Prof. Dr. Alexander Schliep ist seit dem 01. Oktober 2022 neuer FGW-Professor für Medizinische Bioinformatik mit dem Schwerpunkt patientenorientierte Datenerfassung an der Brandenburgischen Technischen Universität Cottbus-Senftenberg (BTU).
Große Datenmengen werden in vielen Disziplinen erhoben, oft mit höchst unterschiedlichen Formaten, die bioinformatisch bearbeitet werden müssen. Dazu ist es meist notwendig, neue Tools zu entwickeln, die für den Datensatz und die konkrete Fragestellung die bestmögliche Antwort liefern.
Darüber hinaus wird ein Schwerpunkt dieser Professur die Entwicklung neuer Techniken wie mobile Diagnostik oder vernetzte Versorgung chronisch kranker Menschen sowie die bias-freie Evaluation dieser neuen Techniken sein.
Das SchliepLAB ist Teil der Fakultät für Gesundheitswissenschaften Brandenburg und befindet sich an der Brandenburgischen Technischen Universität Cottbus-Senftenberg. Ein Teil der Gruppe ist an der Fakultät für Informatik und Ingenieurwissenschaften angesiedelt, die eine gemeinsame Fakultät der Universität Göteborg und der Chalmers University of Technology ist.
Eine Liste der laufenden und abgeschlossenen Forschungsprojekte finden Sie unter https://schlieplab.org/Research/, eine Liste der Veröffentlichungen unter https://schlieplab.org/Publications/ und eine Liste der Softwarepakete unter https://schlieplab.org/Software/.
Insbesondere für Antisense-Oligonukleotide (ASO), die durch RNAse H1-mediated Knockdown wirken, sind Bindungsenergien und Kinetik von ASO-mRNA-Duplexen entscheidend für die Vorhersage von Wirksamkeit und Sicherheit. Wir sagen Bindungsenergien anhand von Sequenzen voraus, untersuchen die Kinetik der ASO-Reaktionen, um den Entwurfsprozess von ASO-Medikamenten vorhersehbarer zu machen, und kombinieren in Kooperationsprojekten Molekulardynamik und künstliche Intelligenz, um Vorhersagemodelle für eine breitere Palette von Nukleotidmodifikationen zu erweitern. Unsere federated, privacy preserving Lernmethoden ermöglichen auch ohne Austausch von Daten ML-Modelle für die Vorhersage von Bindungsenergien zu lernen.
Pan-Genom-Graphen bieten einen prinzipiellen Ansatz für den Umgang mit strukturellen Variationen und, allgemein, dem hohen Grad an Variationen zwischen individuellen Genomen. ML auf Pan-Genom-Graphen wird es ermöglichen, Vorhersage- und Regressionsaufgaben für verschiedene Populationen zu bewältigen, einschließlich Größen, die für Oligonukleotid-Therapeutika relevant sind, wie Transkriptionsgeschwindigkeit oder DNA-Accessibility, sowie klinisch relevante Variablen.
Die von experimentellen Hochdurchsatzplattformen wie dem High-Throughput Sequencing (HTS) erzeugten Daten stellen eine rechnerische Herausforderung dar, insbesondere wenn fortschrittliche statistische Ansätze wie Bayes’sche Methoden zur Analyse verwendet werden. In der Vergangenheit haben wir einen komprimierenden Genomik-Ansatz entwickelt, der vom Big Data to Knowledge Program (BD2K) der NIH finanziert wurde, Wavelet-Kompression in Bayes’schen HMMs zur Erkennung von Kopienzahlvarianten eingesetzt und den Nutzen statistischer ML-Modelle, die Genome repräsentieren – Markov-Ketten variabler Länge – durch schnellere Lernalgorithmen erheblich verbessert. Dies ermöglicht z. B. alignementfreie Genomvergleiche aus Rohdaten.
Computational Thinking ist heute eine Grundvoraussetzung für fast alle Disziplinen. Die Vermittlung von algorithmischen Ideen kann von Software-Tools stark profitieren. Wir entwickeln Animationssysteme für Graphenalgorithmen, die auf dem Desktop, als Web-App und bald auch als iOS-App verfügbar sind; CATBox ist ein Springer-Lehrbuch, das Gato verwendet. Mit unserer Hidden Markov Model-Bibliothek können sich die Lernenden auf die Lösung spannender bioinformatischer Probleme konzentrieren.
Learning Outcome
After successfully completing the module, students will have acquired an introduction to modern bioinformatics and to selected applications from biology and medicine. They understand the methodology through presentation of the central computational problems and an introduction of solutions based on classical algorithms and statistical machine learning, as well as modern deep learning approaches.
Contents
The focus will be on four fundamental problem areas:
Recommended Prerequisites
| Lecture | Exercise |
|---|---|
| Friday | Friday |
| 9:15 – 10:45 (Block 2) | 11:30 – 13:00 (Block 3) |
| Campus Sachsendorf, building 9, room 9.122 | Campus Sachsendorf, building 9, room 9.122 |
Detailed information for participants is available at
https://www.b-tu.de/elearning/btu/course/view.php?id=12912
Learning Outcome
After successfully completing the module, students have insight into this exciting field of application for Artificial Intelligence (AI). They are able to acquire research literature and to present the topic orally as well as in a written report.
Contents
AI is revolutionizing drug design both for small molecule drugs – the prevalent drug modality – and novel modalities such as oligonucleotide therapeutics. Some of the progress has been achieved by transferring methods from established AI areas such as NLP. For other areas novel methodological developments were instrumental, with very exciting developments on the intersection between molecular dynamics and AI. The focus of the seminar will be on state-of-the-art methods and applications of AI in drug design for small molecule drugs and oligonucleotide therapeutics.
Recommended Prerequisites
Working knowledge of probability/statistics and modern machine learning methods.
| Seminar |
|---|
| Friday |
| 13:45 – 15:15 (Block 4) |
| Campus Sachsendorf, building 9, room 9.122 |
Detailed information available for participants at
https://www.b-tu.de/elearning/btu/course/view.php?id=12913
After successfully completing the module, students have an overview on how to solve large-scale computational problems in data science and machine learning. They know parallel approaches from multi-threaded computation on individual machines to implicit parallelism frameworks on compute clusters. They are familiar with algorithms and data structures supporting efficient exact or approximate (e.g. sketching) computation with massive data sets in and out of core. They are able to implement the algorithms. They can assess which methods can be used in a given situation.
The focus will be on the following areas: A review of memory-compute co-location and its impact on big data computations; Solving Machine Learning (ML) work loads using explicit parallelism, specifically multi-threaded computation on an individual machine; Introduction of implicit parallelism programming models as implemented for example in MapReduce, Spark and Ray and their application in ML; Sketching algorithms (e.g. CountMinSketch, HyperLogLog) or Bloom filters; Implementing ML methods using index data structures such as suffix or kd-trees.
Detailed information for participants is available at
https://www.b-tu.de/elearning/btu/course/view.php?id=12914
A list of current and prior offered courses and seminars can be found at https://schlieplab.org/Teaching/
