Forschung | Dr. Oleksandra Kukharenko

Verbesserung und Erweiterung von Regressionstechniken

Wir verwenden datengetriebene Techniken des statistischen/maschinellen Lernens, um einige der Probleme anzugehen, mit denen die theoretische/rechnergestützte Chemie im Zusammenhang mit Polymerstudien konfrontiert ist. Beispiele sind: Verbesserung der Probenahme und Grobkörnigkeit, Back-Mapping, Identifizierung und Charakterisierung von Zuständen.

Analyse der Bedeutung von Merkmalen

Wir konzentrieren uns auf die Ableitung der Wichtigkeit der eingegebenen Merkmale für die Bestimmung physikalisch/chemisch sinnvoller Deskriptoren in den Daten. Sie ist von großer Bedeutung für die Lösung des Problems der schlechten Konditionierung von Regressionsmodellen sowie für die Verbesserung der Transparenz von nichtparametrischen Vorhersagemodellen.

SFB 1551

Wir haben zwei Verbundprojekte (R02 und R03), in denen wir uns auf die Entwicklung und Verfeinerung von grobkörnigen Modellen konzentrieren, die die Phasendynamik von Mehrkomponentensystemen großer Biopolymere genau und effizient erfassen können. Wir charakterisieren und modellieren die Auswirkungen von Ubiquitilierung und SUMOylierung auf Löslichkeit, Phasentrennung und Aggregationsverhalten von Zielproteinen. Wir untersuchen das Verhalten und die Dynamik von verzweigten und linearen Polymerketten. Wir ergänzen die Grobkörnigkeit mit Back-Mapping, um die zugrundeliegenden Modelle zu validieren.