Forschungsgruppen
Eine Forschungsgruppe ist ein enges Arbeitsbündnis aus mehreren herausragenden Wissenschaftlerinnen und Wissenschaftlern, die gemeinsam eine Forschungsaufgabe über einen Zeitraum von ca. sechs Jahren bearbeiten. Die Forschungsgruppen werden von der Deutschen Forschungsgemeinschaft (DFG) gefördert.
Geförderte Forschungsgruppen der MIN Fakultät
FOR 5116 - Kommunikation in der Wirtspflanzen-Mikroben-Interaktion durch exRNA
Sprecherin:
Prof. Dr. Julia Kehr
Fachbereich Biologie
Universität Hamburg
Ohnhorststr. 18, Raum 1.111
22609 Hamburg
E-Mail: julia.kehr"AT"uni-hamburg.de
Förderzeitraum: 2024-2028
Ernährungssicherheit und gesunde Ernährung für 11 Milliarden Menschen im Jahr 2100 ist eine der größten Herausforderungen dieses Jahrhunderts. Der wissenschaftlichen Literatur zufolge gibt eskeine andere Wahl, als die globale Ertragseffizienz zu steigern und die Ertragslücken zu verringern, um die globale Ernährungssicherheit zu gewährleisten - denn eine weitere Flächenvergrößerung für die Landwirtschaft ist keine akzeptable Alternative. Um diese landwirtschaftlichen Ziele zu erreichen, sind ein neues Verständnis der Mechanismen von Pflanzenkrankheiten und neue technologische Erkenntnisse im Pflanzenschutz erforderlich. Daher ist es das Hauptziel dieser Initiative, ein international führendes und kooperatives Konsortium zu bilden, mit dem gemeinsamen Ziel, ein mechanistisches Verständnis der RNA-vermittelten „Cross-Kingdom“ Kommunikation zwischen Pflanzenwirten und ihren Pathogenen zu entwickeln. Unsere zentrale Hypothese ist, dass exRNAs (RNA Effektoren) eine Schlüsselrolle bei der Infektion von Pflanzen durch Krankheitserreger spielen und daher auch ein hohes Potenzial zur Verbesserung der Pflanzengesundheit haben.
Die übergeordneten strategischen Ziele unserer Initiative sind:
- die Rolle von exRNAs inder Zell-zu-Zell-Kommunikation und ihre Übertragungswege aufzuzeigen
- die Entwicklung neuer Strategien für den Pflanzenschutz zu ermöglichen
- Forschungskapazitäten in der exRNA-Biologie aufzubauen und die Ausbildung der nächsten Generation von Studierenden in diesem wichtigen Forschungsgebiet voranzutreiben.
(Quelle)
FOR 1735 - Structural Inference in Statistics: Adaptation and Efficiency
Sprecher:
Prof. Dr. Holger Drees
Fachbereich Mathematik, SPST
Universität Hamburg
Bundesstr. 55
20146 Hamburg
Email: drees@math.uni-hamburg.de( drees"AT"math.uni-hamburg.de)
Prof. Dr. Markus Reiß (Humboldt-Universität zu Berlin)
Förderzeitraum: 2012 - 2020
Aufgrund der zunehmenden Verfügbarkeit umfangreicher Datenmengen spielen statistische Verfahren sowohl in wissenschaftlichen als auch in praktischen Anwendungen eine immer wichtigere Rolle. Da jedoch realistische Modelle (z.B. wegen der hohen Dimension der Daten oder wegen vielschichtiger Abhängigkeiten) oft sehr komplex sind, ist die statistische Genauigkeit trotz des umfangreichen Datenmaterials in vielen Fällen unbefriedigend. Die Forschergruppe hat es sich zum Ziel gesetzt, neue Methoden zu entwickeln, um Strukturen, die in hochdimensionalen komplexen Daten vorhanden sind, gewinnbringend auszunutzen. Dabei wird der Begriff "Strukturen" in einem weiten Sinne verstanden und kann sich nicht nur auf die Größen beziehen, die durch die statistische Analyse untersucht werden sollen (wobei insbesondere an die Glattheit von Kurven oder "sparsity" oder niedrige Dimension von interessierenden Vektoren und Matrizen zu denken ist), sondern auch auf die Struktur der Daten selbst, die unbekannte Korrelationsmatrizen, hierarchische oder Multiskalen-Interaktionen, dynamische Systeme oder Regularitätseigenschaften eines Rauschens umfassen kann. Da üblicherweise die genaue Form der zugrunde liegenden Struktur unbekannt ist, sollen sich die statistischen Verfahren automatisch an die korrekte Struktur (innerhalb einer vorgegebenen Klasse) adaptieren und somit die Struktur (fast) ebenso effizient ausnutzen, als wenn diese genau bekannt wäre. Zugleich führen Erkenntnisse über die Struktur selbst zu einem vertieften Verständnis des die Daten erzeugenden Zufallsprozesses. Wenn beispielsweise ein niedrigdimensionales "Signal" von einem hochdimensionalen Rauschen überlagert wird, dann ermöglicht die Rekonstruktion des niedrigdimensionalen Unterraums nicht nur eine effiziente Schätzung des Signals, sondern sie gibt (ähnlich wie in der Faktoranalyse) wichtige Hinweise auf den die Daten erzeugenden Prozess. Es ist das Langfristziel der Forschergruppe, einen allgemeinen Zugang zur Konstruktion von statistischen Verfahren zu entwickeln, die automatisch simultan an verschiedene Strukturen adaptieren, die in den Daten vorhanden sind. Die resultierenden effizienten Methoden werden eine erhebliche Verbesserung der statistischen Analyse komplexer struktureller Modelle in vielfältigen Gebieten ermöglichen.(Quelle)
Beteiligungen an Forschungsgruppen
|
FOR |
Projekttitel |
Start |
FB |
PI |
|---|---|---|---|---|
| 5750 |
Optische Kontrolle der Quantenmaterie (OPTIMAL) |
2025 | Physik | |
| 5519 | Präzisions-Neutrinophysik mit JUNO | 2023 | Physik | |
| 5315 | Humusauflage: Funktionsweise, Dynamik und Vulnerabilität im Wandel (Universität Freiburg) -P8: Mykorrhizafunktionen in der organischen Auflage von Wäldern |
2022 | Bio | |
| 2820 | Volcanic plume evolution and injection profiles (VolPlume) | 2022 | Erdsystem | |
| 2990 | eROSITA - Studien zu Endstadien der Sterne (eRO-STEP) | 2021 | Physik | |
| 2975 | Algorithms, Dynamics, and Information Flow in Networks | 2020 | Inf | |
| 5116 | Kommunikation in der Wirtspflanzen-Mikroben-Interaktion durch exRNA: ein systemanalytischer Ansatz zur Erforschung der molekularen Mechanismen und der agronomischen Anwendung (Universität Gießen) | 2020 | Bio | |
| 2820 | Revisiting The Volcanic Impact on Atmosphere and Climate – Preparations for the Next Big Volcanic Eruption (Universität Greifswald) | 2019 | Erdsystem | |
| 2926 | Next Generation Perturbative QCD for Hadron Structure: Preparing for the Electron-Ion Collider (Universität Regensburg) | 2019 | Physik | |
| 2544 | Blaue Planeten bei Roten Sternen - das Forschungsprogramm des CARMENES Projekts (Georg-August-Universität Göttingen) | 2017 | Physik | Prof. Dr. Schmitt |
| 2414 | Artificial Gauge Fields and Interacting Topological Phases in Ultracold Atoms (Ludwig-Maximilians-Universität München) | 2016 | Physik | Prof. Dr. Sengstock |
| 2319 | Bestimmung der Neutrino-Massenhierarchie mit dem JUNO-Experiment (Rheinisch-Westfälische Technische Hochschule Aachen) | 2016 | Physik | Prof. Dr. Hagner |
| 2419 | Plasticity versus Stability - Molecular Mechanisms of Synaptic Strength (Universitätsklinikum Hamburg-Eppendorf) | 2015 | Chemie | Prof. Dr. Grünewald |
| 2285 | Trümmerscheiben in Planetensystemen (Friedrich-Schiller-Universität Jena) | 2015 | Physik | Prof. Dr. Hauschildt |
| 2131 | Datenassimilation in terrestrischen Systemen (Rheinische Friedrich-Wilhelms-Universität Bonn) | 2013 | Erdsystem | Prof. Dr. Ament |
| 1789 | Intermolekularer und Interatomarer Coulomb-Zerfall (Goethe-Universität Frankfurt am Main) | 2012 | Physik | Prof. Dr. Frühling |
Kürzlich abgelaufene Forschungsgruppen
FOR 1805 - Einfluss der Ribosomendynamik auf Regulation der Geschwindigkeit und Genauigkeit der Translation
Sprecher*in:
Prof. Dr. Zoya Ignatova
Universität Hamburg
Fachbereich Chemie
Institut für Biochemie und Molekularbiologie
Martin-Luther-King-Platz 6
20146 Hamburg
zoya.ignatova@uni-hamburg.de( zoya.ignatova"AT"uni-hamburg.de)
Co-Sprecher*innen:
Christian Spahn (Charité Berlin)
2. Förderperiode: Sommer 2015 - April 2020
1. Förderperiode: Sommer 2012 - Sommer 2015
Beteiligte Fachbereiche: Chemie
Ab Juli 2015 fördert die DFG die Forschergruppe FOR 1805: Einfluss der Ribosomendynamik auf Regulation der Geschwindigkeit und Genauigkeit der Translation in der 2. Förderperiode.
Der Fokus der Forschergruppe ist die Translation der genetischen Information. Das Forscherteam bündelt die wissenschaftliche Expertise von 11 Gruppen in Deutschland auf den Gebieten der Ribosomenfunktion und Proteintranslation, um folgende molekulare Details aufzudecken: (1) die Rolle verschiedenster Translationsfaktoren auf die metastabile Energielandschaft der translatierenden Ribosomen, (2) die Geschwindigkeit und Genauigkeit der Translation von Einzelcodons und ganzen Genen, (3) den Einfluss von externen Faktoren (Antibiotika, Umweltstressbedingungen) auf das Translationsverhalten und die Translationsprozessivität und (4) die Verbindung zwischen Translation und Proteinassemblierung und -funktion. Es wird eine Kombination interdisziplinärer Ansätze angewendet, einschließlich hochauflösender Strukturanalysen (Einzel- und Multipartikel-Cryo-Elektronenmikroskopie und Röntgenkristallstrukturanalyse), biophysikalischer (Kinetik, molekulare Dynamik, stochastische Modellierung) und biochemischer (quantitative Massenspektrometrie und neuartige Sequenzierungsansätze) Methoden. (Quelle)
FOR 1735 - Structural Inference in Statistics: Adaptation and Efficiency
Sprecher:
Prof. Dr. Holger Drees
Fachbereich Mathematik, SPST
Universität Hamburg
Bundesstr. 55
20146 Hamburg
Email: drees@math.uni-hamburg.de( drees"AT"math.uni-hamburg.de)
Prof. Dr. Markus Reiß (Humboldt-Universität zu Berlin)
Förderzeitraum: 2012 - 2020
Aufgrund der zunehmenden Verfügbarkeit umfangreicher Datenmengen spielen statistische Verfahren sowohl in wissenschaftlichen als auch in praktischen Anwendungen eine immer wichtigere Rolle. Da jedoch realistische Modelle (z.B. wegen der hohen Dimension der Daten oder wegen vielschichtiger Abhängigkeiten) oft sehr komplex sind, ist die statistische Genauigkeit trotz des umfangreichen Datenmaterials in vielen Fällen unbefriedigend. Die Forschergruppe hat es sich zum Ziel gesetzt, neue Methoden zu entwickeln, um Strukturen, die in hochdimensionalen komplexen Daten vorhanden sind, gewinnbringend auszunutzen. Dabei wird der Begriff "Strukturen" in einem weiten Sinne verstanden und kann sich nicht nur auf die Größen beziehen, die durch die statistische Analyse untersucht werden sollen (wobei insbesondere an die Glattheit von Kurven oder "sparsity" oder niedrige Dimension von interessierenden Vektoren und Matrizen zu denken ist), sondern auch auf die Struktur der Daten selbst, die unbekannte Korrelationsmatrizen, hierarchische oder Multiskalen-Interaktionen, dynamische Systeme oder Regularitätseigenschaften eines Rauschens umfassen kann. Da üblicherweise die genaue Form der zugrunde liegenden Struktur unbekannt ist, sollen sich die statistischen Verfahren automatisch an die korrekte Struktur (innerhalb einer vorgegebenen Klasse) adaptieren und somit die Struktur (fast) ebenso effizient ausnutzen, als wenn diese genau bekannt wäre. Zugleich führen Erkenntnisse über die Struktur selbst zu einem vertieften Verständnis des die Daten erzeugenden Zufallsprozesses. Wenn beispielsweise ein niedrigdimensionales "Signal" von einem hochdimensionalen Rauschen überlagert wird, dann ermöglicht die Rekonstruktion des niedrigdimensionalen Unterraums nicht nur eine effiziente Schätzung des Signals, sondern sie gibt (ähnlich wie in der Faktoranalyse) wichtige Hinweise auf den die Daten erzeugenden Prozess. Es ist das Langfristziel der Forschergruppe, einen allgemeinen Zugang zur Konstruktion von statistischen Verfahren zu entwickeln, die automatisch simultan an verschiedene Strukturen adaptieren, die in den Daten vorhanden sind. Die resultierenden effizienten Methoden werden eine erhebliche Verbesserung der statistischen Analyse komplexer struktureller Modelle in vielfältigen Gebieten ermöglichen.(Quelle)