WiSe 25/26  
 Berlin Universi...  
 Master Bioinfor...  
 Lehrveranstaltung

BUA Joint Degree-Studiengänge

Master Bioinformatik (SPO 2019)

E81c

  • Foundations in Computer Science

    0262cA1.1
    • 19404901 Vorlesung
      Foundations in Computer Science (Knut Reinert)
      Zeit: Di 10:00-12:00 (Erster Termin: 14.10.2025)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)

      Kommentar

      In dieser Vorlesung wird das Verständnis für mathematische Konzepte und Methoden in der fortgeschrittenen Algorithmik vor dem Hintergrund aktueller Forschungsrichtungen der Bioinformatik vermittelt. Dabei werden weiterführende Werkzeuge zur Entwicklung und Analyse von deterministischen und randomisierten Algorithmen ebenso behandelt wie Konzepte und Methoden Daten entsprechend ihrer Entropie zu komprimieren und zugreifbar zu machen. Darüber hinaus werden Konzepte für parallele und vektorisierte Algorithmen sowie Paradigmen für verteiltes Rechnen vermittelt. Die Folgenden Themen werden behandelt:

      - Einführung in verschiedene Arten von Algorithmen und Analysemethoden 
      - Grundlagen kompakter Datenstrukturen 
      - Graphentheorie und fortgeschrittene Graph-Algorithmen 
      - Analyse von randomisierten Datenstrukturen und Algorithmen 
      - Grundlagen und Modelle für paralleles und vektorisiertes Rechnen 
      - Konzepte, Paradigmen und Frameworks für verteiltes Rechnen
    • 19404902 Übung
      Übung zu Foundations in Computer Science (Knut Reinert)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)

  • Foundations in Mathematics and Statistics

    0262cA1.2

  • Foundations in Bio-Medicine

    0262cA1.3
    • 60102401 Vorlesung
      Foundations in Bio-Medicine (Ronja Sophia Mercedes Adam, Henrike Lisa Sczakiel)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: A6/SR 031 Seminarraum (Arnimallee 6)
    • 60102402 Übung
      Practice Seminar for Foundations in Bio-Medicine (Ronja Sophia Mercedes Adam, Henrike Lisa Sczakiel)
      Zeit: Mi 12:00-14:00 (Erster Termin: 15.10.2025)
      Ort: A6/SR 031 Seminarraum (Arnimallee 6)

  • Introduction to Focus-Areas

    0262cA1.4
    • 19405152 RV
      Introduction to Focus Areas (Knut Reinert, Max von Kleist)
      Zeit: Mo 10:00-12:00 (Erster Termin: 20.10.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      Das Modul präsentiert themenbezogen disziplinübergreifend exemplarische Problemstellungen und Lösungsansätze aus den drei Fokusbereichen “Data Science for Bioinformatics”, “Complex Systems in Bioinformatics” und “Advanced Algorithms in Bioinformatics”. Im Bereich der Projektarbeit bearbeiten Teams gemeinsam konkrete Aufgabenstellungen zu ausgewählten Themen aus diesem Fokusbereichen. Sie erarbeiten konkrete Lösungsvorschläge für praxisorientierte Problemstellungen, setzen diese um und präsentieren die Ergebnisse.
    • 19405106 Seminaristischer Unterricht
      SU: Introduction to Focus Areas (Knut Reinert, Max von Kleist)
      Zeit: Mo 12:00-14:00 (Erster Termin: 20.10.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

  • Complex Systems in Biomedical Applications

    0262cB1.2
    • 60103101 Vorlesung
      Complex Systems in Biomedical Applications (Katharina Brauns, Dorothee Günzel, Alexander Stahn, Mathias Steinach)
      Zeit: Mondays 2 - 6 PM, Charité
      Ort: keine Angabe

      Kommentar

      Gemeinsame Veranstaltung des Instituts für Klinische Physiologie und des Instituts für Physiologie der Charité. Der Kurs ist zeitlich geteilt: die ersten sieben Termine im Semester finden am Institut für Physiologie statt, die zweiten sieben Termine am Instituts für Klinische Physiologie.

      Informationen zur Veranstaltung: http://klinphys.charite.de/bioinfo/

      oder bei Dorothee Günzel

      Inhalte:

      Anhand ausgewählter, aktueller Beispiele aus der Biologie und Physiologie werden die Arbeitsschritte von Datengewinnung, Datenverarbeitung, Datenaufbereitung, Datenbeurteilung bis hin zur Modellierung komplexer physiologischer Zusammenhänge theoretisch und praktisch erarbeitet. Es werden Modelle aus folgenden Gebieten vertieft behandelt: 

      - Biophysikalische und biochemische Grundprozesse (z.B. freie und erleichterte  Diffusion durch Kanal- und Transportproteine, aktiver Ionentransport durch Membrantransporter, Rezeptor-Liganden-Interaktion, Interaktion von Struktur-und Motorproteinen)  

      - Struktur-Funktionsanalyse von Transportproteinen 

      - Biologische Netzwerke (z.B. Signalnetze, metabolische Netze, Transportom-Modelle, Feedbackmechanismen) 

      - Modellierung physiologischer Funktionen eines Organismus (z.B. Stofftransport an der Niere, Blut- und Immunfunktion, Muskelbewegung, Temperaturregulation, Circadiane Rhythmik, Herz-Kreislauffunktion, autonome Regulation / Herzfrequenzvariabilität, Leistungsphysiologie, Körperzusammensetzung)
    • 60103102 Übung
      Übung zu Complex Systems in Biomedical Applications (Katharina Brauns, Dorothee Günzel, Alexander Stahn, Mathias Steinach)
      Zeit: -
      Ort: keine Angabe

  • Research Internship

    0262cB1.4

  • Spezielle Aspekte der Datenverwaltung

    0089cA1.29
    • 19304801 Vorlesung
      Spezielle Aspekte der Datenverwaltung: Geospatial Databases (Agnès Voisard)
      Zeit: Di 14:00-16:00 (Erster Termin: 14.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe:

      Studierende im Masterstudiengang Voraussetzungen: Datenbanksysteme

      Kommentar

      Diese Vorlesung dient der Einführung in raumbezogene Datenbanken, wie sie insbesondere in geographischen Informationssystemen (GIS) Verwendung finden. Schwerpunkte sind u.a. die Modellierung raumbezogener Daten, Anfragesprachen und Optimierung sowie raumbezogene Zugriffsmethoden und Navigationssysteme ("Location-based services"). Grundwissen in Datenbanken ist erforderlich. Die Vorlesung beinhaltet Übungsblätter und Rechnerpraktika mit PostGIS.

      Sonstiges: Die Vorlesung wird in englischer Sprache gehalten

      Literaturhinweise

      Handouts are enough to understand the course.

      The following book will be mostly used: P. Rigaux, M. Scholl, A. Voisard.Spatial Databases - With Application to GIS. Morgan Kaufmann, May 2001. 432 p. (copies in the main library)
    • 19304802 Übung
      Übung zu Spezielle Aspekte der Datenverwaltung: Geospatial Databases (Agnès Voisard)
      Zeit: Do 14:00-16:00 (Erster Termin: 16.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)

  • Höhere Algorithmik

    0089cA2.1
    • 19303501 Vorlesung
      Höhere Algorithmik (N.N.)
      Zeit: Mo 10:00-12:00, Fr 10:00-12:00 (Erster Termin: 13.10.2025)
      Ort: KöLu24-26/SR 006 Neuro/Mathe (Königin-Luise-Str. 24 / 26)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe

      alle Masterstudenten, und Bachelorstudenten, die sich in Algorithmen vertiefen wollen.

      Empfohlene Vorkenntnisse

      Grundkenntnisse im Bereich Entwurf und Analyse von Algorithmen

      Kommentar

      Es werden Themen wie:

      • allgemeine Algorithmenentwurfsprinzipien
      • Flussprobleme in Graphen,
      • zahlentheoretische Algorithmen (einschließlich RSA Kryptosystem),
      • String Matching,
      • NP-Vollständigkeit
      • Approximationsalgorithmen für schwere Probleme,
      • arithmetische Algorithmen und Schaltkreise sowie schnelle Fourier-Transformation

      behandelt.

      Literaturhinweise

      • Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms, 2nd Ed. McGraw-Hill 2001
      • Kleinberg, Tardos: Algorithm Design Addison-Wesley 2005.
    • 19303502 Übung
      Übung zu Höhere Algorithmik (N.N.)
      Zeit: Mi 08:00-10:00, Mi 14:00-16:00 (Erster Termin: 15.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

  • Methodology for clinical trials

    0262cD1.10

  • Advanced Biometrical Methods

    0262cD1.11

  • Current topics in structural bioinformatics

    0262cD1.21

  • Current topics in cell-physiology

    0262cD1.4
    • 60100613 Praxisseminar
      Aktuelle zellphysiologische Fragestellungen (Dorothee Günzel)
      Zeit: -
      Ort: keine Angabe

      Zusätzl. Angaben / Voraussetzungen

      Bitte Laborkittel mitbringen, wenn vorhanden!

      Kommentar

      Bockveranstaltung in der vorlesungsfreien Zeit, Termin: tba (zwei Wochen, ganztägig)

      Ort: Charité Campus Benjamin Franklin (Steglitz, Hindenburgdamm 30), Institut für Klinische Physiologie

      Informationen zur Veranstaltung: http://klinphys.charite.de/bioinfo/

      oder bei Dorothee Günzel

      Im Rahmen dieses Kurses werden durch Homologie-Modelling Protein-Strukturmodelle erstellt und Hypothesen aufgestellt, welche Aminosäuren für die Struktur von herausragender Bedeutung sein sollten. Diese Hypothesen werden anhand von molekularbiologischen Arbeiten überprüft (z.B. ortsgerichtete Mutagenese mittels two-step PCR o.ä.). Die Konstrukte werden in Expressionsvektoren kloniert, in Bakterien transformiert und vermehrt, extrahiert, sequenziert und in der Zellkultur überexprimiert.

      Diese Zellen werden u.a. im konfokalen Laserscanning-Mikroskop analysiert und die Ergebnisse in Hinblick auf die ursprüngliche Hypothese interpretiert.

      Der experimentelle Teil wird von Seminaren zum theoretischen Hintergrund und zu den verwendeten Methoden flankiert.

      Das genaue Kursprogramm hängt von den laufenden Forschungsaktivitäten des Institut ab und ist eng in laufende Projekte eingebunden.

      Literaturhinweise

      Milatz S, Piontek J, Hempel C, Meoli L, Grohe C, Fromm A, Lee IM, El-Athman R, Günzel D (2017) Tight junction strand formation by claudin-10 isoforms and claudin-10a/-10b chimeras. Ann. N.Y. Acad. Sci. 1405: 102-115 (https://www.ncbi.nlm.nih.gov/pubmed/28633196)

      Piontek J, Winkler L, Wolburg H, Müller SL, Zuleger N, Piehl C, Wiesner B, Krause G, Blasig IE (2008) Formation of tight junction: determinants of homophilic interaction between classic claudins. FASEB J. 22: 146-158 (https://www.ncbi.nlm.nih.gov/pubmed/17761522)

       

  • Current research topics in Bioinformatics A

    0262cD2.1
    • 19335011 Seminar
      Seminar: Netzwerke, dynamische Modelle und ML für Datenintegration in den Lebenswissenschaften (Katharina Baum, Pascal Iversen)
      Zeit: Di 14:00-16:00 (Erster Termin: 30.09.2025)
      Ort: T9/K40 Multimediaraum (Takustr. 9)

      Kommentar

      Forschungsseminar der Arbeitsgruppe Data Integration in the Life Sciences (DILiS). Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

      Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen. Achtung: Einzelne Termine können ausfallen oder verschoben werden. Kontaktieren Sie mich gern für Fragen (katharina.baum@fu-berlin.de)!
    • 19402311 Seminar
      Seminar: Deep Learning for biomedical applications (Vitaly Belik)
      Zeit: Mo 16:00-18:00 (Erster Termin: 13.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe: Masterstudierende der Physik, Chemie, Bioinformatik oder Informatik.

      Kommentar

      Recent developments in the area of machine learning due to availability of data and computational power promise to revolutionize almost every area of science. The driving technology behind this advancement is deep learning – a machine learning technology based on artificial neural networks consisting of many layers. Deep learning is capable of processing huge amount of data of different nature and already outperforming humans in many decision-making tasks. Biomedical research became now a source of large heterogeneous data, i.e. images, video, activity sensors, omics and text data. Leveraging the opportunities of this deep learning technology in the biomedical field requires particular set of skills combining thorough knowledge of necessary algorithms, specifics of biomedical data and designated programming tools. In this course we aim to offer students with background in computer science an opportunity to acquire the above skills to be able to deploy deep learning technology with a focus on biomedical applications. The course is structured as a seminar, where students under extensive guidance of instructors read fundamental books and recent research articles on deep learning, learn necessary programming tools, and produce their own implementations of computational pipelines in case studies using already published or original data. Starting from fundamental aspects of deep learning we aim to cover its applications to e.g. image data, time series data, text data, complex networks.

       

      Literaturhinweise

      [1] Andresen N, Wöllhaf M, Hohlbaum K, Lewejohann L, Hellwich O, Thöne- Reineke C, Belik V, Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expres- sion analysis. Plos One, 15(4):e0228059, (2020) https://doi.org/10.1371/ journal.pone.0228059

      [2] Jarynowski A, Semenov A, Kamiński M, Belik V. Mild Adverse Events of Sputnik V Vaccine in Russia: Social Media Content Analysis of Telegram via Deep Learning. J Med Internet Res 2021;23(11):e30529 https://doi.org//10.2196/30529
    • 19402911 Seminar
      Journal Club Computational Biology (Knut Reinert)
      Zeit: Mo 14:00-16:00 (Erster Termin: 20.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe:

      Master- und PhD-Student*inn*en

      Kommentar

      Inhalt:

      In diesem Seminar werden aktuelle Forschungsarbeiten der Bioinformatik sowie die Fortschrittsberichte der PhD-Student*inn*en vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Anmeldungen bitte über Whiteboard ("Site Browser" aufrufen und nach Journal Club suchen).

      Literaturhinweise

      aktuelle Publikationen aus der Forschung
    • 19404611 Seminar
      Open science, data handling and ethical aspects in bioinformatics (Thilo Muth)
      Zeit: Do 14:00-16:00 (Erster Termin: 16.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      Siehe englische Beschreibung
    • 19405911 Seminar
      Biochemical networks and disease (Jana Wolf)
      Zeit: Do 12:00-14:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Kommentar

      Molecular metabolic, signaling and gene-regulatory networks form complex networks that underly the normal physiological functioning of the cell. Various perturbations within these networks have been described in diseases. We will here use original papers to study and discuss how perturbations can be implemented in models and how they change the network characteristics. We will focus on dynamic models described by ordinary differential equations.
    • 19406411 Seminar
      Journal Club: Public Health Data Science (Max von Kleist)
      Zeit: Mittwochs 10-12, ab der zweiten Semesterwoche
      Ort: online

      Kommentar

      In diesem Seminar werden aktuelle Forschungsarbeiten im Bereich der datengetriebenen public health Forschung, sowie die Fortschrittsberichte der PhD-Student*inn*en und Post-Docs vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Termin: online, nach Vereinbarung, der Link zur Teilnahme kann beim Dozenten erfragt werden.
    • 19406611 Seminar Abgesagt
      Journal Club: Biomedical Data Science (Katharina Jahn)
      Zeit: Di 16:00-18:00 (Erster Termin: 14.10.2025)
      Ort: A3/SR 115 (Arnimallee 3-5)

      Kommentar

      In this seminar, we study current research publications in biomedical data science. Master students either present a research article, or their master thesis, or they present about their research internship. Credit points can only be earned for the presentation of research articles.

  • Current research topics in Bioinformatics B

    0262cD2.2
    • 19335011 Seminar
      Seminar: Netzwerke, dynamische Modelle und ML für Datenintegration in den Lebenswissenschaften (Katharina Baum, Pascal Iversen)
      Zeit: Di 14:00-16:00 (Erster Termin: 30.09.2025)
      Ort: T9/K40 Multimediaraum (Takustr. 9)

      Kommentar

      Forschungsseminar der Arbeitsgruppe Data Integration in the Life Sciences (DILiS). Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

      Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen. Achtung: Einzelne Termine können ausfallen oder verschoben werden. Kontaktieren Sie mich gern für Fragen (katharina.baum@fu-berlin.de)!
    • 19402311 Seminar
      Seminar: Deep Learning for biomedical applications (Vitaly Belik)
      Zeit: Mo 16:00-18:00 (Erster Termin: 13.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe: Masterstudierende der Physik, Chemie, Bioinformatik oder Informatik.

      Kommentar

      Recent developments in the area of machine learning due to availability of data and computational power promise to revolutionize almost every area of science. The driving technology behind this advancement is deep learning – a machine learning technology based on artificial neural networks consisting of many layers. Deep learning is capable of processing huge amount of data of different nature and already outperforming humans in many decision-making tasks. Biomedical research became now a source of large heterogeneous data, i.e. images, video, activity sensors, omics and text data. Leveraging the opportunities of this deep learning technology in the biomedical field requires particular set of skills combining thorough knowledge of necessary algorithms, specifics of biomedical data and designated programming tools. In this course we aim to offer students with background in computer science an opportunity to acquire the above skills to be able to deploy deep learning technology with a focus on biomedical applications. The course is structured as a seminar, where students under extensive guidance of instructors read fundamental books and recent research articles on deep learning, learn necessary programming tools, and produce their own implementations of computational pipelines in case studies using already published or original data. Starting from fundamental aspects of deep learning we aim to cover its applications to e.g. image data, time series data, text data, complex networks.

       

      Literaturhinweise

      [1] Andresen N, Wöllhaf M, Hohlbaum K, Lewejohann L, Hellwich O, Thöne- Reineke C, Belik V, Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expres- sion analysis. Plos One, 15(4):e0228059, (2020) https://doi.org/10.1371/ journal.pone.0228059

      [2] Jarynowski A, Semenov A, Kamiński M, Belik V. Mild Adverse Events of Sputnik V Vaccine in Russia: Social Media Content Analysis of Telegram via Deep Learning. J Med Internet Res 2021;23(11):e30529 https://doi.org//10.2196/30529
    • 19402911 Seminar
      Journal Club Computational Biology (Knut Reinert)
      Zeit: Mo 14:00-16:00 (Erster Termin: 20.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe:

      Master- und PhD-Student*inn*en

      Kommentar

      Inhalt:

      In diesem Seminar werden aktuelle Forschungsarbeiten der Bioinformatik sowie die Fortschrittsberichte der PhD-Student*inn*en vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Anmeldungen bitte über Whiteboard ("Site Browser" aufrufen und nach Journal Club suchen).

      Literaturhinweise

      aktuelle Publikationen aus der Forschung
    • 19404611 Seminar
      Open science, data handling and ethical aspects in bioinformatics (Thilo Muth)
      Zeit: Do 14:00-16:00 (Erster Termin: 16.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      Siehe englische Beschreibung
    • 19405911 Seminar
      Biochemical networks and disease (Jana Wolf)
      Zeit: Do 12:00-14:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Kommentar

      Molecular metabolic, signaling and gene-regulatory networks form complex networks that underly the normal physiological functioning of the cell. Various perturbations within these networks have been described in diseases. We will here use original papers to study and discuss how perturbations can be implemented in models and how they change the network characteristics. We will focus on dynamic models described by ordinary differential equations.
    • 19406411 Seminar
      Journal Club: Public Health Data Science (Max von Kleist)
      Zeit: Mittwochs 10-12, ab der zweiten Semesterwoche
      Ort: online

      Kommentar

      In diesem Seminar werden aktuelle Forschungsarbeiten im Bereich der datengetriebenen public health Forschung, sowie die Fortschrittsberichte der PhD-Student*inn*en und Post-Docs vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Termin: online, nach Vereinbarung, der Link zur Teilnahme kann beim Dozenten erfragt werden.
    • 19406611 Seminar Abgesagt
      Journal Club: Biomedical Data Science (Katharina Jahn)
      Zeit: Di 16:00-18:00 (Erster Termin: 14.10.2025)
      Ort: A3/SR 115 (Arnimallee 3-5)

      Kommentar

      In this seminar, we study current research publications in biomedical data science. Master students either present a research article, or their master thesis, or they present about their research internship. Credit points can only be earned for the presentation of research articles.

  • Current research topics in Bioinformatics C

    0262cD2.3
    • 19335011 Seminar
      Seminar: Netzwerke, dynamische Modelle und ML für Datenintegration in den Lebenswissenschaften (Katharina Baum, Pascal Iversen)
      Zeit: Di 14:00-16:00 (Erster Termin: 30.09.2025)
      Ort: T9/K40 Multimediaraum (Takustr. 9)

      Kommentar

      Forschungsseminar der Arbeitsgruppe Data Integration in the Life Sciences (DILiS). Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

      Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen. Achtung: Einzelne Termine können ausfallen oder verschoben werden. Kontaktieren Sie mich gern für Fragen (katharina.baum@fu-berlin.de)!
    • 19402311 Seminar
      Seminar: Deep Learning for biomedical applications (Vitaly Belik)
      Zeit: Mo 16:00-18:00 (Erster Termin: 13.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe: Masterstudierende der Physik, Chemie, Bioinformatik oder Informatik.

      Kommentar

      Recent developments in the area of machine learning due to availability of data and computational power promise to revolutionize almost every area of science. The driving technology behind this advancement is deep learning – a machine learning technology based on artificial neural networks consisting of many layers. Deep learning is capable of processing huge amount of data of different nature and already outperforming humans in many decision-making tasks. Biomedical research became now a source of large heterogeneous data, i.e. images, video, activity sensors, omics and text data. Leveraging the opportunities of this deep learning technology in the biomedical field requires particular set of skills combining thorough knowledge of necessary algorithms, specifics of biomedical data and designated programming tools. In this course we aim to offer students with background in computer science an opportunity to acquire the above skills to be able to deploy deep learning technology with a focus on biomedical applications. The course is structured as a seminar, where students under extensive guidance of instructors read fundamental books and recent research articles on deep learning, learn necessary programming tools, and produce their own implementations of computational pipelines in case studies using already published or original data. Starting from fundamental aspects of deep learning we aim to cover its applications to e.g. image data, time series data, text data, complex networks.

       

      Literaturhinweise

      [1] Andresen N, Wöllhaf M, Hohlbaum K, Lewejohann L, Hellwich O, Thöne- Reineke C, Belik V, Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expres- sion analysis. Plos One, 15(4):e0228059, (2020) https://doi.org/10.1371/ journal.pone.0228059

      [2] Jarynowski A, Semenov A, Kamiński M, Belik V. Mild Adverse Events of Sputnik V Vaccine in Russia: Social Media Content Analysis of Telegram via Deep Learning. J Med Internet Res 2021;23(11):e30529 https://doi.org//10.2196/30529
    • 19402911 Seminar
      Journal Club Computational Biology (Knut Reinert)
      Zeit: Mo 14:00-16:00 (Erster Termin: 20.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe:

      Master- und PhD-Student*inn*en

      Kommentar

      Inhalt:

      In diesem Seminar werden aktuelle Forschungsarbeiten der Bioinformatik sowie die Fortschrittsberichte der PhD-Student*inn*en vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Anmeldungen bitte über Whiteboard ("Site Browser" aufrufen und nach Journal Club suchen).

      Literaturhinweise

      aktuelle Publikationen aus der Forschung
    • 19404611 Seminar
      Open science, data handling and ethical aspects in bioinformatics (Thilo Muth)
      Zeit: Do 14:00-16:00 (Erster Termin: 16.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      Siehe englische Beschreibung
    • 19405911 Seminar
      Biochemical networks and disease (Jana Wolf)
      Zeit: Do 12:00-14:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Kommentar

      Molecular metabolic, signaling and gene-regulatory networks form complex networks that underly the normal physiological functioning of the cell. Various perturbations within these networks have been described in diseases. We will here use original papers to study and discuss how perturbations can be implemented in models and how they change the network characteristics. We will focus on dynamic models described by ordinary differential equations.
    • 19406411 Seminar
      Journal Club: Public Health Data Science (Max von Kleist)
      Zeit: Mittwochs 10-12, ab der zweiten Semesterwoche
      Ort: online

      Kommentar

      In diesem Seminar werden aktuelle Forschungsarbeiten im Bereich der datengetriebenen public health Forschung, sowie die Fortschrittsberichte der PhD-Student*inn*en und Post-Docs vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Termin: online, nach Vereinbarung, der Link zur Teilnahme kann beim Dozenten erfragt werden.
    • 19406611 Seminar Abgesagt
      Journal Club: Biomedical Data Science (Katharina Jahn)
      Zeit: Di 16:00-18:00 (Erster Termin: 14.10.2025)
      Ort: A3/SR 115 (Arnimallee 3-5)

      Kommentar

      In this seminar, we study current research publications in biomedical data science. Master students either present a research article, or their master thesis, or they present about their research internship. Credit points can only be earned for the presentation of research articles.

  • Special aspects of Bioinformatics A

    0262cD2.4
    • 19328301 Vorlesung
      Datenvisualisierung (Claudia Müller-Birn)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Link zum Kurs auf der HCC-Webseite: https://www.mi.fu-berlin.de/en/inf/groups/hcc/teaching/winter_term_2025_26/course_data_visualization.html

      Kommentar

      Die rasante technologische Entwicklung erfordert die Verarbeitung großer Mengen von Daten unterschiedlichster Art, um diese durch den Menschen nutzbar zu machen. Diese Herausforderung betrifft heutzutage sehr viele Bereiche des Lebens, wie der Forschung, Wirtschaft und Politik. Datenvisualisierungen werden hier dazu eingesetzt, Informationen und Zusammenhänge durch grafische Darstellung von Daten zu erklären, diese durch visuelle Analyse zu erkunden, um damit die Entscheidungsfindungen zu unterstützen. Ziel dieser Veranstaltung ist es, Studierende mit den Prinzipien, Techniken und Algorithmen der Datenvisualisierung vertraut zu machen und praktische Fertigkeiten für die Gestaltung und Implementierung von Datenvisualisierungen zu vermitteln.

      Dieser Kurs soll Studierenden eine fundierte Einführung in die Grundlagen der Datenvisualisierung mit aktuellen Inhalten aus Forschung und Praxis geben. Am Ende der Veranstaltung werden die Studierenden

      1. ausgehend von einer Problemstellung Methoden zur Konzipierung von Visualisierungen auswählen und anwenden können,
      2. wesentliche theoretische Grundlagen der Visualisierung zur grafischen Wahrnehmung und Kognition kennen,
      3. Visualisierungsansätze und deren Vor- und Nachteile kennen und auswählen können,
      4. Visualisierungslösungen kritisch bewerten können, und
      5. praktische Fertigkeiten für die Implementierung von Visualisierungen besitzen.

      Diese Veranstaltung richtet sich sowohl an Studierende, die daran interessiert sind, Datenvisualisierung in ihrer Arbeit einzusetzen, als auch an Studierende, die Visualisierungs-software entwickeln wollen. Grundkenntnisse in der Programmierung (HTML, CSS, Javascript, Python) und Datenanalyse (z.B. R) sind hilfreich.

      Neben der Teilnahme an den Diskussionen in der Veranstaltung absolvieren die Studierenden mehrere Programmier- und Datenanalyseaufgaben sowie ein Abschlussprojekt, in welchem Sie eine gegebene Problemstellung lösen sollen. Von den Studierenden wird erwartet, dass sie die Ergebnisse der Aufgaben und des Projekts im Sinne der Reproduzierbarkeit dokumentieren und präsentieren.

      Bitte beachten Sie, dass die Veranstaltung sich darauf konzentriert, wie Daten visuell kodiert und für die Analyse präsentiert werden, nachdem die Struktur der Daten und deren Inhalt bekannt ist. Explorative Analysemethoden zur Entdeckung von Erkenntnissen in Daten sind nicht der Schwerpunkt der Veranstaltung.

      Literaturhinweise

      Textbook

      Munzner, Tamara. Visualization analysis and design. AK Peters/CRC Press, 2014.

      Additional Literature

      Kirk, Andy: Data visualisation: A handbook for data driven design. Sage. 2016.

      Yau, Nathan: Visualize This: The FlowingData Guide to Design, Visualization, and Statistics. Wiley Publishing, Inc. 2011.

      Spence, Robert: Information Visualization: Design for Interaction. Pearson. 2007.
    • 60103201 Vorlesung
      Structural Bioinformatics Methods in Drug Development (Robert Preissner, Priyanka Banerjee)
      Zeit: -
      Ort: keine Angabe

      Kommentar

      S. englische Beschreibung
    • 19328302 Übung
      Übung zu Data Visualization (Malte Heiser)
      Zeit: Do 10:00-12:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 60103202 Übung
      Practice seminar for Structural Bioinformatics Methods in Drug Development (Robert Preissner, Priyanka Banerjee)
      Zeit: -
      Ort: keine Angabe

  • Special aspects of Bioinformatics B

    0262cD2.5
    • 19328301 Vorlesung
      Datenvisualisierung (Claudia Müller-Birn)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Link zum Kurs auf der HCC-Webseite: https://www.mi.fu-berlin.de/en/inf/groups/hcc/teaching/winter_term_2025_26/course_data_visualization.html

      Kommentar

      Die rasante technologische Entwicklung erfordert die Verarbeitung großer Mengen von Daten unterschiedlichster Art, um diese durch den Menschen nutzbar zu machen. Diese Herausforderung betrifft heutzutage sehr viele Bereiche des Lebens, wie der Forschung, Wirtschaft und Politik. Datenvisualisierungen werden hier dazu eingesetzt, Informationen und Zusammenhänge durch grafische Darstellung von Daten zu erklären, diese durch visuelle Analyse zu erkunden, um damit die Entscheidungsfindungen zu unterstützen. Ziel dieser Veranstaltung ist es, Studierende mit den Prinzipien, Techniken und Algorithmen der Datenvisualisierung vertraut zu machen und praktische Fertigkeiten für die Gestaltung und Implementierung von Datenvisualisierungen zu vermitteln.

      Dieser Kurs soll Studierenden eine fundierte Einführung in die Grundlagen der Datenvisualisierung mit aktuellen Inhalten aus Forschung und Praxis geben. Am Ende der Veranstaltung werden die Studierenden

      1. ausgehend von einer Problemstellung Methoden zur Konzipierung von Visualisierungen auswählen und anwenden können,
      2. wesentliche theoretische Grundlagen der Visualisierung zur grafischen Wahrnehmung und Kognition kennen,
      3. Visualisierungsansätze und deren Vor- und Nachteile kennen und auswählen können,
      4. Visualisierungslösungen kritisch bewerten können, und
      5. praktische Fertigkeiten für die Implementierung von Visualisierungen besitzen.

      Diese Veranstaltung richtet sich sowohl an Studierende, die daran interessiert sind, Datenvisualisierung in ihrer Arbeit einzusetzen, als auch an Studierende, die Visualisierungs-software entwickeln wollen. Grundkenntnisse in der Programmierung (HTML, CSS, Javascript, Python) und Datenanalyse (z.B. R) sind hilfreich.

      Neben der Teilnahme an den Diskussionen in der Veranstaltung absolvieren die Studierenden mehrere Programmier- und Datenanalyseaufgaben sowie ein Abschlussprojekt, in welchem Sie eine gegebene Problemstellung lösen sollen. Von den Studierenden wird erwartet, dass sie die Ergebnisse der Aufgaben und des Projekts im Sinne der Reproduzierbarkeit dokumentieren und präsentieren.

      Bitte beachten Sie, dass die Veranstaltung sich darauf konzentriert, wie Daten visuell kodiert und für die Analyse präsentiert werden, nachdem die Struktur der Daten und deren Inhalt bekannt ist. Explorative Analysemethoden zur Entdeckung von Erkenntnissen in Daten sind nicht der Schwerpunkt der Veranstaltung.

      Literaturhinweise

      Textbook

      Munzner, Tamara. Visualization analysis and design. AK Peters/CRC Press, 2014.

      Additional Literature

      Kirk, Andy: Data visualisation: A handbook for data driven design. Sage. 2016.

      Yau, Nathan: Visualize This: The FlowingData Guide to Design, Visualization, and Statistics. Wiley Publishing, Inc. 2011.

      Spence, Robert: Information Visualization: Design for Interaction. Pearson. 2007.
    • 60103201 Vorlesung
      Structural Bioinformatics Methods in Drug Development (Robert Preissner, Priyanka Banerjee)
      Zeit: -
      Ort: keine Angabe

      Kommentar

      S. englische Beschreibung
    • 19328302 Übung
      Übung zu Data Visualization (Malte Heiser)
      Zeit: Do 10:00-12:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 60103202 Übung
      Practice seminar for Structural Bioinformatics Methods in Drug Development (Robert Preissner, Priyanka Banerjee)
      Zeit: -
      Ort: keine Angabe

  • Special aspects of Bioinformatics C

    0262cD2.6
    • 19328301 Vorlesung
      Datenvisualisierung (Claudia Müller-Birn)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Link zum Kurs auf der HCC-Webseite: https://www.mi.fu-berlin.de/en/inf/groups/hcc/teaching/winter_term_2025_26/course_data_visualization.html

      Kommentar

      Die rasante technologische Entwicklung erfordert die Verarbeitung großer Mengen von Daten unterschiedlichster Art, um diese durch den Menschen nutzbar zu machen. Diese Herausforderung betrifft heutzutage sehr viele Bereiche des Lebens, wie der Forschung, Wirtschaft und Politik. Datenvisualisierungen werden hier dazu eingesetzt, Informationen und Zusammenhänge durch grafische Darstellung von Daten zu erklären, diese durch visuelle Analyse zu erkunden, um damit die Entscheidungsfindungen zu unterstützen. Ziel dieser Veranstaltung ist es, Studierende mit den Prinzipien, Techniken und Algorithmen der Datenvisualisierung vertraut zu machen und praktische Fertigkeiten für die Gestaltung und Implementierung von Datenvisualisierungen zu vermitteln.

      Dieser Kurs soll Studierenden eine fundierte Einführung in die Grundlagen der Datenvisualisierung mit aktuellen Inhalten aus Forschung und Praxis geben. Am Ende der Veranstaltung werden die Studierenden

      1. ausgehend von einer Problemstellung Methoden zur Konzipierung von Visualisierungen auswählen und anwenden können,
      2. wesentliche theoretische Grundlagen der Visualisierung zur grafischen Wahrnehmung und Kognition kennen,
      3. Visualisierungsansätze und deren Vor- und Nachteile kennen und auswählen können,
      4. Visualisierungslösungen kritisch bewerten können, und
      5. praktische Fertigkeiten für die Implementierung von Visualisierungen besitzen.

      Diese Veranstaltung richtet sich sowohl an Studierende, die daran interessiert sind, Datenvisualisierung in ihrer Arbeit einzusetzen, als auch an Studierende, die Visualisierungs-software entwickeln wollen. Grundkenntnisse in der Programmierung (HTML, CSS, Javascript, Python) und Datenanalyse (z.B. R) sind hilfreich.

      Neben der Teilnahme an den Diskussionen in der Veranstaltung absolvieren die Studierenden mehrere Programmier- und Datenanalyseaufgaben sowie ein Abschlussprojekt, in welchem Sie eine gegebene Problemstellung lösen sollen. Von den Studierenden wird erwartet, dass sie die Ergebnisse der Aufgaben und des Projekts im Sinne der Reproduzierbarkeit dokumentieren und präsentieren.

      Bitte beachten Sie, dass die Veranstaltung sich darauf konzentriert, wie Daten visuell kodiert und für die Analyse präsentiert werden, nachdem die Struktur der Daten und deren Inhalt bekannt ist. Explorative Analysemethoden zur Entdeckung von Erkenntnissen in Daten sind nicht der Schwerpunkt der Veranstaltung.

      Literaturhinweise

      Textbook

      Munzner, Tamara. Visualization analysis and design. AK Peters/CRC Press, 2014.

      Additional Literature

      Kirk, Andy: Data visualisation: A handbook for data driven design. Sage. 2016.

      Yau, Nathan: Visualize This: The FlowingData Guide to Design, Visualization, and Statistics. Wiley Publishing, Inc. 2011.

      Spence, Robert: Information Visualization: Design for Interaction. Pearson. 2007.
    • 60103201 Vorlesung
      Structural Bioinformatics Methods in Drug Development (Robert Preissner, Priyanka Banerjee)
      Zeit: -
      Ort: keine Angabe

      Kommentar

      S. englische Beschreibung
    • 19328302 Übung
      Übung zu Data Visualization (Malte Heiser)
      Zeit: Do 10:00-12:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 60103202 Übung
      Practice seminar for Structural Bioinformatics Methods in Drug Development (Robert Preissner, Priyanka Banerjee)
      Zeit: -
      Ort: keine Angabe

  • Module ohne Lehrangebot in diesem Semester

    55 Module
    • Complex Systems in Bioinformatics 0262cB1.1
    • Computer-Aided Drug Design 0262cB1.10
    • Current topics in cell-physiology 0262cB1.11
    • Computational Systems Biology 0262cB1.12
    • Ethics and Policy Questions 0262cB1.13
    • Ethics and Policy Questions 0262cB1.3
    • Current research topics in Complex Systems 0262cB1.5
    • Advanced Network Analysis 0262cB1.6
    • Human Evolution 0262cB1.7
    • Special aspects of Complex Systems 0262cB1.8
    • Selected topics in Complex Systems 0262cB1.9
    • Netzbasierte Informationssysteme 0089cA1.13
    • Verteilte Systeme 0089cA1.20
    • Special aspects of Data Science in the Life Sciences 0262cB2.10
    • Selected topics in Data Science in the Life Sciences 0262cB2.11
    • Current topics in medical genomics 0262cB2.12
    • Machine Learning in Bioinformatics 0262cB2.13
    • Advanced Biometrical Methods 0262cB2.18
    • Applied Machine Learning in Bioinformatics 0262cB2.19
    • Medical Bioinformatics 0262cB2.4
    • Current research topics in Data Science in Life Sciences 0262cB2.5
    • Machine Learning in Bioinformatics 0262cB2.6
    • Big Data Analysis in Bioinformatics 0262cB2.7
    • Complex Data Analysis in Physiology 0262cB2.8
    • Methodology for clinical trials 0262cB2.9
    • Data Science in the Life Sciences 0590aB2.1
    • Data Science in Life Sciences 0590bB1.1
    • Advanced Algorithms for Bioinformatics 0262cB3.1
    • Applied Sequence Analysis 0262cB3.10
    • Environmental metagenomics 0262cB3.11
    • Current topics in structural bioinformatics 0262cB3.15
    • Methods in Life Sciences 0262cB3.16
    • Methods in Life Sciences 0262cB3.2
    • Biodiversity and Evolution 0262cB3.5
    • Structural Bioinformatics 0262cB3.6
    • Current research topics in Advanced Algorithms 0262cB3.7
    • Selected topics in Advanced Algorithms 0262cB3.8
    • Special aspects of Advanced Algorithms 0262cB3.9
    • Advanced Network Analysis 0262cD1.1
    • Applied Machine Learning in Bioinformatics 0262cD1.12
    • Biodiversity and Evolution 0262cD1.16
    • Structural Bioinformatics 0262cD1.17
    • Applied Sequence Analysis 0262cD1.18
    • Environmental metagenomics 0262cD1.19
    • Human Evolution 0262cD1.2
    • Current topics in medical genomics 0262cD1.20
    • Computer-Aided Drug Design 0262cD1.3
    • Computational Systems Biology 0262cD1.5
    • Medical Bioinformatics 0262cD1.6
    • Machine Learning in Bioinformatics 0262cD1.7
    • Big Data Analysis in Bioinformatics 0262cD1.8
    • Complex Data Analysis in Physiology 0262cD1.9
    • Selected topics in Bioinformatics A 0262cD2.7
    • Selected topics in Bioinformatics B 0262cD2.8
    • Begleitendes Kolloquium 0262cE1.2