Entwicklung von mehrblockigen statistischen Lernansätzen für das nicht-zielgerichtete Screening von Wasserproben

• Antragstellerin: Professorin Maryam Vosough, Ph.D.
• Fachliche Zuordnung: Analytische Chemie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520243139

Hauptziele: (a) Systematischer und statistischer Vergleich mehrerer LC-HRMS-Merkmalserkennungsalgorithmen, einschließlich konventioneller Peak-Picking- und ROI-MCR-Methoden, anhand realer räumlich-zeitlicher Flussdatensätze. Ziel ist die Bewertung ihrer Repräsentativität, Komplementarität und Fragmentierung im chemischen Raum sowie die Konstruktion eines integrierten Merkmalssatzes mithilfe von Multi-Block-Fusionsverfahren. (b) Entwicklung einer neuartigen, spärlich strukturierten Merkmalsauswahlstrategie, die für unüberwachtes Lernen und Multi-Block-Faktorenanalysen geeignet ist und die Priorisierung signifikanter chemischer und biologischer Marker in kombinierten Datensätzen ermöglicht. (c) Entwicklung faktorenanalysebasierter selbstorganisierender Karten (Kohonen-Karten) als robustes KI-Tool zur Erforschung und Visualisierung mehrerer Ebenen gemeinsamer oder unterschiedlicher räumlicher/zeitlicher Muster über mehrere Datenquellen hinweg und zur Erforschung komplexer Muster in einem niedrigdimensionalen Raum. (d) Entwicklung eines umfassenden Multi-Omics-Frameworks, das LC-HRMS-, GC-MS- und physikochemischen Daten mit Shotgun-Metagenomsequenzierung integriert, um Schadstoffsignaturen und die Dynamik mikrobieller Gemeinschaften in Flussökosystemen gemeinsam zu charakterisieren. Dies umfasst Analysen auf drei metagenomischen Ebenen (Read, Assembly und MAGs) und die Implementierung überwachter Multi-Block-Modellierungsansätze (z. B. PLS-basierte Modelle, Support Vector Machines und Multiple Kernel Learning), um ökologisch relevante domänenübergreifende Muster zu identifizieren.

• DFG-Verfahren: Sachbeihilfen