KI & Data Science

Unser Ziel: Bessere Behandlung für den einzelnen Patienten


Unsere Forschungsarbeiten haben sowohl eine methodische als auch eine anwendungsorientierte Komponente, wobei die Methodenentwicklung typischerweise durch Fragen aus der Anwendung (z.B. aus der Pharmaindustrie) vorangetrieben wird. Derzeit umfassen diese Anwendungen vor allem folgende Gebiete:

  • Präzisionsmedizin (das passende Medikament für den einzelnen Patienten):
    • KI-basierte Modellierung von Krankheitsrisiko, Krankheitsverlauf und Krankheitssubtypen
    • KI-basierte Simulation virtueller Patientendaten als Mechanismus zur Einhaltung des Datenschutzes bei gemeinsamer Nutzung von Daten
  • frühe Wirkstoffentwicklung (bessere Auswahl von Kandidaten für neue Wirkstoffe):
    • KI-basierte Priorisierung von Kandidaten für neue Wirktsoffe
    • KI-Methoden zur Vorhersage unerwünschter Nebenwirkungen

Darüber hinaus verfügen wir über langjährige Erfahrung bei Anwendungen der KI in der Systemmedizin (Reverse Engineering und Simulation biologischer Netzwerke).

Um die komplexen Fragen anzugehen, die sich in verschiedenen Anwendungen ergeben, ist ein breites Spektrum von Techniken aus KI und Data Science erforderlich (z.B. Neuronale Netze, Bayesianisches Lernen, Bayesianische Netze, Kernel-Methoden, Boosting usw.). Dabei liefern Standardlösungen nur selten zufriedenstellende Ergebnisse. Deshalb besteht ein großer Teil unserer Arbeit darin, KI- und Data Science Methoden so zu entwickeln oder anzupassen, dass sie konkrete Anwendungsprobleme lösen. Beispiele für unsere Methodenentwicklungen in den letzten Jahren sind

  • »Hybride« KI: Kombination und Integration von Wissen (z.B. in Form von Graphen) in Modelle des maschinellen Lernens,
  • (Generative) Modellierung multivariater Zeitreihen, einschließlich Ansätze zur Behandlung fehlender Werte,
  • Modelle, die sich mit mehreren Datenmodalitäten und biologischen Skalen befassen.

Wir haben viel Erfahrung mit verschiedenen Arten von »-omics«-Daten, aber in den letzten Jahren sind andere Daten (z.B. klinische oder von der Bio-Bildgebung abgeleitete Merkmale) immer wichtiger geworden.

Für mehr Infos einschließlich Publikationen vgl. http://abi.bit.uni-bonn.de (in englischer Sprache).

Ausgewählte Publikationen

  • de Jong, J., Emon, M. A., Wu, P., Karki, R., Sood, M., Godard, P., ... & Fröhlich, H. (2019). Deep learning for clustering of multivariate clinical patient trajectories with missing values. Giga Science, 8(11), giz134.
  • Khanna, S., Domingo-Fernández, D., Iyappan, A., Emon, M. A., Hofmann-Apitius, M., & Fröhlich, H. (2018). Using multi-scale genetic, Neuoimaging and clinical data for predicting Alzheimer’s disease and reconstruction of relevant biological mechanisms. Scientific reports, 8(1),
    11173.
  • Benjamin Engelhardt, Maik Kschischo, Holger Fröhlich (2017), A Bayesian Approach to Estimating Hidden Variables as well as Missing and Wrong Molecular Interactions in ODE Based Mathematical Models, Journal of the Royal Society Interface, Jun;14(131). 14:20170332
  • Ashar Ahmad, Holger Fröhlich (2017), Towards Clinically More Relevant Dissection of Patient Heterogeneity via Survival based Bayesian Clustering, Bioinformatics, 33(22), 3558 - 3566
  • Y. Cun, H. Fröhlich (2013), Network and Data Integration for Biomarker Signature Discovery via Network Smoothed T-Statistics, PLoS ONE, 8(9):e73074

Interview mit Holger Fröhlich

»Die Pharma-Branche befindet sich durch den Einsatz von KI in einer Umbruchphase«

Bonn, 29.11.2018

AETIONOMY final symposium and IMI neurodegeneration initiatives