Am DZNE entschlüsseln Forschende mit modernster Technologie die Mechanismen neurodegenerativer Erkrankungen – für präzisere Diagnosen, neue Therapien und eine personalisierte Medizin.
Die Programme
Mit HIDA das DZNE kennen lernen
Das DZNE ist Teil der Helmholtz Gemeinschaft.
Mit folgenden Programmen können Data Science Talente am Zentrum forschen.
Das Deutsche Zentrum für Neurodegenerative Erkrankungen (DZNE) ist eine der führenden Forschungseinrichtungen für die Erforschung von Erkrankungen des Nervensystems wie Alzheimer, Parkinson und ALS. Das DZNE kombiniert modernste biomedizinische Forschung mit innovativen Datenanalyse- und KI-Methoden, um die Mechanismen neurodegenerativer Krankheiten besser zu verstehen und neue Therapieansätze zu entwickeln. Ziel des DZNE ist es, wissenschaftliche Erkenntnisse schnell in die klinische Anwendung zu überführen und so die Prävention, Diagnose und Behandlung dieser Erkrankungen zu verbessern.
Forschungsschwerpunkte:
- Zelluläre und molekulare Mechanismen neurodegenerativer Erkrankungen
- Klinische Forschung und personalisierte Medizin
- Epidemiologie und Risikofaktoren neurodegenerativer Erkrankungen
- Translationale Forschung und Entwicklung neuer Therapien
Die Standorte
Standorte des DZNE
Hauptstandort: Bonn
Weitere Standorte:
- Berlin
- Dresden
- Göttingen
- Magdeburg
- München
- Rostock/Greifswald
- Tübingen
- Ulm
- Witten
Kompetenzen des DZNE im Bereich Data Science und KI
Das DZNE setzt auf modernste KI-Technologien und datengetriebene Analysen, um komplexe neurologische Daten zu entschlüsseln. Interdisziplinäre Teams arbeiten gemeinsam an innovativen Modellen zur Vorhersage, Diagnose und Therapie neurodegenerativer Erkrankungen.
Durch den Einsatz von KI und Big-Data-Analysen können große Mengen an Bildgebungs-, genetischen und klinischen Daten effizient ausgewertet werden, um neue Erkenntnisse über Krankheitsmechanismen zu gewinnen und die personalisierte Medizin voranzutreiben.
- KI-gestützte Analyse von MRT- und PET-Scans
- Automatisierte Mustererkennung in genetischen und molekularen Daten
- Deep Learning zur Frühdiagnose neurodegenerativer Erkrankungen
- Entwicklung von Simulationsmodellen für Krankheitsverläufe
- Multimodale Datenintegration zur Optimierung personalisierter Therapien
An zehn Standorten arbeiten 1.200 Mitarbeitende daran, die Ursachen und Mechanismen neurodegenerativer Erkrankungen zu erforschen.
Bewerbungshinweise
Hinweise zur Bewerbung
Helmholtz-Betreuer
Lernen Sie hier einige potentielle Gastgeberinnen und Gastgeber an verschiedenen Helmholtz-Zentren kennen und erfahren sie mehr über deren jeweilige Data Science-Forschung durch einen Klick auf die Karten.
Bitte beachten Sie: Kontaktieren Sie Ihren potenziellen Betreuer oder Ihre potenzielle Betreuerin bitte vorab per E-Mail, um ein Forschungsprojekt vorzuschlagen und zu besprechen. Reichen Sie erst nach dieser Klärung Ihre Bewerbung ein.
Wenn Sie Fragen haben, senden Sie bitte eine E-Mail an: hida@helmholtz.de
Sie möchten selbst gerne Helmholtz-Gastgeber werden und suchen nach Unterstützung für Ihr Forschungsprojekt? Dann wenden Sie sich ebenfalls an die oben genannte E-Mail Adresse.
Die Hosts am DZNE
Lernen Sie hier einige potentielle Gastgeberinnen und Gastgeber am DZNE kennen und erfahren sie mehr über deren jeweilige Data Science-Forschung.
Bevor Sie Kontakt mit den potenziellen Gastgebern aufnehmen, lesen Sie bitte die Hinweise zur Bewerbung.
Maren Büttner
Systems Medicine
Ansprechpartner
Short summary of your group's research: Systems medicine at the DZNE aims to develop holistic approaches to tackle diseases such as Alzheimer’s, Parkinson’s, or amyotrophic lateral sclerosis (ALS) and translate new insights into the clinics. We aim to change how flow cytometry data is currently analyzed. Technological advances in flow cytometry increased the possible number of features to be comparable to mass cytometry. However, the most widely used analysis methods for flow data is the targeted gating approach, which relies on manual selection of cell populations. This approach has several shortcomings as results vary across experts and for one person over time, does not scale well for hundreds of patients and samples, and tends to focus on known cell types, such that new discoveries especially in the disease context become unlikely.
What could a participant of the HIDA Trainee Network learn in your group? How could he or she support you in your group? A guest researcher can learn how to leverage deep learning models to jointly integrate flow cytometry data from different sites and enable joint integration without sharing data with our swarm learning approach.
Matthias Becker
Modular High Performance Computing and Artificial Intelligence
Ansprechpartner
Short summary of your group's research: The Modular High Performance Computing and Artificial Intelligence group works on building and improving computational architectures for growing data sets in neurodegeneration with the focus on memory-centric systems. Furthermore, we employ swarm learning for federated machine learning in many different applications. Another application of artificial intelligence is the use of GANs and VAEs to create synthetic cohorts in a Helmholtz AI project.
What infrastructure, programs and tools are used in your group?
- We use high-memory systems (6TB+) for improving the processing of genomics data analysis applications using c/C++ and Rust.
- For ML applications, we have GPU ressoucres available at the institute and access to Jülich. Development is mainly done in Python using common libraries like Pytorch (Lightning) or Tensorflow.
What could a participant of the HIDA Trainee Network learn in your group? How could he or she support you in your group? A guest researcher will join a highly interdisciplinary group at the intersection of computer science and medicine. We are well integrated with in the systems medicine research area and collaborate with clinical partners. Projects can be either focused on the performance analysis and optimization of data processing task in genomics or on ML applications. Here the implementation of a swarm learning use case in a new domain would be option as well as work synthetic cohort generation.
