Cookie Hinweis

Wir verwenden Cookies, um Ihnen ein optimales Webseiten-Erlebnis zu bieten. Dazu zählen Cookies, die für den Betrieb der Seite notwendig sind, sowie solche, die lediglich zu anonymen Statistikzwecken, für Komforteinstellungen oder zur Anzeige personalisierter Inhalte genutzt werden. Sie können selbst entscheiden, welche Kategorien Sie zulassen möchten. Bitte beachten Sie, dass auf Basis Ihrer Einstellungen womöglich nicht mehr alle Funktionalitäten der Seite zur Verfügung stehen. Weitere Informationen finden Sie in unseren Datenschutzhinweisen .

Essentiell

Diese Cookies sind für die Funktionalität unserer Website erforderlich und können nicht deaktiviert werden.

Name Webedition CMS
Zweck Dieses Cookie wird vom CMS (Content Management System) Webedition für die unverwechselbare Identifizierung eines Anwenders gesetzt. Es bietet dem Anwender bessere Bedienerführung, z.B. Speicherung von Sucheinstellungen oder Formulardaten. Typischerweise wird dieses Cookie beim Schließen des Browsers gelöscht.
Name econda
Zweck Session-Cookie für die Webanalyse Software econda. Diese läuft im Modus „Anonymisiertes Messen“.
Statistik

Diese Cookies helfen uns zu verstehen, wie Besucher mit unserer Webseite interagieren, indem Informationen anonym gesammelt und analysiert werden. Je nach Tool werden ein oder mehrere Cookies des Anbieters gesetzt.

Name econda
Zweck Measure with Visitor Cookie emos_jcvid
Externe Medien

Inhalte von Videoplattformen werden standardmäßig blockiert. Wenn Cookies von externen Medien akzeptiert werden, bedarf der Zugriff auf diese Inhalte keiner manuellen Zustimmung mehr.

Name Youtube
Zweck Externe Medien

Abteilung Bioinformatik der Genomik und Systemgenetik

Prof. Dr. Oliver Stegle

Illustration eines statistischen Modells für die Integration von mehreren Omics-Datensätzen. Multi?Omics Factor Analysis (MOFA) ist ein Rahmensystem, um die wichtigsten Achsen biologischer und technischer Variation in mehreren Omics-Daten aufzudecken.
© dkfz.de

Ziel unserer Forschung ist es, Zusammenhänge zwischen genomischer Variation und Phänotypen zu entschlüsseln. Wir untersuchen hierbei die Mechanismen, über die genetische Faktoren und Umwelteinflüsse auf molekulare Phänotypen in Geweben und in einzelnen Zellen wirken.
Um diese Fragen zu beantworten, benutzen wir Verfahren, die auf statistischer Inferenz und maschinellem Lernen basieren. Wir entwickeln beispielsweise statistische Modelle, um technische und biologische Störfaktoren in der Analyse von hochdimensionalen „omics-Daten“ zu berücksichtigen. Ein Schwerpunkt sind hierbei Methoden für die Integration von genetischen Faktoren und „Multiomics“ in der Biomedizin.

Future Outlook
Wir entwickeln künftig statistische Verfahren für die Auswertung von Hochdurchsatzdaten. Ein Schwerpunkt sind hierbei Methoden, um genetische und genomische Variation in einzelnen Zellen zu studieren. Dabei untersuchen wir, wie unterschiedliche Omics auf Einzelzellebene integriert werden können. Diese Ziele verfolgen wir als aktiver Partner innerhalb des internationalen Human Cell Atlas Projekts (https://www.humancellatlas.org).

Kontakt

Prof. Dr. Oliver Stegle
Bioinformatik der Genomik und Systemgenetik (B260)
Deutsches Krebsforschungszentrum
Im Neuenheimer Feld 280
69120 Heidelberg

Ausgewählte Publikationen

  • Argelaguet, R., & Velten, B., et al. (2018). Multi-Omics Factor Analysis - a framework for unsupervised integration of multi-omics data sets. Molecular systems biology, 14(6), e8124.
  • Svensson, V., et al. (2018). SpatialDE: identification of spatially variable genes. Nature methods, 15(5), 343.
  • Kilpinen, H., et al. (2017). Common genetic variation drives molecular heterogeneity in human iPSCs. Nature, 546(7658), 370.
  • Buettner, F., & Natarajan, K. N., et al. (2015). Computational analysis of cell-to-cell heterogeneity in single-cell RNA-sequencing data reveals hidden subpopulations of cells. Nature biotechnology, 33(2), 155.
nach oben
powered by webEdition CMS