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.

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.

• 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.
• Philipp Wendland, Colin Birkenbihl, Marc Gomez-Freixa, Meemansa Sood, Maik Kschischo, Holger Fröhlich. Generation of realistic synthetic data using Multimodal Neural Ordinary Differential Equations. npj Digital Medicine volume 5, Article number: 122 (2022)
  
• Johann de Jong, Ioana Cutcutache, Matthew Page, Sami Elmoufti, Cynthia Dilley, Holger Fröhlich, Martin Armstrong. Towards realizing the vision of precision medicine: AI based prediction of clinical drug response. Brain, Volume 144, Issue 6, June 2021
  
• Colin Birkenbihl, Yasamin Salimi, Holger Fröhlich. Unraveling the heterogeneity in Alzheimer's disease progression across multiple cohorts and the implications for data-driven disease modeling. June 2021