Personenprofil

1) Co-Transkriptionelle Faltungssimulationen

Anwendung unseres kürzlich veröffentlichten BarMap-QA Ansatzes um zugrunde liegenden Prinzipien der RNA-Faltung während der Transkription besser zu verstehen. Ein gut untersuchtes Beispiel ist die SRP (Signal Recognition Particle) RNA. Effekte wie das co-transkriptionelle Pausieren könnten durch geeignete in-silico Simulationen besser verstanden werden.

2) Erkennung von nicht-kodierenden RNAs

Anwendung unseres kürzlich veröffentlichten svhip-Ansatzes zur Indentifikation von (langen) nicht-kodierenden RNAs in verschiedenen Spezies wie Insekten, Nematoden und Pflanzen.

3) Synthetische Trainingsdaten

Für das Training von Machine Learning (ML) Ansätzen ist die Zusammenstellung von unabhängigen Trainings- und Testdatensätzen ein wesentlicher Schritt. Die Möglichkeit, synthetische Daten für den Trainingsschritt zu generieren und die wertvollen und häufig spärlichen biologischen Daten für das Training von ML-Modellen aufzusparen, scheint ein vielversprechender Ansatz zu sein.

4) RNA-Design

Die Anwendung von Modellen und Designprinzipien ermöglichte es uns erfolgreich RNA-Moleküle zu entwerfen, die vordefinierte Funktionen ausführen. Es gibt noch viele weitere Mechanismen in einer lebenden Zelle zu verstehen und zu regulieren.