EMUNE - Invertierbare neuronale Netze für ein verbessertes Verständnis von Infektionskrankheiten - Teilprojekt A

Abstract

Das Teilprojekt A im Verbund EMUNE widmete sich der Herausforderung, komplexe Wirt-Erreger-Interaktionen in der Infektionsforschung durch skalierbare statistische Inferenz zu analysieren. Da klassische mechanistische Modelle bei großen Datenmengen an Rechengrenzen stoßen, wurde das BayesFlow-Rahmenwerk, ein leistungsfähiges Werkzeug zur Bayesschen Inferenz mittels Invertierbarer Neuronaler Netze (INNs), stark erweitert. Um bisherige strukturelle Einschränkungen zu überwinden, wurden flexiblere "Free-Form Flows" entwickelt, die biologisches Vorwissen integrieren und hochdimensionale Daten effizient verarbeiten können. Zu den zentralen wissenschaftlichen Ergebissen gehören zudem neue Methoden für die amortisierte Inferenz bei Mixed-Effects-Modellen in klinischen Studien sowie die sogenannten Entropy-Ordered Flows (EOFlows), die eine unüberwachte, nicht-lineare Merkmalsanalyse ermöglichen. Die Projektergebnisse wurden in acht hochkarätigen Publikationen veröffentlicht. Zudem etablierte sich BayesFlow als führendes Open-Source-Werkzeug für simulationsbasierte Inferenz, dessen Methoden bereits erfolgreich in Nachfolgeprojekten der modellbasierten Künstlichen Intelligenz eingesetzt werden.