Emeritierung im Jahr 2020 Professor für Bioinformatik am Lehrstuhl Biochemie II der Universität Regensburg. Nach seiner Promotion in Göttingen im Fach Genetik habilitierte er sich in Regensburg für das Fach Bioinformatik. Rainer Merkl war am Max Planck Institut für Biochemie, Martinsried und der Universität Göttingen tätig. Neben seiner Lehrtätigkeit in Regensburg für Biologen und Biochemiker bildete er an der Fernuniversität Hagen viele Jahre lang Informatiker im Fach Bioinformatik aus.