Für viele Probleme in den Lebenswissenschaften wurden verschiedene Arten von Daten generiert, die unterschiedliche Perspektiven liefern. Jede Datenebene hat ihre eigenen Einschränkungen, Fehler und Verzerrungen, weshalb ihre integrative Analyse der Schlüssel für robuste Schlussfolgerungen ist, um komplexe Phänomene zu verstehen.

Unsere Forschungsgruppe Datenintegration in den Lebenswissenschaften (DILiS) setzt verschiedene Methoden zur Datenanalyse ein: Maschinelles Lernen ermöglicht die Erkennung von Mustern in unstrukturierten Daten, aber große Deep-Learning-Modelle erfordern normalerweise große Datenmengen. Netzwerke ermöglichen die Darstellung von Interaktionen zwischen Entitäten und sind sehr informativ. Sie ermöglichen auf einfache Weise die kombinierte Analyse verschiedener Datensichten. Dynamische Modelle erfassen zeitliche Verhaltensweisen und komplexe, komplizierte Beziehungen. Neben der separaten Nutzung dieser Methoden und ihrer Stärken sind wir daran interessiert, maschinelles Lernen, netzwerkbasierte Analyse und mathematische Modellierung dynamischer Prozesse zu kombinieren. Dabei interessiert uns besonders, wie die beiden letztgenannten Methoden genutzt werden können, um Vorabinformationen (Fachwissen) in die Vorhersage-Pipelines einzubeziehen.

Die Anwendungen kommen hauptsächlich aus dem biomedizinischen Bereich, wie z. B. die Vorhersage von Medikamentenwirkungen, und wir konzentrieren uns auf die Integration verschiedener Arten von biomolekularen, „Multi-Omics“-Daten.