Computational Life Science

Für fast alle biologischen Prozesse ist der zeitliche Verlauf wesentlich. Als Beispiele seien nur zeitliche Anregungen von Nervenzellen, Krankheitsverläufe oder Wachstumsprozesse genannt. Um biologische Mechanismen besser zu verstehen oder um Vorhersagen zu machen,  werden dynamische Modelle entwickelt. Dazu ist es aber notwendig, die Modelle mit zeitaufgelösten Datensätzen zu integrieren. Man spricht von Datenassimilation. Methoden zur Datenassimilation sind in den Geowissenschaften zur Wettervorhersage, bei Klimamodellen oder zur Erdbebenvorhersage im Einsatz, wogegen Datenassimilation in der Biologie erst in den Kinderschuhen steckt. Die theoretischen Grundlagen der Datenassimilation tangieren dynamische Systeme, stochastische Prozesse, Bayes-Statistik, maschinelle Lernverfahren sowie numerische und Monte-Carlo-Methoden. In dem Modul Computational Life Science werden die notwendigen Grundlagen erarbeitet und praktische Versuche mit einigen Algorithmen unternommen, so daß spezifische Eigenschaften von Assimilationsproblemen für den Bereich der Lebenswissenschaften herausgearbeitet werden können.

Lernform: Mischung aus Vorlesung, Seminar und Selbststudium sowie praktischer Arbeit am Computer.
Voraussetzungen:
•    Kenntnisse in MATLAB oder R oder Python sind von Vorteil.
•    Grundkenntnisse aus der Wahrscheinlichkeitstheorie und Statistik