Sie sind hier: Startseite Studium und Lehre Weitere Lehrveranstaltungen Medical Data Science

Medical Data Science

Dozent:     Prof. Dr. Harald Binder
Beginn:   Mittwoch, 18.04.2018
Ende: Mittwoch, 20.06.2018
Uhrzeit: 10:00 - 11:30 Uhr
Ort: Hörsaal Medizinische Biometrie und Statistik, Stefan-Meier-Straße 26

 

Inhalt:

Zur Beantwortung komplexer biomedizinischer Fragestellungen aus großen Datenmengen ist oft ein breites Spektrum an Analysewerkzeugen notwendig, z.B. Deep Learning- oder allgemeiner Machine Learning-Techniken, was häufig unter dem Begriff "Medical Data Science" zusammengefasst wird. Statistische Ansätze spielen eine  wesentliche Rolle als Basis dafür. Eine Auswahl von Ansätzen soll in den Seminarvorträgen vorgestellt werden, die sich an kürzlich erschienenen Originalarbeiten orientieren. Die genaue thematische Ausrichtung wird noch festgelegt. Zu Beginn des Seminars werden ein oder zwei Übersichtsvorträge stehen, die als vertiefende Einführung in die Thematik dienen.

Vorherige Anmeldung per E-Mail (sec@imbi.uni-freiburg.de) ist erwünscht.

18.04.2018 Harald Binder
   Einführung
02.05.2018 Moritz Hess
   Grundlagen Molekularbiologie
09.05.2018 Caroline Francois
   Multi-Omics mit Autoencodern
Chaudhary, K., Poirion, O. B., Lu, L., & Garmire, L. X. (2017).
Deep Learning based multi-omics integration robustly predicts survival in liver cancer. Clinical Cancer Research, clincanres.0853.2017. https://doi.org/10.1158/1078-0432.CCR-17-0853
16.05.2018 Leonie Feldbusch
   Neuronale Netze mit Vorwissen
Lin, C., Jain, S., Kim, H., & Bar-Joseph, Z. (2017).
Using neural networks for reducing the dimensions of single-cell RNA-Seq data. Nucleic Acids Research, 45(17), e156. https://doi.org/10.1093/nar/gkx681
30.05.2018 Sarah Treibert
   Convolutional Neural Networks (CNNs)
Zhou, J., & Troyanskaya, O. G. (2015).
Predicting effects of noncoding variants with deep learning–based sequence model. Nature Methods, 12(10), 931. https://doi.org/10.1038/nmeth.3547
06.06.2018 Anna Maddux
   Recurrent Neural Networks (RNNs)
Min, X., Zeng, W., Chen, N., Chen, T., & Jiang, R. (2017).
Chromatin accessibility prediction via convolutional long short-term memory networks withk-mer embedding. Bioinformatics, 33(14), i92–i101. https://doi.org/10.1093/bioinformatics/btx234
13.06.2018 David Meisch
   RNN+CNN
Angermueller, C., Lee, H. J., Reik, W., & Stegle, O. (2017).
DeepCpG: accurate prediction of single-cell DNA methylation states using deep learning. Genome Biology, 18(1), 67. https://doi.org/10.1186/s13059-017-1189-z
20.06.2018 Maren Hackenberg
   Inferenz
Lopez, R., Regier, J., Cole, M., Jordan, M., & Yosef, N. (2017).
A deep generative model for gene expression profiles from single-cell RNA sequencing. Retrieved from https://arxiv.org/abs/1709.02082