Random Forest, Feature Selection, PCA oder Clustering - Welche Methode passt zu Ihrer Analyse?

Der Einsatz von Künstlicher Intelligenz in der Bioinformatik treibt die Fortschritte sowohl in der angewandten biotechnologischen Forschung als auch in der Medikamentenentwicklung und in der personalisierten Medizin in großen Schritten voran.

Machine Learning Methoden aus dem Teilbereich KI in der Informatik werden dort eingesetzt, wo statistische Methoden an ihre Grenzen stoßen:

Wissensgenerierung und Mustererkennung mit Unsupervised Learning
Aus großen Datensätzen lassen sich Muster erkennen und neues Wissen generieren. Unsupervised Learning Methoden ermöglichen zum Beispiel ein Clustering von Merkmalen, die Dimensionsreduktion großer Datensätze, eine Extraktion relevanter Informationen und mehr. Wir setzen hier Methoden wie PCA, k-means Clustering, hierarchisches Clustering, Erkennung von Anomalien, Manifold Learning, neuronale Netze (selbstorganisierende Karten, GAN) ein.

Vorhersagen treffen mit Supervised Learning
Supervised Learning wird eingesetzt, um z. B. Prognosen zu erstellen. Typisch sind Fragen zur Vorhersage von Klassifikation oder Regression. Dazu zählen die Vorhersagen eines anormalen Befundes, von Heilungsaussichten oder der Verteilung von Medikamenten-Nebenwirkungen. Wir nutzen dafür z. B. lineare Models, Ensemble-Methoden, Decision Trees, Random Forest und Feature Selection.

Unser Team aus Machine Learning Researchern und Wissenschaftler*innen aus Biochemie und Biologie erarbeitet zusammen mit Ihnen, welche Methode für Ihre Datenanalyse und Fragestellung am besten geeignet ist.
Wir entwickeln passende Datenbanken, führen Datenanalysen durch, entwickeln intelligente Algorithmen und zeigen anhand von Visualisierungen und Computersimulationen neue, bislang unbekannte Zusammenhänge in biomedizinischen Daten auf.

Das können wir für Sie tun

Wir entwickeln Konzepte und etablieren Standards zur Speicherung von Datensets in Datenbanken als Grundlage für die Datenanalyse. Dabei unterstützen wir den Wissenstransfer zwischen Biotechnologie - Informatik - Künstlicher Intelligenz.
Wir führen Datenanalysen zu Fragestellungen aus der Onkologie und zu multifaktoriellen Erkrankungen mit Methoden des Machine Learnings durch, insbesondere PCA, Clustering, Deep Learning
Wir entwickeln Computervision Systeme zur intelligenten Bildanalyse von medizinischen Aufnahmen (z.B. Mikroskopie, Radiologie, Sonografie) mit Deep Learning Modellen