Springe zum Hauptteil

Clinical Bioinformatics and Machine Learning in Translational Single-Cell Biology

Our research focuses on learning explainable quantitative models for diagnosis and therapy from high dimensional single-cell omics data.

Health and disease status of multicellular organisms pivotally depends on rare cell populations, such as hematopoietic stem cells or tumor initiating cell subsets. We consider single-cell- and spatially resolved proteomic and transcriptomic readouts, and introduced machine learning approaches to identify – possibly rare – disease associated cell subsets, ultimately enabling comparative single-cell studies, e.g. for immunotherapy response prediction in liver cancer, melanoma or diagnosis of autoimmune disorders and detection spatial tissue determinants of disease association.

Dynamic processes are increasingly studied by high-dimensional single-cell snapshots, complementing efforts based on time-lapse measurements. Such measurements enable us to evaluate cell population distributions and their evolution over time. However, it is not trivial to map these distributions across time and to identify dynamically important cell states. To this end we develop sparse regression, probabilistic graphical modeling, supervised surrogate learning approaches and operator approximation approaches, as well as supervised pseudotime approaches and simulation based trajectory inference for single-cell RNA seq time series analysis, and apply these to reconstruct differentiation processes such as T cell differentiation in cancer and chronic infections.

Group Leader:

Prof. Dr. Manfred Claassen

Personenprofil: Mehr zur Person

Zertifikate und Verbände

Cookie Einstellungen
Bitte treffen Sie eine Auswahl um fortzufahren.
Weitere Informationen zu den Auswirkungen Ihrer Auswahl finden Sie unter Hilfe.
 
Um fortfahren zu können, müssen Sie eine Cookie-Auswahl treffen.

Cookies zulassen:
Wir setzen das Analysetool Google Analytics ein, um Besucher-Informationen wie z.B. Browser, Land, oder die Dauer, wie lange ein Benutzer auf unserer Seite verweilt, zu messen. Ihre IP-Adresse wird anonymisiert übertragen, die Verbindung zu Google ist verschlüsselt.

Nur notwendige Cookies zulassen:
Wir verzichten auf den Einsatz von Analysetools. Es werden jedoch technisch notwendige Cookies, die eine reibungslose Navigation und Nutzung der Webseite ermöglichen, gesetzt (beispielsweise den Zugang zum zugangsbeschränkten Bereich erlauben).

Sie können Ihre Cookie-Einstellung jederzeit auf der Seite Datenschutzerklärung ändern. Zum Impressum.

Zurück

Cookies zulassen Nur notwendige Cookies zulassen