Forschungsschwerpunkte

Neurosymbolische Künstliche Intelligenz verbindet die Mustererkennung leistungsstarker Deep-Learning-Modelle mit dem strukturierten Wissen symbolischer Ansätze – etwa aus der Logik oder Ontologie. In unserer Arbeitsgruppe erforschen wir, wie sich diese Methoden nutzen lassen, um komplexe biologische Zusammenhänge in experimentellen Daten sichtbar und erklärbar zu machen. Wir untersuchen dabei verschiedene innovative Ansätze wie sich wissensgetriebene, logische Zusammenhänge mit daten-getriebenen, statistisch ableitbaren Gesetzmäßigkeiten in Einklang bringen lassen. Wir sind ein junges, kommunikatives Team mit Freude zur wissenschaftlichen Kooperation, und daher immer offen für die gemeinsame Lösung interessanter Fragestellungen anhand von Maschinellem Lernen, auch über die Bioinformatik hinaus.

Beispielsweise in der Analyse großer RNA-Datensätze sowie von Single-Cell- oder Spatial-Omics bietet die Kombination aus datengetriebenem Lernen und explizitem Wissen viele neue Möglichkeiten: z. B. zur robusteren Zelltypklassifikation, zur Integration biologischer Ontologien oder zur Generierung biologisch plausibler Hypothesen. Ein zentraler Vorteil neurosymbolischer Ansätze liegt in ihrer Erklärbarkeit: Während klassische Deep-Learning-Modelle oft als „Black Boxes“ agieren, ermöglichen neurosymbolische Methoden eine nachvollziehbare Herleitung von Vorhersagen – etwa durch die Einbindung biologischer Regeln, Pfade oder genregulatorischer Zusammenhänge. Aus biologischer und medizinischer Sicht entsteht dadurch ein direkter Mehrwert bei der Interpretation: Ergebnisse lassen sich besser mit vorhandenem Fachwissen verknüpfen, neue Hypothesen gezielter ableiten und experimentell validieren. So fördern neurosymbolische Modelle nicht nur die Präzision, sondern auch das Vertrauen und die Anschlussfähigkeit bioinformatischer Analysen in der molekularbiologischen Forschung. Für weitere Informationen siehe unten.

Moderne molekularbiologische Forschung erzeugt zunehmend multimodale Datensätze – etwa Genexpressionsdaten, miRNA-Profile, epigenetische Informationen oder Bilddaten aus der Histologie. Unsere Arbeitsgruppe entwickelt und nutzt Methoden des Maschinellen Lernens (ML), um diese unterschiedlichen Datenquellen gemeinsam auszuwerten und so ein umfassenderes Bild biomedizinischer Prozesse zu gewinnen.

Durch die Integration multimodaler Informationen lassen sich Zusammenhänge aufdecken, die mit einzelnen Datentypen verborgen bleiben – etwa komplexe Krankheitsmuster, regulatorische Netzwerke oder zelluläre Zustände. Wir kombinieren klassische bioinformatische Analysen mit modernen ML-Ansätzen wie Embedding-Techniken, Attention-Modellen oder Variational Autoencoders, um heterogene Daten systematisch zu verknüpfen. So entstehen interpretierbare Modelle, die helfen, molekulare Mechanismen besser zu verstehen und neue biologische Hypothesen zu generieren.

Unsere Arbeitsgruppe engagiert sich in der molekularbiologischen Grundlagenforschung mit dem Ziel, zelluläre und regulatorische Prozesse datengetrieben zu verstehen. Wir analysieren, oft in nationaler und internationaler Kooperation, große molekulare Datensätze – etwa aus RNA-Sequenzierung (Bulk und Single-cell) – und untersuchen grundlegende Fragestellungen zur Genregulation, Zelltypidentität, molekularen Netzwerken und Krankheitsmechanismen in Gesundheit, Alterung und Krankheit.

Beispiel: Hochdurchsatz single-cell und spatial Transkriptomik

Die Arbeitsgruppe beschäftigt sich mit der Analyse hochdimensionaler molekularer Daten, die durch moderne High-Throughput-Verfahren generiert werden – sowohl in Bulk- als auch in Single-Cell-Experimenten. Dabei untersuchen wir insbesondere Gen- und miRNA-Expressionsprofile, um biologische Prozesse auf transkriptioneller Ebene besser zu verstehen.
Bulk-RNA-Sequenzierungen liefern robuste Mittelwerte über Zellpopulationen und sind ein etabliertes Werkzeug zur Analyse differenziell exprimierter Gene und regulatorischer miRNAs in verschiedenen biologischen Zuständen. Ergänzend dazu ermöglichen Single-Cell- und Single-Nucleus-RNA-Sequenzierungen die Analyse individueller Zellen und eröffnen Einblicke in zelluläre Heterogenität, seltene Zelltypen und dynamische Genexpressionsmuster auf Einzelzellebene. Letztlich haben wir auch bereits Erfahrungen gesammelt im recht jungen Forschungsfeld der Spatial-Omics Technologien, die es erlauben räumliche und zeitliche Koordinaten mit molekularen Messwerten zu verknüpfen.

Beispiel: Neurodegeneration und Infektionsforschung

Wir beschäftigen uns ebenfalls mit der bioinformatischen Analyse molekularbiologischer Daten im Schnittstellenbereich neurodegenerativer Erkrankungen und Infektionskrankheiten. Im Zentrum stehen dabei Krankheiten wie Alzheimer, Parkinson, sowie virale Infektionen, etwa durch SARS-CoV-2. Ziel ist es, die zugrunde liegenden molekularen Mechanismen besser zu verstehen und krankheitsassoziierte Veränderungen auf Zell- und Gewebeebene systematisch zu erfassen.

Für alle diese Datentypen und -modalitäten nutzen wir klassische bioinformatische Werkzeuge – z. B. zur Qualitätskontrolle, Normalisierung und statistischen Analyse – sowie moderne Methoden des Maschinellen Lernens und Deep Learnings. Diese helfen uns, komplexe Muster zu erkennen, Zelltypen zu identifizieren, genregulatorische Netzwerke zu rekonstruieren und krankheitsspezifische Signaturen sichtbar zu machen. Derartige Signaturen erlauben es uns Krankheitsprozesse an ihrer Wurzel zu beschreiben und das translationale Potential für die Entwicklung von neuen Biomarkern oder sogenannter Targets für neue Wirkstoffe systematisch abzuleiten. Durch die Kombination klassischer Analyseverfahren mit modernen datengetriebenen Ansätzen leisten wir einen Beitrag zum besseren Verständnis alters- und krankheitsbedingter Veränderungen im menschlichen Gehirn sowie zur Erforschung immunologischer Prozesse bei Infektionen.