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) bestimmt 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 hochkomplexen Fragen anzugehen, die sich in verschiedenen Anwendungen ergeben, ist ein breites Spektrum von Techniken aus KI und Data Science erforderlich (z.B. neuronale Netze, Bayessches Lernen, Bayessche 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, darunter auch 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.

Unser Angebot: Wir entwickeln eine Lösung für Sie als Kunden

Unsere Angebote umfassen die gesamte Wertschöpfungskette in der translationalen biomedizinischen Forschung in der Biotech- und Pharmaindustrie. Wir bieten Unternehmen maßgeschneiderte und auf ihre Bedürfnisse zugeschnittene Lösungen im KI und Data Mining Bereich, beispielsweise über Auftragsforschung. Auf diese Weise sind wir in der Lage, auf die unterschiedlichen Bedürfnisse unserer Kunden einzugehen und temporäre Ressourcen und Know-how in ihre internen Projekte einzubringen.

 

Precision medicine, Artificial Intellligence, Cancer, Biomarkers, Systems biology, Statistics, Neurology, Genetics, Network biology, Epidemiology, Mathematical modeling, Signal processing, Computational biology, Graph theory, Chemoinformatics, Signal processing, Data semantics

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

Überblick über unsere Forschungsprojekte

  • ADIS
    Koordinator, KI-Methoden für die Modellierung biologischer Systeme und die Diagnose von Krankheiten
  • AIOLOS
    KI-gestützte Modelle für die Früherkennung und Überwachung von Pandemiesituationen und für die Entscheidungshilfe
  • DIGIPD
    Koordinator, KI-Methoden zur Patientenstratifikation
  • The Virtual Brain Cloud
    KI-basierte Verlaufsmodelle
  • RADAR-AD
    KI-basierte Verlaufsmodelle
  • NFDI4Health
    KI-Methoden für synthetische Patientendaten
  • PsychSTRATA
    KI/ML-Modelle für die Präzisionspsychiatrie
  • CePPH
    KI/ML-Modelle für die Präzisionsmedizin

  • Scientific Machine Learning
    Entwicklung hybrider maschineller Lernverfahren, welche mechanistische Differentialgleichungsmodelle mit Neuronalen Netzen verbinden.
  • Graph Machine Learning
    Entwicklung eines modernen Graph Neural Network Ansatzes, um die Wahl von Wirkstoff-Targets zu unterstützen.
  • Modeling of Disease Trajectories
    Entwicklung und Anwendung unüberwachter Lernverfahren, um longitudinale Krankheitstrajektorien zu clustern.
  • Prediction of Protein-Protein Interactions (beendet)
    Entwicklung einer neuartigen Deep Learning Architektur, um Virus-Wirt Protein-Protein Interaktionen vorherzusagen.

zu den Projektpartnern

Zusammenarbeit

Interview mit Holger Fröhlich

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

Aktuelle Forschungs­ergebnisse

Verweise auf wissenschaftliche Veröffentlichungen vor 2020

Beispiele

Beispiele für aktuelle Forschungsarbeiten in der Gruppe »KI & Data Science«

Videos

Vortrag von Holger Fröhlich auf dem AI World Congress 2021 in Seoul
Video


Keynote-Vortrag beim 3. Kremser Demenzkongress (AIDEM 2021)
Video