Gerade in den Lebenswissenschaften liegen für eine Fragestellung oft Daten verschiedener Herkunft vor, und die Forschung hat bereits Vorwissen, wie zum Beispiel zu dynamischen Aspekten, oder räumlichen bzw. regulatorischen Beziehungen zwischen Entitäten. Diese Veranstaltung beschäftigt sich mit Analyse-Methoden, die verschiedene Daten und Vorwissen kombinieren können. Dabei geht es zum Beispiel grundlegend um die Verknüpfung von kontinuierlichen und kategorischen Daten in gemischten Modellen, aber auch Netzwerkintegration und multi-faktorielle Matrixmultiplikation. Ein Schwerpunkt liegt zudem auf verschiedenen Ansätzen des informierten maschinellen Lernens wie zum Beispiel graph-neuronalen Netzwerke, Transferlernen oder aktuellen Verfahren aus der Forschung wie simulationsbasiertes Vortrainieren. Der Fokus liegt dabei explizit nicht auf der Verarbeitung von Bildern, sondern tabellarischer oder anderweitiger Daten. Die Veranstaltungsprache ist Englisch, aber Übungsaufgaben und Fragen können auch auf Deutsch beigetragen werden.

Gerade in den Lebenswissenschaften liegen für eine Fragestellung oft Daten verschiedener Herkunft vor, und die Forschung hat bereits Vorwissen, wie zum Beispiel zu dynamischen Aspekten, oder räumlichen bzw. regulatorischen Beziehungen zwischen Entitäten. Diese Veranstaltung beschäftigt sich mit Analyse-Methoden, die verschiedene Daten und Vorwissen kombinieren können. Dabei geht es zum Beispiel grundlegend um die Verknüpfung von kontinuierlichen und kategorischen Daten in gemischten Modellen, aber auch Netzwerkintegration und multi-faktorielle Matrixmultiplikation. Ein Schwerpunkt liegt zudem auf verschiedenen Ansätzen des informierten maschinellen Lernens wie zum Beispiel graph-neuronalen Netzwerke, Transferlernen oder aktuellen Verfahren aus der Forschung wie simulationsbasiertes Vortrainieren. Der Fokus liegt dabei explizit nicht auf der Verarbeitung von Bildern, sondern tabellarischer oder anderweitiger Daten. Die Veranstaltungsprache ist Englisch, aber Übungsaufgaben und Fragen können auch auf Deutsch beigetragen werden.

Im Softwareprojekt werden wir verschiedene Machine-Learning (ML)-Methoden implementieren, trainieren und evaluieren. Der Fokus im Projekt liegt auf neuronalen Netzen (NN) und ihrer Erklärbarkeit. Die Methoden werden wir mit verschiedenen Baseline-Modellen, zum Beispiel Regressionsmodellen, vergleichen. Verschiedene ML-Methoden werden auf einen spezifischen Datensatz, z.B. zur Vorhersage von Medikamentenkombinationen gegen Krebserkrankungen, angewendet und ausgewertet. Der Datensatz wird von uns vorbereitet und mit den implementierten Methoden analysiert. Zusätzlich legen wir einen Fokus auf Erklärbarkeit, um sicherzustellen, dass die Vorhersagen der ML-Modelle nachvollziehbar und interpretierbar sind. Dazu werden wir geeignete Techniken zur Erklärbarkeit von Modellen integrieren, um die Entscheidungsgrundlagen der Modelle besser zu verstehen und visualisieren zu können.

Die Programmiersprache ist Python, und wir planen die Verwendung von modernen Python-Modulen für ML wie scikit-learn, and PyTorch. Gute Python-Kenntnisse sind Voraussetzung. Das Ziel ist die Erstellung eines Python-Pakets, das für den konkreten Anwendungsfall wiederverwendbaren Code zur Präprozessierung, Training auf ML-Modelle und Evaluation der Ergebnisse mit Dokumentation (z.B. mit sphinx) liefert. Das Softwareprojekt findet semesterbegleitend statt und kann auch auf Englisch durchgeführt werden.

Forschungsseminar der Arbeitsgruppe Data Integration in the Life Sciences (DILiS). Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen. Achtung: Einzelne Termine können ausfallen oder verschoben werden. Kontaktieren Sie mich gern für Fragen (katharina.baum@fu-berlin.de)!

In diesem Hauptseminar besprechen wir verschiedenste Methoden für maschinelles Lernen. Im Fokus stehen dabei Ansätze des aktiven Lernens, Abschätzungen von Unsicherheit und ihre Nutzung, sowie Methoden für Erklärungen von Modellen. Die Anwendung und Entwicklung dieser Methoden für biomedizinische Fragestellungen wird anhand aktueller Forschungsarbeiten betrachtet.
Beispiel für behandelte Ansätze sind
- selective sampling
- SHAP values
- Gaussian ensemble models
- Bayesian neural networks
Wir werden das Seminar vornehmlich auf Englisch durchführen, natürlich können Sie Fragen auch auf Deutsch stellen.

Die Plätze werden bereits im Februar vergeben.

Informationen zum Softwarepraktikum befinden sich auf der Homepage des Studiengangs Bioinformatik.

Die Verteilung der Plätze findet im Februar statt.

Im Softwareprojekt werden wir verschiedene Machine-Learning (ML)-Methoden implementieren, trainieren und evaluieren. Der Fokus im Projekt liegt auf graph-neuronalen Netzwerken (GNN), die Graphen als Input-Feature für das Lernen verwenden. Die GNNs werden wir mit verschiedenen Baseline Methoden, zum Beispiel mit neuronalen Netzen und Regressionsmodellen, vergleichen. Die verschiedenen ML Methoden werden auf einen spezifischen Datensatz, z.B. zur Vorhersage von Medikamentenkombinationen gegen Krebserkrankungen, angewendet und ausgewertet. Der Datensatz wird von uns vorbereitet und mit den implementierten Methoden analysiert.

Die Programmiersprache ist Python, und wir planen die Verwendung von modernen Python-Modulen für ML wie scikit-learn, TensorFlow oder PyTorch. Gute Python-Kenntnisse sind Voraussetzung. Das Ziel ist die Erstellung eines Python-Pakets, das für den konkreten Anwendungsfall wiederverwendbaren Code zur Präprozessierung, Training auf ML-Modelle und Evaluation der Ergebnisse mit Dokumentation (z.B. mit sphinx) liefert. Das Softwareprojekt findet semesterbegleitend statt und kann auch auf Englisch durchgeführt werden.

Die Welt ist komplex, genauso wie ihre Daten. Graphen (oder Netzwerke) nehmen eine Schlüsselstellung in der Analyse komplexer Daten und in der Integration von Datenebenen ein. Sie ermöglichen das Abbilden und die formale Untersuchung von Zusammenhängen zwischen Entitäten (Knoten).

Im Laufe des Seminars werden wir uns mit verschiedenen computergestützten Analysemethoden von Graphen und Netzwerken beschäftigen. Dazu lernen wir unterschiedliche Arten und Eigenschaften von Graphen und den allgemeinen Umgang mit ihnen kennen. Zudem werden Anwendungsbereiche von Graphen wie soziale oder biologische Netzwerke besprochen.

Beispiele für konkrete Themen sind hierbei

• Grundlegende Eigenschaften von Graphen und Knoten und wie man sie bestimmt: kürzeste Wege, Zentralitäten, Gradverteilung, Clustering-Koeffizienten
• Die kleine-Welt Eigenschaft sozialer Interaktionsnetzwerke
• Cluster und Gemeinschaften in Netzwerken
• Anwendung: Netzwerke zum Abbilden von molekularen Regulationen
• Zufallsgraphen und ihre Anwendung
• Arbeiten mit großen Netzwerken, repräsentative Subgraphen
• Modellierung von Informations- und Signalfluss in Graphen und Finden von Signalquellen
• Knoten als Vektoren – Graph-basierte Einbettungsmethoden

Forschungsseminar der Arbeitsgruppe Data Integration in the Life Sciences (DILiS). Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen. Achtung: Einzelne Termine können ausfallen oder verschoben werden. Kontaktieren Sie mich gern für Fragen (katharina.baum@fu-berlin.de)!

Komplexe Daten lassen sich oft auf natürliche Weise als Graphen modellieren. Graphen oder Netzwerke beschreiben die Interaktion zwischen Objekten und sind ein wirksames Instrument zur Darstellung von Systemen in vielen Anwendungen. Graphneuronale Netze sind neuronale Netze, die Graphstrukturen direkt verarbeiten, und haben sich in letzter Zeit als leistungsfähiges Werkzeug zur Analyse von Netzwerken und zur Vorhersage von Eigenschaften von Knoten und Verbindungen erwiesen.

Dieses Seminar bietet eine eingehende Untersuchung von Graph Neural Networks (GNNs) und deren Anwendungen in verschiedenen Bereichen, mit besonderem Schwerpunkt auf den Biowissenschaften und der Biomedizin. Wir werden zunächst die grundlegenden Konzepte und Architekturen von GNNs erörtern, darunter Graph Convolutional Networks (GCNs) und Graph Attention Networks (GATs). Zu den besprochenen Anwendungen gehören Protein-Protein-Interaktionsnetzwerke, Pharmaforschung und personalisierte Medizin. Die Studierenden werden Forschungsarbeiten lesen und präsentieren und an kritischen Diskussionen teilnehmen.

Die Sprache dieses Seminars ist Englisch. Die Studierenden sind ermutigt, auf Englisch zu präsentieren und zu diskutieren, aber Beiträge auf Deutsch sind auch möglich.

Gerade in den Lebenswissenschaften liegen für eine Fragestellung oft Daten verschiedener Herkunft vor, und die Forschung hat bereits Vorwissen, wie zum Beispiel zu dynamischen Aspekten, oder räumlichen bzw. regulatorischen Beziehungen zwischen Entitäten. Diese Veranstaltung beschäftigt sich mit Analyse-Methoden, die verschiedene Daten und Vorwissen kombinieren können. Dabei geht es zum Beispiel grundlegend um die Verknüpfung von kontinuierlichen und kategorischen Daten in gemischten Modellen, aber auch Netzwerkintegration und multi-faktorielle Matrixmultiplikation. Ein Schwerpunkt liegt zudem auf verschiedenen Ansätzen des informierten maschinellen Lernens wie zum Beispiel graph-neuronalen Netzwerke, Transferlernen oder aktuellen Verfahren aus der Forschung wie simulationsbasiertes Vortrainieren. Der Fokus liegt dabei explizit nicht auf der Verarbeitung von Bildern, sondern tabellarischer oder anderweitiger Daten. Die Veranstaltungsprache ist Englisch, aber Übungsaufgaben und Fragen können auch auf Deutsch beigetragen werden.

Während des Projektes werden wir verschiedene Machine-Learning (ML)-Methoden trainieren und die Ergebnisse evaluieren. Hierfür werden verschiedene, zum Teil große Datensätze aus dem Bereich der Lebenswissenschaften für das maschinelle Lernen vorbereitet und hinsichtlich einer vorher definierten Fragestellung analysiert. Die Fragestellung kann von uns ausgegeben und dicht an unseren Forschungsinteressen liegen oder gemeinsam mit uns erarbeitet werden. Eine konkrete Anwendung kann die personalisierte Medizin sein, wie etwa eine Vorhersage der Wirkung von Krebsmedikamenten anhand von umfassenden Daten von Krebszellen, oder auch zeitliche Vorhersagen, zum Beispiel von Infektionszahlen in Epidemien. Die Programmiersprache ist Python, und wir planen die Verwendung von modernen Python-Modulen für ML wie scikit-learn, TensorFlow oder PyTorch. Gute Python-Kenntnisse sind Voraussetzung. Das Ziel ist die Erstellung eines Python-Pakets, das für den konkreten Anwendungsfall wiederverwendbaren Code zur Präprozessierung, Training auf ML-Modelle und Evaluation der Ergebnisse mit Dokumentation (z.B. mit sphinx) liefert. Das Softwareprojekt findet semesterbegleitend statt.

Update 22.04.: Wir haben noch Plätze frei!

Bei Interesse und für die Anmeldung im CM meldet euch bitte bei uns pascal.iversen@fu-berlin.de und pauline.hiort@fu-berlin.de. 

Wir bieten vorrausichtlich eins von zwei möglichen Projekten an:
(1)    Active learning for drug reponse prediction in cancer: Das Projekt zielt darauf ab, durch aktives Lernen die Vorhersage von der Effizienz von Medikamenten bei Krebs mit Deep Learning Modellen zu verbessern.
(2)    Deep learning for drug combination response prediction: Hier werdet ihr eine deep learning base-line implementieren für Medikamentenkombinationenvorhersagen und mit einer publizierten Methode vergleichen. Ihr werdet dann die Methoden mit randomisiertem Input testen.
Im Whiteboard finden Sie mehr Informationen dazu.

Forschungsseminar der Arbeitsgruppe Katharina Baum, Data Integration in the Life Sciences. Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

In diesem Hauptseminar lernen Sie verschiedenste Datenbanken, ihren Aufbau und ihre programmatische Nutzung kennen. Wichtiger Bestandteil wird zudem die Diskussion der Bedeutung der darin abgelegten Daten und ihre Nutzung anhand aktueller Forschungsarbeiten.

Beispiele für mögliche behandelte Datenbanken sind

• MIMIC (elektronische Krankenakten),
• STRING (Protein-Protein Interaktion),
• Drugbank (Medikamente),
• PRIDE (Proteinmessungen),
• GEO (für genomische Daten), etc.

Jede Datenbank soll am Ende des Vortrags im Kurs von allen Teilnehmenden vor Ort für die Beantwortung einer Frage benutzt werden (das Setup bereitet jeweils die vortragende Person vor) - bringen Sie also Ihren Laptop mit!

Bachelorstudierende können an diesem Seminar teilnehmen, aber Inhalte sind sehr fortgeschritten und stammen weitestgehend aus aktueller Forschung. Grundlegende Literatur ist auf Englisch, daher sind gute Englischkenntnise erforderlich.

Wir werden uns am Fr, 12.4.2024 um 10:15 Uhr (in einem hybriden Setting, bitte für Raum & Zugang die Ankündigung im Whiteboard beachten) zur Vorbesprechung und Themenvergabe treffen. Bitte kontaktieren Sie uns vorab (katharina.baum@fu-berlin.de), sollten Sie am Seminar teilnehmen wollen und diesen Termin nicht wahrnehmen können.

Die Plätze werden bereits im Februar vergeben.

Informationen zum Softwarepraktikum befinden sich auf der Homepage des Studiengangs Bioinformatik.

Die Verteilung der Plätze findet im Februar statt.

Inhalt

• Folkmar Bornemann. Konkrete Analysis für Studierende der Informatik. Springer-Verlag, Berlin Heidelberg 2008.
• Wolff, Hauck, Küchlin. Mathematik für Informatik und BioInformatik 2004. Springer-Verlag Berlin Heidelberg
• Peter Hartmann. Mathematik für Informatiker. Springer Vieweg, 6. Auflage, Wiesbaden 2015.
• Michael Oberguggenberger und Alexander Ostermann. Analysis für Informatiker. Springer-Verlag, 2. Auflage, Berlin Heidelberg 2009.
• Gerald Teschl und Susanne Teschl. Mathematik für Informatiker - Band 2: Analysis und Statistik, Springer Vieweg, 3. Auflage, Berlin Heidelberg 2014.
• Thomas Westermann. Mathematik für Ingenieure. Springer Vieweg, 7. Auflage, Berlin Heidelberg 2015.
• Kreußler & Pfister. Mathematik für Informatiker. Springer-Verlag. Berlin Heidelberg, 2009

Die Welt ist komplex, genauso wie ihre Daten. Graphen (oder Netzwerke) nehmen eine Schlüsselstellung in der Analyse komplexer Daten und in der Integration von Datenebenen ein. Sie ermöglichen das Abbilden und die formale Untersuchung von Zusammenhängen zwischen Entitäten (Knoten).

Im Laufe des Seminars werden wir uns mit verschiedenen computergestützten Analysemethoden von Graphen und Netzwerken beschäftigen. Dazu lernen wir unterschiedliche Arten und Eigenschaften von Graphen und den allgemeinen Umgang mit ihnen kennen. Zudem werden Anwendungsbereiche von Graphen wie soziale oder biologische Netzwerke besprochen.

Beispiele für konkrete Themen sind hierbei

• Grundlegende Eigenschaften von Graphen und Knoten und wie man sie bestimmt: kürzeste Wege, Zentralitäten, Gradverteilung, Clustering-Koeffizienten
• Über sieben Knoten musst du gehen – Die kleine-Welt Eigenschaft sozialer Interaktionsnetzwerke
• Cluster und Gemeinschaften in Netzwerken
• Anwendung: Netzwerke zum Abbilden von molekularen Regulationen
• Zufallsgraphen und ihre Anwendung
• Arbeiten mit großen Netzwerken, repräsentative Subgraphen
• Modellierung von Informations- und Signalfluss in Graphen und Finden von Signalquellen
• Knoten als Zahlen – Graph-basierte Einbettungsmethoden
• Graphen und maschinelles Lernen: Graph neuronale Netzwerke (GNNs)

Wir werden uns am Mi, 4.10.2023 um 10:15 Uhr (in einem hybriden Setting, bitte für Raum & Zugang die Ankündigung im Whiteboard beachten) zur Vorbesprechung und Themenvergabe treffen. Bitte kontaktieren Sie uns vorab (pauline.hiort@fu-berlin.de oder katharina.baum@fu-berlin.de), sollten Sie am Proseminar teilnehmen wollen und diesen Termin nicht wahrnehmen können.

Forschungsseminar der Arbeitsgruppe Katharina Baum, Datenintegration in den Lebenswissenschaften. Auch offen für Seminarteilnahmen im Masterstudium.
Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen - bitte kontaktieren Sie mich (katharina.baum@fu-berlin.de) mit Themenvorschlägen. Achtung: Einzelne Termine können ausfallen oder verschoben werden.

Do you want to trace back a computer virus attack or find patient zero of an epidemic? Do you want to detect where the power grid was disrupted? Do you want to find out who spread the rumor in your social network? Or which of your molecules an unknown substance is acting upon?

All these problems can be formulated as one of source detection in complex graphs. But which algorithm works well for your application? This probably depends on the type of network as well as the type of information spread, and whether you need short runtime or high-quality results. Let’s find out together!

In this software project, different teams will work on the goal of implementing and benchmarking methods of source detection. We will have teams that implement existing supervised and unsupervised methods, come up with new algorithms, and create benchmarking datasets and metrics. We aim to make our methods fit for applying on real-world problems and prepare a publication draft.

In this project, in addition to tackling an interesting and complex prediction problem, you will learn how to consider interfaces between teams, train organizing yourselves, coding scientifically and reproducibly, and interacting with scientific literature.

Depending on the audience, we can also work in German.

Our first meeting will be on Tuesday, April 18, 15:15-16:30. We plan to offer the seminar in a hybrid format, i.e., we plan to be in the lecture halls (HPI Campus Griebnitzsee, K.1.02, or at the FU campus) for the weekly meetings and make live dialing-in via zoom available. Please send me an email (katharina.baum@hpi.de) if you want to attend, so I can share the dial-in information and add you to the course’s moodle where all other information is supplied.

Teaching and Learning

The majority of the project work will consist of hands-on project work that includes programming, data preparation and analysis, result interpretation, visualization, and reporting; you are allowed to work in pairs on your project.

The first two meetings will be held in a lecture-like format to recapitulate relevant basics. Teams will then form and choose their preferred subproblem. We will meet weekly with all teams to discuss about progress and common interfaces for data and information transfer between teams, these meetings will have a highly interactive character. Additional project-specific meetings are possible on demand. During the last meetings, you will present your project and its results in a final talk that covers your whole analysis, and you will be asked to hand in a written report as well as your documented code.

Examples of source detection algorithms

1. Feizi, S., et al., Network Infusion to Infer Information Sources in Networks. IEEE Transactions on Network Science and Engineering, 2019. 6(3): p. 402-417.

2. Paluch, R., et al., Fast and accurate detection of spread source in large complex networks. Scientific Reports, 2018. 8(1): p. 2508.

3. Shah, D. and T. Zaman, Detecting sources of computer viruses in networks: theory and experiment. SIGMETRICS Perform. Eval. Rev., 2010. 38(1): p. 203–214.

Biological graphs and data as real-world example

4. Harush, U. and B. Barzel, Dynamic patterns of information flow in complex networks. Nature Communications, 2017. 8(1): p. 2181.

5. Subramanian, A., et al., A Next Generation Connectivity Map: L1000 Platform and the First 1,000,000 Profiles. Cell, 2017. 171(6): p. 1437-1452.e17.