Förderprojekte

Förderbeginn 01.07.2021

Maschinelles Lernen und Multi-Omics-Stoffwechselgesundheit rund um die Uhr

Prof. Dr. Henriette Uhlenhaut
Technische Universität München
School of Life Sciences - Metabolic Programming

Prof. Dr. Fabian Filipp
UC Merced
School of Life Science

Wenig Zucker oder wenig Fett? Wie können wir die metabolische Gesundheit erhalten? Ist ein Spiegelei morgens gut oder schlecht? Solche Fragen sind verblüffend einfach, doch die Wissenschaft hat Mühe, Antworten zu liefern. Der Deep-Learning-Ansatz, der im Filipp-Labor für maschinelles Lernen, UC Merced, CA, USA, entwickelt wurde, bietet eine unvoreingenommene Datenlinse, um komplexe Muster wie die zugrunde liegenden Steuerungselemente des zircadianen Rhythmus zu entschlüsseln. Unser täglicher Ernährungszyklus steht im Mittelpunkt des Uhlenhaut-Labors für Stoffwechselorogrammierung, TUM, München. Die Stärke des Labors liegt in der Generierung von Multi-Omics-Datensätzen unter spezifischen Ernährungsformen, die als Input für Deep-Learning-Netzwerke geeignet sind. Unsere Zusammenarbeit zielt darauf ab, das Anwendungspotenzial von KI für genomweite Analysen der Transkriptionskontrolle und Motive für Anwendungen in der Endokrinologie, Ernährungswissenschaft, der inneren Uhr und der metabolischen Medizin zu untersuchen. Die Kooperation wird experimentelle Expertise aus dem Uhlenhaut-Labor mit der computergestützten KI-Analyse aus dem Filipp-Labor kombinieren. Die geplante amerikanisch-deutsche Zusammenarbeit wird Aufschluss darüber geben, wie unser täglicher Hormonzyklus die Stoffwechselgesundheit reguliert.