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
IMEX
Das adaptive Immunsystem (in erster Linie repräsentiert durch B- und T-Zellen) spielt eine lebenswichtige Rolle bei der Erkennung von potenziellen Krankheitserregern, wie z.B. pathogenen Mikroorganismen und Parasiten. Es erzeugt allerdings auch ungewollte Immunreaktionen gegen allografte (gleiche Spezies, unterschiedliches Individuum) bzw. xenografte (unterschiedliche Spezies) Transplantate oder Allergene. In seltenen Fällen kommt es vor, dass das Immunsystem auch körpereigenes Gewebe bzw. Zellen attackiert; man spricht dann von Autoimmunerkrankungen. Die Zusammensetzung der Immunzellpopulationen zu kennen ist daher in der Diagnostik von Autoimmunkrankheiten ebenso von besonderer Bedeutung wie beim Monitoring nach Transplantationen oder bei der Behandlung von Infektionen.
Die aktuelle Problemstellung dabei ist, dass es bisher noch keine Möglichkeit gibt, das Immunsystem bzw. seinen „aktuellen Zustand“ zu beschreiben. Insbesondere existieren derzeit weltweit keine algorithmischen Ansätze, die es der biomedizinischen Forschung ermöglichen, die vorhandenen Daten zu verarbeiten. Ziel dieses Basisfinanzierungsprojekts ist es daher – ähnlich wie auch schon im Bereich Protein-Identifikationsalgorithmen sehr erfolgreich gezeigt – völlig neue algorithmische Grundlagen zu entwickeln, die das B- und T-Zell-Spektrum von Menschen detailliert erfassen, darstellen und analysieren können. Dadurch soll ein weiterer wichtiger Grundstein für zukünftige Forschungskooperationen und zur nachhaltigen Verankerung der Hagenberger Forschungsgruppe Bioinformatik in der internationalen, biomedizinischen Forschungsgemeinschaft gelegt werden.
Konkret ermöglicht diese Finanzierung den ersten, wichtigen Schritt, um gemeinsam mit Forschern der Blutzentrale des OÖ RK in Linz die Immunsysteme von gesunden und kranken ProbandInnen zu untersuchen, Maßzahlen für die Charakterisierung von Immunsystemen zu entwickeln und erste Methoden für die Identifikation von Auffälligkeiten und relevanten Gemeinsamkeiten von Immunsystemen zu implementieren. Neben Ansätzen aus der Bioinformatik, der beschreibenden Statistik und des maschinellen Lernens sollen die dazu verwendeten Proben auch an der Fakultät Linz mit Fluoreszenz-Mikroskopie auf die unterschiedliche Expressionsstärken der Rezeptoren analysiert werden.
Head
Susanne Schaller MMSc
Researchers
Susanne Schaller MMSc
Prof.(FH) DI Dr. Stephan Winkler
Duration
2015 - present
Research Areas
Immunology
DataScience
Research Institutions
Research Center Hagenberg
University of Applied Sciences, Upper Austria, Hagenberg Campus
Research focus
Software technology and application