Personalisierte Medizin versucht abgesehen von der Krankheitsdiagnose andere Faktoren in die Entscheidungsfindung der Behandlung einzubeziehen. Mit der Entwicklung von neuen, zunehmend schnellen und kostengünstigen RNA und DNA-Sequenzierungsmethoden, gibt es völlig neue Möglichkeiten im Bereich der personalisierten Medizin. Das Prinzip ist, genetische Marker bei der Behandlungsentscheidung zu nutzen und so auf die genetischen Gegebenheiten der Patient*innen einzugehen. Dazu müssen Biomarker erforscht werden, die mit dem Ansprechen auf eine Behandlung in Verbindung stehen. In dieser Arbeit wird mithilfe einer studienübergreifenden Datenanalyse nach Biomarkern für oder gegen das Ansprechen auf verschiedene Medikamente bei Colitis Ulcerosa Patient*innen gesucht. Seit ungefähr zwanzig Jahren hat die Entwicklung von neuen, antikörper-basierte Medikamenten - aus der Gruppe der Biologika - die Behandlung von Colitis Ulcerosa verändert. Manche Medikamente wurden bereits besser erforscht, während andere noch am Anfang stehen. In dieser Arbeit werden alle öffentlich verfügbaren Genexpressionsdaten, die das Ansprechen auf Biologiker in Colitis Ulcerosa Patient*innen beinhalten analysiert. Die Analyse umfasst acht verschiedenen Datensätze und sechs verschiedene Medikamente. Zuerst werden für jedes Medikament differentiell exprimierte Gene vor der Behandlung zwischen Responder und Nicht-Responder getestet. Weiters werden Machine Learning Modelle verwendet, um prädiktive Gene für oder gegen das Ansprechen auf Medikamente zu finden und zu evaluieren. Zuletzt wird die Veränderung von Genexpression im Laufe der Behandlung zwischen Responder und Nicht-Responder analysiert. Diese Analysen verschaffen einen breit gefächerten Überblick über das Ansprechen verschiedener Therapien in Ulcerative Colitis auf Genexpressionsebene und liefert Ergebnisse, die auf mehreren Ebenen weiter prozessiert werden können, um diese komplexe Krankheit besser zu verstehen und behandeln zu können.

Precision medicine seeks to incorporate factors other than the disease diagnosis into treatment decision-making. With the development of new, increasingly rapid and cost-effective RNA and DNA sequencing methods, there are completely new possibilities in the field of precision medicine. The principle is to use genetic markers in treatment decision making to address the genetic predisposition of the patient. This requires research on genetic markers that are associated with treatment response. In this thesis, biomarkers for treatment response for different treatments in ulcerative colitis patients are searched for using a cross-study data analysis. For the past two decades, the development of new antibody-based drugs from the group of biologics has transformed treatment of ulcerative colitis. Some drugs have been better studied while others are still in their infancy. In this work, all publicly available gene expression data that include the response to biologics in ulcerative colitis patients are analysed. The analysis includes eight different datasets and five different drugs and placebo. First, for each drug, differentially expressed genes at baseline between responders and non-responders are analysed. Then, machine learning models are used to find and evaluate predictive genes for treatment response. Lastly, the change in gene expression over the course of treatment between responders and non-responders is analysed. These analyses provide a broad overview of the response of different therapies in Ulcerative Colitis at a gene expression level and provides results that can be further processed upon multiple levels to better understand and treat this complex disease.