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! Hinweise zur Teilnahme aus den Slides der ersten Veranstaltung vom 19.4. finden Sie in den Resourcen im Whiteboard.

Wir starten um 12:00 s.t.

Einwahl für das hybride Setting: https://fu-berlin.webex.com/fu-berlin/j.php?MTID=m458617e952766b0c6ac964f9eda39686

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 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.

Geplante Agenda

Mögliche Vortragsthemen - Literaturliste

- A review on graph neural networks for predicting synergistic drug combinations, Springer AI Reviews, 2024 https://link.springer.com/article/10.1007/s10462-023-10669-z

- Genome-scale metabolic reconstruction of 7,302 human microorganisms for personalized medicine, Heinken et al, 2023, Nature Biotechnology. https://www.nature.com/articles/s41587-022-01628-0

- Signaling networks: Information Flow, Computation, and Decision Making, Azeloglu & Iyengar 2015, Cold Spring Harbour Perspectives, 10.1101/cshperspect.a005934

- Optimal fusion of genotype and drug embeddings in predicting cancer drug response; Nguyen et al., Briefings in Bioinformatics, Volume 25, Issue 3, May 2024, bbae227, https://doi.org/10.1093/bib/bbae227

- From cell lines to cancer patients: personalized drug synergy prediction; Kuru et al., Bioinformatics, Volume 40, Issue 5, May 2024, btae134, https://doi.org/10.1093/bioinformatics/btae134

- A framework for understanding label leakage in machine learning for health care; Davis et al., Journal of the American Medical Informatics Association, Volume 31, Issue 1, January 2024, Pages 274–280, https://doi.org/10.1093/jamia/ocad178

- Artificial intelligence-powered pharmacovigilance: A review of machine and deep learning in clinical text-based adverse drug event detection for benchmark datasets; Li et al., Journal of Biomedical Informatics, Volume 152, 2024, https://doi.org/10.1016/j.jbi.2024.104621