Tools und Modelle

Im Department Computational Biology & Chemistry bieten wir Tools für eine robuste und reproduzierbare Datenanalyse, wobei wir uns auf KI und Data-Science-Software zur Vorhersage von Chemie-Wirkungs-Assoziationen und Protein-Protein-Wechselwirkungen fokussieren. Die Programme identifizieren angereichtere Signalwege in Multi-Omics-Daten und bieten Methoden zum Eruieren geeigneter Datensätze für die Forschung.

DeepFPlearn
ein KI-Tool, das Assoziationen zwischen Chemikalien und Gentargets vorhersagt

DRomics Shiny Application
Online-Werkzeug zur Dosis-Wirkungs-Charakterisierung (oder Konzentrations-Wirkungs-Charakterisierung) aus Omics-Daten

FishInspector
ermöglicht die benutzerfreundliche und einfache Annotation von Merkmalen in 2-dimensionalen Bildern von Zebrafischembryonen

Indicate
Desktop-Anwendung zur Bewertung von Stressauswirkungen auf Ökosysteme, einschließlich Bioindikator-Tools und Modellen zur Analyse von Umweltdaten

INTOB
eine Software zur Erfassung von toxikologischen Beobachtungsdaten und Metadaten unter Berücksichtigung der FAIR-Prinzipien

LSER database
zur Berechnung der Verteilungskoeffizienten von Chemikalien

MassBank
eine Open Access Massenspektren-Datenbank für Referenzspektren aus Umweltchemie und Metabolomics 

MLinvitroTox (Projekt: ExpectMine)
zur Bestimmung von Bioaktivitätswahrscheinlichkeiten molekularer Prozesse aus hochaufgelösten (Fragmentierungs-) Massenspektren (de novo Generieren chemischer Strukturen, robuste Auswertung zellulärerer Bioassaydaten, standardunabhängige Quantifizierung)

Multiple coupled compartements
zur Berechnung der Konzentrations-Zeit-Kurve einer Chemikalie in 4 gekoppelten Kompartimenten, die durch reversible Prozesse wie Diffusion, Transformation und Partitionierung miteinander verbunden sind

Toxicogenomic Fingerprint Browser
ein R Shiny-Werkzeug zur Ansicht und zum Erkunden von zeit- und dosisabhängigen toxikogenomischen Ergebnissen erhoben im Zebrabärblingsmodell

toxprofileR
ein R Paket zur Analyse von zeit- und konzentrationsaufgelösten toxikogenomischen Daten basierend auf sogenannten „self organizing maps"