© Bild generiert von DAL-LE 3, 24.01.2025.

Machine Learning for Biomedical Data

Unsere interdisziplinäre Gruppe wird von Prof. Dr. Dominik Heider geleitet. Der Schwerpunkt unserer Forschung liegt auf der Entwicklung rechnergestützter Lösungen aus dem Bereich des maschinellen Lernens zur Lösung biomedizinischer Probleme, z. B. Algorithmen zur Vorhersage von Resistenzen von Pathogenen oder zur Modellierung von Krankheiten. Dabei beschäftigen wir uns mit Fragestellungen wie der Einbettung und Integration multimodaler medizinischer Daten, der Erklärbarkeit von Vorhersagemodellen, der Ableitung kausaler Zusammenhänge und der datenschutzfreundlichen Gestaltung dieser KI-Modelle.

Ein weiterer wesentlicher Teil unserer Forschung zielt auf die Entwicklung neuer Methoden und Algorithmen zur Analyse von Omics-Daten, z. B. (Meta-)Genomik und (Meta-)Transkriptomik, sowie zur Genomassemblierung und funktionellen Annotation.

Leitung der Arbeitsgruppe
Prof. Dr. Dominik Heider

Beratung & Kooperation

Wir bieten Unterstützung und Dienstleistungen für die Analyse von Omics-Daten sowie für maschinelles Lernen und Datenanalytik an.

Die Anmeldung zur Beratung kann sowohl per E-Mail als auch telefonisch erfolgen.

Dr. rer. nat. Marius Welzel
Tel.: 0251 / 83 – 5 82 14

Abgeschlossene Projekte

MalariAI - Entschlüsselung der vielfältigen Ursachen des Malariarisikos durch KI in Amazonas-Gemeinden

Analyse des humanen AMP-Gedächtnisses mit künstlicher Intelligenz als Strategie gegen mikrobielle Resistenzen

Diffusible Signals - Wie kommunizieren Bakterien mit menschlichen Entzündungszellen?

Deep-Legion - Erkennung von Virulenzfaktor-Proteindomänen in Legionellen mit Hilfe von Deep Autoencodern

Einzelzell-RNA- und Einzelzell-ATAC-Sequenzierung bei pädiatrischen Gehirntumoren

Deep Insight - Integration von Keimbahn- und somatischen genetischen Profilen durch maschinelles Lernen zum Verständnis der Ätiologie von Speiseröhrenkrebs

Virtual Doc

Identifizierung neuer Antibiotika-Resistenzmechanismen mittels Deep Learning

MOSLA - Molekulare Speicher zur Langzeit-Archivierung

FeatureCloud: Die neue, datenschutzfreundliche Plattform für föderiertes maschinelles Lernen im Gesundheitswesen

Deep-iAMR – Identifizierung von neuen antimikrobiellen Resistenz-Targets durch Deep-Learning-Verfahren im Hochdurchsatz

Anwendung von modernen Informationstechnologien in der Neurorehabilitation von Patientinnen und Patienten mit erworbener Hirnschädigung

ISOB – In silico Identifizierungs- und Optimierungsplattform für Biologics

Systembiologie-gesteuertes maschinelles Lernen in der Pharmakogenomik zur Vorhersage der Nichtremission von Antidepressiva bei Depressionen im späten Lebensalter

VerPlaPoS - Verbraucherreaktionen bei Plastik und dessen Vermeidungsmöglichkeiten am Point of Sale

Blaualgen-Forschungsprojekt

Validität und Verlässlichkeit von Importance Analysen - Identifikation von Biomarkern für kardiovaskuläre Erkrankungen

Authentifizierung und Tracking von medizinischem Cannabis mit DNA-Wasserzeichen

Entwicklung neuartiger, zuverlässiger und kostengünstiger HIV-Prognosen

Einfluss der Leber auf die Entwicklung eines Herzinfarkts – die enge Interaktion zwischen Leber und Herz