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!
Wir starten um 12:30 s.t.
Einwahl für das hybride Setting: https://fu-berlin.webex.com/fu-berlin/j.php?MTID=m3c1cf6f19adf01836a392a2bdc787d30
Seminarraum vor Ort: T9 Raum 137
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 auch schon vor Semesterstart 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)!
Agenda
| Date | Speaker | Topic |
|---|---|---|
| 11.3. | Emma Lessmann (15+15) | Colloquium BSc thesis: Proteomic Characterization of Neoadjuvant Treated and Treatment-Naive Ovarian Cancer |
| 18.3. |
Annika Malze (15+15) + Website Hackathon DILiS |
Colloquium BSc thesis: Implementierung und Evaluierung des PaccMann Modells für die DrEval-Pipeline |
| 25.3. | cancelled | |
| 1.4. |
Sara Albrecht (15+15) DILiS (all, ca. 30) |
BSc thesis colloquium: Analysis of protein expression and tumor progression in response to differential treatments in non-small cell lung cancer patient-derived xenografts "The big picture" discussion |
| 8.4. |
Ya-Ting Yang (15+15) DILiS (all, ca. 60) |
BSc thesis defense: Drug-drug GNN for drug combination prediction Discussion of paper: Hybrid2 neural ODE causal modeling and an application to glycemic response |
| 15.4. | Katharina Baum | Introduction to our research group DILiS and the seminar |
| 22.4. | ||
| 29.4. | Flavio Morelli [Bayer] (45 + 15) | Predicting in vitro assays related to liver function using probabilistic machine learning |
| 6.5. | ||
| 13.5. | Pauline H. (45 + 15) | TBD |
| 20.5. | ||
| 27.5. | ||
| 3.6. | DILiS + all | The big picture discussion: How does our work fit sustainable development goals |
Mögliche Vortragsthemen - Literaturliste
- Heinken, A., Hertel, J., Acharya, G. et al. Genome-scale metabolic reconstruction of 7,302 human microorganisms for personalized medicine. Nat Biotechnol 41, 1320–1331 (2023). https://doi.org/10.1038/s41587-022-01628-0
- Azeloglu EU, Iyengar R. Signaling networks: information flow, computation, and decision making. Cold Spring Harb Perspect Biol. 2015 Apr 1;7(4):a005934. doi: 10.1101/cshperspect.a005934.
- Trang Nguyen, Anthony Campbell, Ankit Kumar, Edwin Amponsah, Madalina Fiterau, Leili Shahriyari, Optimal fusion of genotype and drug embeddings in predicting cancer drug response, Briefings in Bioinformatics, Volume 25, Issue 3, May 2024, bbae227, https://doi.org/10.1093/bib/bbae227
- Halil Ibrahim Kuru, A Ercument Cicek, Oznur Tastan, From cell lines to cancer patients: personalized drug synergy prediction, Bioinformatics, Volume 40, Issue 5, May 2024, btae134, https://doi.org/10.1093/bioinformatics/btae134
- Sharon E Davis, Michael E Matheny, Suresh Balu, Mark P Sendak, A framework for understanding label leakage in machine learning for health care, Journal of the American Medical Informatics Association, Volume 31, Issue 1, January 2024, Pages 274–280, https://doi.org/10.1093/jamia/ocad178
- Li et al., Artificial intelligence-powered pharmacovigilance: A review of machine and deep learning in clinical text-based adverse drug event detection for benchmark datasets; Journal of Biomedical Informatics, Volume 152, 2024, https://doi.org/10.1016/j.jbi.2024.104621
- DysRegNet: Patient-specific and confounder-aware dysregulated network inference;
- Hao, M., Gong, J., Zeng, X. et al. Large-scale foundation model on single-cell transcriptomics. Nat Methods 21, 1481–1491 (2024). https://doi.org/10.1038/s41592-024-02305-7