Die Arbeitsgruppe für „Maschinelles Lernen in der Biologie“ arbeitet im Bereich der algorithmischen Systembiologie. Die Forschung reicht tief in die Systembiologie, die Bioinformatik und die statistische Genetik einerseits und das Maschinelle Lernen, das Data Mining und das wissenschaftliche Rechnen andererseits. Wir entwickeln Algorithmen und statistische Tests, um die Auswirkungen einzelner Gene auf ein biologisches System untersuchen zu können. Die Verfahren, an denen wir arbeiten, gehören zum Themengebiet des Maschinellen Lernens. Unter dem Maschinellen Lernen versteht man computergestützte statistische Verfahren, die nach Mustern und Zusammenhängen in Datenbeständen suchen.

Wir entwickeln solche Verfahren, um die Funktion eines Gens oder eines Moleküls vorhersagen zu können. Dabei sind graphbasierte Verfahren von besonderer Bedeutung, da man sowohl das Zusammenspiel von Genen und von Proteinen als auch die Struktur von Molekülen als Graphen oder Netzwerk darstellen kann. Aus diesem Grund beschäftigen wir uns intensiv mit dem Thema des Maschinellen Lernens auf Graphen und Netzwerken.

Des Weiteren arbeiten wir an Verfahren des Maschinellen Lernens für genomweite Assoziationsstudien. Hier untersuchen wir, ob Sequenzunterschiede in den Genomen von Individuen zu veränderten Phänotypen führen. Mit Prof. Dr. Detlef Weigels Abteilung am Max-Planck-Institut für Entwicklungsbiologie in Tübingen analysieren wir, welche genetischen Faktoren Unterschiede in der Blühzeit von Arabidopsis thaliana erklären können. Mit dem Max-Planck-Institut für Psychiatrie in München erforschen wir die Frage, ob man vorhersagen kann, ob ein depressiver Patient positiv auf die Einnahme von Antidepressiva reagieren wird.