Sektion III: In-silico-Biologie & Maschinelles Lernen
Sektion III arbeitet an Vorhersagemodellen und fokussiert sich auf die algorithmische Systembiologie, wobei sie Methoden der Bioinformatik und Konzepte des maschinellen Lernens nutzt (VORHERSAGE). Ziel ist es, die Veränderungen und biologischen Wirkungen von biofunktionalen Lebensmitteleffektorsystemen besser zu verstehen und vorherzusagen. Ihre Erkenntnisse könnten zukünftig dazu beitragen, personalisierte Ernährungskonzepte zu entwickeln.
Arbeitsgruppe: Network Regulation & Modeling / Machine Learning
Die Arbeitsgruppe Network Regulation & Modeling / Machine Learning (Fokus: Netzwerkanalyse und maschinelles Lernen) erforscht und verwendet Methoden der Bioinformatik, der Systembiologie, des maschinellen Lernens und der Künstlichen Intelligenz (KI), um Wechselwirkungen zwischen Lebensmitteln und den Verbraucher/-innen auf molekularer Ebene zu verstehen. Sie modelliert biologische Netzwerke und Mechanismen ihrer Regulation mittels kausaler Systemmodelle und validiert diese durch In-silico-Simulationen und *omics Perturbationsexperimente mittels Hochdurchsatz-Sequenzierung und Proteomik. Ziel ist der Aufbau von Datenbanken (Daten aus den Sektionen I–III), die Lebensmittel über molekulare Komponenten mit biochemischen Netzwerken und zellulären Phänotypen verbinden.
Arbeitsgruppe: Molecular Modeling
Die Arbeitsgruppe Molecular Modeling (Fokus: Modelling und Simulation von Effektor-Rezeptor-Interaktionen) bewertet, vergleicht und optimiert neue rechnergestützte Werkzeuge, um die Struktur und Dynamik molekularer Zielstrukturen zu untersuchen, und entwickelt Methoden für effiziente und schnelle virtuelle Screenings. Das Hauptforschungsinteresse liegt in der Entwicklung prädiktiver Modelle, die für die gezielte Suche neuer bioaktiver Verbindungen eingesetzt werden können, um zukünftige Lebensmittelinnovationen voranzutreiben.
Arbeitsgruppe: Integrative Food Systems Analysis
In der Arbeitsgruppe Integrated Food Systems Analysis (Fokus: Integrative Multiomics-Analysen) werden komplexe Datensätze der innovativen Hochdurchsatz-Technologien aus den Sektionen I und II (z. B. massenspektrometrische Metabolom-, Proteom-, Transkriptom- und Genomdaten) u. a. mit Methoden des maschinellen Lernens in Kombination mit Network Enrichment Tools oder durch Anwendung von Bi-clustering-Algorithmen integrativ analysiert, um neue Effektorsysteme vorherzusagen.