Abb. 2. Überblick über ein datenwissenschaftliches Protokoll zur Analyse von Raman-Spektren. Das visualisierte Protokoll ist in vier Blöcke gegliedert: Versuchsplanung, Datenvorverarbeitung, Datenlernen und Modellübertragung. Das Ergebnis der Pipeline ist die Übersetzung von optischen Daten wie Raman-Spektren in höhere Informationen der Probe. Bild: AG Bocklitz Es wird der gesamten Daten-Lebenszyklus photonischer Daten von der Generierung über die Auswertung bis zur Archivierung erforscht. Diesem ganzheitlichen Ansatz folgend untersuchen wir Verfahren für die Experiment- und Fallzahlplanung sowie die Datenvorbehandlung und kombinieren diese Verfahren mit chemometrischen Verfahren, Modelltransfermethoden und Methoden der künstlichen Intelligenz in einer Datenpipeline. Dadurch können Daten verschiedener photonischer Verfahren für die Analytik, Diagnostik und Therapie in der Medizin, den Lebens- und Umweltwissenschaften und der Pharmazie nutzbar gemacht werden. Die erforschten Auswerteverfahren werden in Software Pakete implementiert und direkt im applikativen Umfeld, zum Beispiel in klinischen Studien, getestet. Weitere Schwerpunkte bilden die Datenfusion verschiedener heterogener Datenquellen, die Simulation Photonische Datenwissenschaft Lichtbasierte Technologien bieten das Potenzial, Infektionskrankheiten effektiver zu bekämpfen und künftige Pandemien besser zu bewältigen. Um die Entwicklung von Medizinprodukten, diagnostischen Verfahren und experimentellen Therapien auf diesem Gebiet zu beschleunigen, entsteht in Jena das Leibniz-Zentrum für Photonik in der Infektionsforschung (LPI) Im Aufbau werden im LPI-Basistechnologien erforscht, die dann im Zentrum zusammengeführt werden können. Der Aufbau des LPI wird durch das Bundesministerium für Bildung und Forschung (BMBF) finanziert, während es sich in der anschließenden Betriebsphase finanziell selbst tragen wird. Daher wurde nun die LPI gGmbH gegründet, um die notwendiDatenwissenschaften im Leibniz-Zentrum für Photonik in der Infektionsforschung (LPI) FORSCHUNG — 107 verschiedener Messverfahren, um Korrekturprozeduren zu optimieren, Methoden zur Interpretation der Analysemodelle und die Konstruktion von FAIRen Dateninfrastrukturen für verschiedene photonische Messdaten. [5] Guo, S.; Popp, J.; Bocklitz, T. Chemometric Analysis in Raman Spectroscopy: From Experimental Design to Machine Learning Based Modelling. Nature protocols 2021, 16 (12), 5426–5459. https:// doi.org/10.1038/s41596-021-00620-3. [6] Pradhan, P.; Guo, S.; Ryabchykov, O.; Popp, J.; Bocklitz, T. W. Deep Learning a Boon for Biophotonics? Journal of Biophotonics 202003, 13, e201960186. https://doi.org/10.1002/jbio.201960186. gen strategischen und logistischen Strukturen und Prozesse für die Entwicklung medizinischer Lösungen zu schaffen und zu erproben. Die Arbeitsgruppe Photonische Datenwissenschaft steuert zum LPI verschiedene Computergestützte Methoden, wie datenwissenschaftliche Verfahren, maschinelle Lern-Methoden für photonische Bilddaten, chemometrische Verfahren und maschinelle Lern-Verfahren für spektrale Daten sowie Korrelationsmethoden und Datenfusion verschiedener Messmethoden, bei. [4] Corbetta, E.; Bocklitz, T. Machine Learning-Based Estimation of Experimental Artifacts and Image Quality in Fluorescence Microscopy. Advanced Intelligent Systems 2024-11. https://doi.org/10.1002/ aisy.202400491.
RkJQdWJsaXNoZXIy OTI3Njg=