Modulares Hochleistungsrechnen und künstliche Intelligenz

Dr. Matthias Becker

Gruppenmitglieder

Titel

Name

Position/Tätigkeiten

Kontakt

 Elke SchubertBüroassistenzelke.schubert(at)dzne.de
Dr.Marie OestreichPostdocmarie.oestreich(at)dzne.de
 Shubhi AmbastDoktorandinshubhi.ambast(at)dzne.de
 Charles Mwangi KaumbuthaDoktorand

charlesmwangi.kaumbutha(at)dzne.de

 Karola MaiDoktorandinkarola.mai(at)dzne.de
 Dayoung LeeMaster-Studentin

dayoung.lee(at)dzne.de

 Philip HorvatLabrotation-Student

philiplucien.horvat(at)dzne.de

Shubhi Ambast

Ich interessiere mich für die Anwendung von Deep-Learning-Methoden, insbesondere von graphbasierten neuronalen Netzen, um komplexe biologische Erkenntnisse aus Datensätzen zu gewinnen, die z. B. aus der Einzelzelltranskriptomik stammen. Außerdem fasziniert mich der Einsatz von erklärbarer KI zur Interpretation und Validierung meiner Forschung, um ein tieferes Verständnis der zugrunde liegenden biologischen Mechanismen in der Gesundheitsforschung zu erlangen.

Karola Mai

Meine Forschung konzentriert sich auf das PriSyn-Projekt, bei dem ich die biologische Plausibilität der generierten synthetischen scRNAseq-Daten bewerte und an der Integration von scRNAseq-Daten mit Genotypinformationen arbeite. Darüber hinaus nutze ich meine praktische Erfahrung in der Durchflusszytometrie und wende  Methoden des maschinellen Lernens an, um die Standardisierung und Skalierbarkeit der Analyse von Durchflusszytometriedaten zu verbessern.

Charles Mwangi Kaumbutha

Mein Forschungsinteresse gilt der Metadatenanalyse, insbesondere dem Umgang mit fehlenden Daten. Derzeit liegt mein Hauptaugenmerk auf der Untersuchung von Bewertungsmetriken für Imputationsmethoden, um die Qualität nachgelagerter maschineller Lernaufgaben wie Klassifizierung zu gewährleisten.

Marie Oestreich

Meine Forschung konzentriert sich auf die Chemoinformatik, insbesondere auf die Entwicklung von tiefen generativen Modellen, die neue kleine Moleküle vorschlagen, um den Prozess der Arzneimittelentwicklung zu beschleunigen. In diesem Zusammenhang untersuche ich außerdem chemisch informierte Einbettungsstrategien für Moleküle, um den chemischen Informationsgehalt während des Trainings von nachgelagerten Deep-Learning-Modellen zu maximieren.

Willkommen auf unserer Webseite, informieren Sie sich hier grundsätzlich cookie-frei.

Wir würden uns freuen, wenn Sie für die Optimierung unseres Informationsangebots ein Cookie zu Analysezwecken zulassen. Alle Daten sind pseudonym und werden nur durch das DZNE verwendet. Wir verzichten bewusst auf Drittanbieter-Cookies. Diese Einstellung können Sie jederzeit hier ändern.

Ihr Browser erlaubt das Setzen von Cookies: