Bioinformatik-Experten in Deutschland

Entwicklung und Training von Deep-Learning-Modellen für große biologische Datenmengen. Aufbau von Daten- und Trainingspipelines. Tutor für Machine-Learning-Kurse. Betreuung von Forschungspraktikanten und Bachelorarbeiten.

• Datenbankrestrukturierung
• Programmierung mit UiPath und Aufbau der Automatisierungsinfrastruktur mit Anbindung von Zendesk + eigenem ERP
• Umsetzung von 6 Prozessen
• Prüfung von KI und Cloud für den späteren Ausbau
• Process-Mining-Analyst mit UiPath und Celonis

• Durchführung von Datenmanagement und statistischer Analyse für klinische Studien im Auftrag von CROs.
• Gastdozent an der Ivancity University in Paris mit Schwerpunkt auf Datenanonymisierungstechniken und Statistical Disclosure Control.
• Erbringung wissenschaftlicher und medizinischer Schreibdienstleistungen für Pharmaunternehmen.
• Durchführung von Optical-Mapping-Datenanalysen und Entwicklung von Softwaretools mit Fokus auf Algorithmusoptimierung und technischem Support.

• Leitung von KI-Initiativen für Life-Science-Lösungen, Integration fortschrittlicher KI-Modelle in Unternehmens-Workflows und Sicherstellung einer nahtlosen Bereitstellung.
• Entwerfen und Implementieren von Deep-Learning-Architekturen (PyTorch, Keras) für komplexe biomedizinische Herausforderungen, einschließlich Zellsegmentierung, multimodaler Omics-Analyse und Prognose von Punktwolken.
• Entwicklung und Bereitstellung robuster LLM-basierter Systeme, einschließlich RAG-Architekturen und agentischer Workflows mit LangGraph, um natürlichsprachige Interaktion mit komplexen medizinischen Daten zu ermöglichen.
• Führung funktionsübergreifender Initiativen zur Anwendung von Foundation Models und erklärbarer KI (xAI) in klinischen und evolutionären Algorithmen.

• AWS
• Genedata Profiler
• Data Lake
• APIs
• RStudio
• GitLab
• Python
• R
• Datenerfassung, -integration und -simulation
• Multiplex-Immunfluoreszenz
• Copy-Number-Variation-Erkennung
• HLA-Typisierung und Analyse des Heterozygotieverlusts
• RNA-Expressionsanalyse

• Prototypische Entwicklung eines LLM/RAG-Dokumentenassistenten; Training mit Transkriptomik- und Proteomik-Daten; Einsatz von Git/Docker für Reproduzierbarkeit.
• Vertiefung der ML-Grundlagen für Omics (Feature Engineering, Validierung, Leakage-Kontrolle).

• Erstellte eine API zum Import, zur Bereinigung, Übersetzung und Indexierung von EU-Ausschreibungsdokumenten in Neo4j, wodurch eine hybride Suche mit RAG- und Cypher-Abfragen über ein Streamlit-Dashboard möglich wurde
• Setzte die API in AWS Lightsail Container-Services ein, automatisierte CI/CD mit GitHub Actions und sicherte die Stabilität durch pytest Unit- und Integrationstests
• Entwarf und entwickelte einen umfassenden Online-Kurs zur Datenanalyse mit ChatGPT für Fachleute und Lernende und erstellte dazu Lehrvideos und interaktive Jupyter-Notebooks
• Setzte OBS und professionelle Audioausrüstung ein, um Video- und Audiomaterial in hoher Qualität zu gewährleisten
• Leitete ein CRM-Daten-Normalisierungs- und Bereinigungsprojekt, das über ein Sankey-Diagramm visualisiert wurde, um das Kundenverständnis und die Pipeline-Entwicklung zu unterstützen
• Implementierte und validierte eine genAI-gesteuerte Web-Crawling-Strategie auf AWS und stellte Datenqualität, Skalierbarkeit und CRM-Datenanreicherung sicher

• Forschung an der Schnittstelle von Proteomik und künstlicher Intelligenz, mit Schwerpunkt auf der Anwendung von Machine-Learning-Modellen (z. B. neuronale Netze, Clustering-Algorithmen und Merkmalsextraktion) zur Analyse komplexer biologischer Datensätze.
• Entwicklung und Vermittlung KI-basierter Analyse-Workflows für molekulare und proteomische Daten, mit Tools wie Python (scikit-learn, TensorFlow, Pandas) für prädiktives Modellieren und Datenvisualisierung.
• Zusammenarbeit mit interdisziplinären Teams zur Untersuchung datengestützter Hypothesen in der Molekulargenetik und zur Verbesserung der biologischen Interpretation durch KI-gestützte Mustererkennung.
• Implementierung automatisierter Datenverarbeitungs-Pipelines zur Verbesserung der Reproduzierbarkeit und des FAIR Data Managements in Hochdurchsatzexperimenten.

• Entwickelte Peptidinhibitoren gegen UPF1 mit RFdiffusion, ProteinMPNN und AlphaFold2/3; validierte Kandidaten mittels Molekulardynamik-Simulationen
• Durchsuchte über eine Million Verbindungen für Ataxie-Fusionsproteine mit AutoDock Vina; bestätigte die besten Treffer mittels GROMACS-MD-Simulationen
• Entwickelte RNA-Seq-Analyse-Pipelines für Studien zum nonsense-vermittelten Abbau (NMD), einschließlich Isoform-Quantifizierung und Motifsuche
• Modellierte Protein-RNA-Interaktionen mit AlphaFold3-Multimeren, integriert mit BioGRID/STRING-Datenbanken
• Etablierte computergestützte Workflows für Transkriptomik und RNA-Regulation in iPSC-abgeleiteten humanen Modellen

• Unterstützung der Partnerzentren bei der Einführung von KI- und LLM-basierten prädiktiven Modellen zur Wirkstoffentdeckung und Vorhersage therapeutischer Reaktionen mithilfe ihrer Genomdatenbanken, Entwicklung von Fehlermodi für KI und Reduzierung der Feature-Engineering-Zeit um 25 %.
• Durchführung von Python-Analysen und Verbesserung der Abdeckung von Domänenbewegungen um 30 % durch Integration von Freie-Energie-Daten in die Konformationsmodellierung, Kartierung heterogener Proteinzustände für eine präzise Struktur-Funktions-Analyse.

• Entwickelte eine auf GPT basierende Pipeline für synthetische Daten, die die Beschaffungskosten und Durchlaufzeiten um mehr als die Hälfte reduzierte.
• Modellierte Nutzerverhalten in unterrepräsentierten Gruppen mithilfe von Prompt-Workflows und statistischer Validierung.
• Bewertete die Realitätsnähe der Daten durch Cluster-, Regressions- und Divergenzanalyse.
• Lieferte reproduzierbare Python-Workflows zur Automatisierung von Experimenten in einem agilen Umfeld.
• Übersetzte analytische Ergebnisse in klare Erkenntnisse für Content- und Strategie-Teams.
• Technologien und Fähigkeiten: Python, generative KI, GPT, maschinelles Lernen, explorative Datenanalyse, agile Methoden, GitHub, Cloud-Computing, Halluzinationsanalyse.

• Einsatz KI-getriebener CADD-Methoden zur Optimierung biosynthetischer Wege und Molekülscreenings.
• Integration synthetischer Biologie und rechnergestützter Chemie-Workflows für schnelle In-silico-Experimente.
• Automatisierte ML-Pipelines mit Python, PyTorch und Scikit-learn unter Linux, was zu verbesserten Modelltests und höherer Reproduzierbarkeit führte.

• Durchführung von Validierungs- oder Qualifikationstests an neuen oder bestehenden Prozessen, IT-Modulen, Geräten und Software für klinische Studien gemäß interner Vorgaben oder externer Standards.
• Versiert in der Überprüfung verschiedener Dokumente, einschließlich VMP, URS, Systemanforderungsspezifikation (SRS) und/oder Funktions-/Technikspezifikation, Designqualifizierung (DQ), Risikobewertung (RA) mit ALCOA CCEA, IQ, OQ, PQ, Rückverfolgbarkeitsmatrix (TM), Compliance-Bericht (CR) und Validierungsabschlussbericht (VSR) in Übereinstimmung mit regulatorischen Anforderungen und Qualitätsmanagementsystemen.
• Durchführung von Testaktivitäten mit Microfocus ALM und Bearbeitung von Fehlern und Abweichungen.
• Vertraut mit regulatorischen Standards (wie FDA/GxP, Records Management und Disaster Recovery).
• Nachgewiesene Expertise im Risikomanagement, FMEA, Audit-Management und periodischen Compliance-Überprüfungen.
• Fundierte Kenntnisse in Änderungsmanagement und -kontrollverfahren, Abweichungsmanagement, Incident-Management und CAPA-Eskalation.
• Implementierung eines Qualitätssystems zur Erfüllung von GxP-Standards und Sicherstellung der regulatorischen Konformität durch Inspektionen, Datenüberprüfungen und Schulungen.
• Durchführung interner Audits für Prozesse und Systeme, Vorbereitung auf externe Audits und Überprüfung der Einhaltung interner Standards und SOPs.
• Erstellung und Überprüfung von SOPs und Dokumenten gemäß regulatorischer Vorgaben.
• Organisation und Überprüfung von cGMP-Schulungsunterlagen.

• Erstellte Python- und Bash-Skripte
• Pflegte Datenbanksysteme
• Führte Qualitätssicherungsaufgaben durch