KI & Data Science

Unsere Forschungsarbeiten haben immer eine methodische und eine anwendungsorientierte Komponente, wobei die Methodenentwicklung typischerweise durch spezifische Fragestellungen aus der Anwendung (beispielsweise in der Pharmaindustrie) vorangetrieben wird. Aktuelle Themen sind

• Entwicklung verbesserter Wirkstofftargets:
  • KI-Methoden zur Priorisierung von Wirkstofftargets und zur Vorhersage unerwünschter Nebenwirkungen
• Präzisionsmedizin – das richtige Medikament für den richtigen Patienten:
  • KI-Methoden zur Vorhersage von Krankheitsrisiken, Krankheitssubtypen, Krankheitsverläufen und Behandlungserfolg
• Innovative Designentwicklung für die Durchführung von Studien:
  • Enrichment trials
  • synthetische Kontrollen
  • digitale Zwillinge

Um die hochkomplexen Probleme zu lösen, die bei verschiedenen Anwendungen auftreten, ist ein breites Spektrum an Techniken aus den KI- und Datenwissenschaften erforderlich (unterschiedliche neuronale Netzwerkarchitekturen, Bayes'sches Lernen, Bayes'sche Netzwerke, Kernel-Methoden und Boosting). Lösungen von der Stange liefern hier selten zufriedenstellende Ergebnisse. Ein erheblicher Teil der Arbeiten adressiert daher die Anpassung, Entwicklung und Gestaltung von KI- und Data-Science-Algorithmen, die auf die Lösung eines bestimmten Anwendungsproblems zugeschnitten sind. In den letzten Jahren haben unsere Methodenentwicklungen insbesondere Folgendes umfasst:

• Hybride KI / Wissensinfusion: Methoden, die menschliches Wissen (in Form von Wissensgraphen oder Differentialgleichungen) in datengesteuerte maschinelle Lernmodelle einfließen lassen.
• (generative) Modellierung multivariater Zeitreihen, einschließlich Ansätzen zum Umgang mit fehlenden Werten
• Modelle, die mehrere Datenmodalitäten über biologische Skalen hinweg berücksichtigen.

Wir haben langjährige Erfahrung mit verschiedenen Arten von Daten, beispielsweise mit

• Omics-basierten Daten,
• Daten aus longitudinalen klinischen Studien und
• verschiedenen Arten von Patientendaten aus dem Gesundheitswesen, u.a. mit
  • strukturierten und unstrukturierten elektronischen Gesundheitsakten und Leistungsdaten sowie
  • digitalen Biomarkern, d.h. Daten, die von digitalen Geräten stammen, etwa von Gangsensoren oder von Smartphone-Anwendungen.

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