Unsere Methoden aus Data Science und Künstlicher Intelligenz verknüpfen Daten aus Genomik, Bildgebung und klinischen Quellen. So decken wir auf, wie Krankheiten funktionieren, verbessern die Diagnostik und entwickeln Therapien, die auf einzelne Patient*innen zugeschnitten sind.
Die Arbeit entsteht in interdisziplinären Teams aus Forschung, Klinik und Industrie. Dieser Austausch stellt sicher, dass neue Methoden belastbar sind und sich breit anwenden lassen.
Unser Ziel: Diese Modelle sollen biologisch aussagekräftig und gleichzeitig klinisch nutzbar sein. Das gelingt nur durch die enge Zusammenarbeit von rechnergestützten und experimentellen Teams. Gemeinsame Technologieplattformen und interdisziplinäre Expertise bilden dafür die Grundlage. So entstehen Erkenntnisse, die neue Diagnostik, Therapien und Präzisionsmedizin voranbringen.
Wir entwickeln Modelle des maschinellen Lernens, um genregulatorische Netzwerke besser zu verstehen. Damit untersuchen wir, wie das Epigenom und nicht-kodierende Genom regulatorische Informationen speichern.
Mit hochauflösenden Einzelzell-Multi-Omics-Daten interpretieren wir Patientengenome in unterschiedlichen Kontexten. Dazu gehören Krebskohorten, von Patienten abgeleitete Organoide und In-vitro-Systeme, die krankheitsspezifische molekulare Phänotypen nachbilden.
Wir führen genomische, proteomische und phänotypische Daten in mechanistischen, multiskaligen Modellen zusammen. So machen wir Krankheitsmechanismen sichtbar – von der molekularen Ebene bis hin zu Organen.
Eine besondere Stärke: Wir können unterschiedliche Datentypen durch mathematisch fundierte Ansätze mit biologischer Funktion verknüpfen.
Wir entwickeln Algorithmen, die große Bilddatenmengen verarbeiten, visualisieren und analysieren – was integrative, datengetriebene Klassifikationen ermöglicht. Dadurch verbessern sich Diagnostik und personalisierte Therapien.
Unsere Plattformen zur Krankheitsmodellierung decken ein breites Spektrum ab: von In-vivo- und Live-Bildgebung bis hin zur Analyse ganzer Organismen oder einzelner Moleküle.
Wir integrieren umfangreiche klinische und epidemiologische Datensätze, darunter Kohortenstudien und Gesundheitsakten. Ziel ist es, phänotypische Unterschiede mit zugrunde liegenden Krankheitsmechanismen zu verbinden.
Indem wir Daten über Patientengruppen und Studienzentren hinweg harmonisieren, ermöglichen wir den wechselseitigen Transfer zwischen gesunden Bevölkerungsgruppen und Krankheitskohorten. Gleichzeitig lassen sich Therapieeffekte systematisch analysieren.
Die datenwissenschaftlichen Plattformen am Max Delbrück Center bieten moderne Technologien, Instrumente und Methoden. Sie unterstützen etablierte Arbeitsabläufe ebenso wie neue Anwendungen.
Auf diese Weise fördern sie kollaborative Forschung und helfen dabei, neue rechnergestützte und experimentelle Ansätze zu entwickeln.
Unsere Open-Source- und hausinternen Softwarelösungen bilden die Grundlage für Datenverarbeitung, Analyse und Visualisierung in vielen biomedizinischen Anwendungen.
Zugang zu unseren Tools im Forschungssoftware-Verzeichnis der Helmholtz-Gemeinschaft
Wir bilden die nächste Generation von Datenwissenschaftler*innen aus, indem wir uns aktiv an interdisziplinären Promotionsprogrammen beteiligen. Dazu gehören die Programme HEIBRiDS, iNAMES und Regulatory Genome. Außerdem sind wir an CompCancer und weiteren Graduiertenschulen beteiligt.
Die Gruppenleitungen im Bereich Data Science engagieren sich aktiv im Graduate Program des Max Delbrück Center. Das Programm führt zweimal jährlich zentrale Bewerbungsrunden für Promotionsstellen durch.
/de/application
Unsere Wissenschaftler*innen aus dem Bereich Data Science und Künstliche Intelligenz lehren in Masterstudiengängen unserer Partneruniversitäten.
Hier finden Sie unsere aktuellen Stellenangebote. Interessierte können sich zudem direkt an einzelne Arbeitsgruppen im Bereich Data Science und Künstliche Intelligenz wenden.
