Zum Inhalt
Fakultät Statistik

Forschungsprojekte

Regression

High-dimensional regression methods for gene-exposure interactions

Das zentrale Ziel in diesem Projektbereich ist die Modellierung von Gesundheitsindikatoren mit modernen Regressionsmethoden. Untersucht wird der Einfluss von hochdimensionalen Omics-Daten auf den Zusammenhang zwischen toxikologischer Belastung und Gesundheit. Die betrachteten Modelle umfassen sowohl die klassische lineare und logistische Regression als auch moderne Verfahren wie die logic Regression, regularisierte Verfahren und generalisierte additive Modelle. Zur Auswahl der wichtigsten Einflussvariablen und Interaktionen werden Methoden wie komponentenweises Boosting verallgemeinert, genetische Risikoscores formuliert und Stichprobentechniken angepasst.

Prädiktion

Statistical modelling of omics data depending on exposure and dose

Ein zentrales Thema in diesem Projektbereich ist die Schätzung der minimalen effektiven Dosis einer Substanz unter Verwendung hochdimensionaler Omics-Daten als Surrogat für gesundheitliche Auswirkungen. Zur Auswahl relevanter genetischer Marker werden statistische Lernverfahren eingesetzt. Darüber hinaus werden mehrstufige statistische Modellierungsansätze für die gleichzeitige Berücksichtigung verschiedener Dosen und Expositionszeiten sowie Methoden zur Ableitung optimaler Versuchspläne für solche Modelle entwickelt.

Integration

Data integration with omics data and additional information

Ziel dieses Projektbereichs ist es, die toxikologische Risikovorhersage und die Differenzierung der toxikologischen Wirkungen durch eine geeignete Integration von Daten, Modellen und Ergebnissen zu verbessern. Zur Datenintegration werden verschiedene molekulare Datenquellen kombiniert und zusätzliches biologisches Wissen in die Modellierung integriert. Integrative Modellierungsansätze bauen auf Modellen auf, die in den Forschungsbereichen Regression und Prädiktion entwickelt wurden.