Data Science


In the research area Data Science, we focus on the development and application of data-driven methods for solving biological, medical, and technical problems. In close cooperation with our partners from research and industry, we develop algorithms for preprocessing and analyzing data using statistical methods and machine learning, as well as visualizing and interpreting the results. For example, within the project LeiVMed Online we develop a platform for benchmarking and visualizing data of treatments of patients in hospitals and developing prediction models for the outcome of treatments.
In many of our projects, we see the need for customized data processing pipelines due to the heterogeneity and complexity of data structures in real world processes and systems. We use applied statistics as well as numerous machine learning approaches, including black box methods (deep neural nets, random forests, gradient boosted trees, etc.) and white box methods (symbolic regression by genetic programming). We build our knowledge discovery pipelines on a variety of different frameworks, especially python scikit-learn, tensorflow, pytorch, MATLAB, and HeuristicLab.

Selected Publications
2021 | Stefan Anlauf, Andreas Haghofer, Karl Dirnberger, Stephan M. Winkler: | Data-Based Prediction of Microbial Contamination in Herbs and Identification of Optimal Harvest Parameters | International Journal of Food Engineering (IJFE), DeGruyter | |
2019 | Renate Haselgrübler, Peter Lanzerstorfer, Clemens Röhrl, Flora Stübl, Jonas Schurr, Bettina Schwarzinger, Clemens Schwarzinger, Mario Brameshuber, Stefan Wieser, Stephan M. Winkler, and Julian Weghuber: | Hypolipidemic effects of herbal extracts by reduction of adipocyte differentiation, intracellular neutral lipid content, lipolysis, fatty acid exchange and lipid droplet motility | Scientific Reports | View Article |
2018 | Stephan M. Winkler: | Evolutionary Computation and Symbolic Regression in Scientific Modeling | , Johannes Kepler University Linz, Computer Science, Habilitation Thesis | |
2016 | Daniela Borgmann, Sandra Mayr, Helene Polin, Susanne Schaller, Viktoria Dorfer, Christian Gabriel, Stephan Winkler, and Jaroslaw Jacak: | Single Molecule Florescence Microscopy and Machine Learning for Rhesus D Antigen Classification | Scientific Reports 6 | View Article |
Selected Projects
Transplant
Im Rahmen des Regio 13 Projekts "Transplant – Marker für humorale und zelluläre Abstoßung nach Nierentransplantation" (Konsortialführer: Blutzentrale des OÖRK) wird erforscht, ob und wie sich Next-Generation Sequencing (NGS) von B- und T-Zell-Rezeptoren dazu eignet, den Zustand von Nierentransplantaten schneller und spezifischer zu untersuchen. Ziel ist eine deutliche Verbesserung des Transplantatmonitorings sowie die Erhöhung der Funktionsdauer von transplantierten Organen.
Aufgabe der Forschungsgruppe Bioinformatik in diesem Projekt ist die Entwicklung und Implementierung von Algorithmen für die Zuordnung von Gen-Sequenzen zu bestimmten Gen-Gruppen, um eine Aussage über das genetische Variationsspektrum der vorhandenen Immunzellen treffen zu können. Aufbauend auf Daten von der IMGT-Datenbank wird nach einem oder mehreren dominanten Klonen gesucht; sollte sich ein Klon in der Quantität seines Auftretens signifikant von den anderen unterscheiden, so ist dies ein Zeichen dafür, dass entweder eine gerichtete (z.B. Organabstoßung) oder ungerichtete (z.B. Lymphome) Proliferation einer B- oder T-Zelle im Gange ist.
Head
Prof.(FH) DI Dr. Stephan Winkler
Researchers
Susanne Schaller MMSc
Johannes Weinberger
Martin Danzer
Prof.(FH) DI Dr. Stephan Winkler
Duration
2013 - present
Research Areas
DataScience
Immunology
Research Institutions
Research Center Hagenberg
University of Applied Sciences, Upper Austria, Hagenberg Campus
Blutzentrale Linz
Research focus
Software technology and application |