Caroline Uhler (geboren 1983) ist eine Schweizer Statistikerin, die auf dem Gebiet des maschinellen Lernens und dessen Anwendungen in der Genomik arbeitet. Ihre Forschung konzentriert sich auf die Entwicklung von Methoden zur kausalen Inferenz, um regulatorische Beziehungen aus verschiedenen Datenmodalitäten, einschließlich transkriptomischer, proteomischer und struktureller Daten, abzuleiten. Sie ist ordentliche Professorin in der Abteilung für Elektrotechnik und Informatik sowie am Institut für Daten, Systeme und Gesellschaft am Massachusetts Institute of Technology. Darüber hinaus ist sie Core Institute Member am Broad Institute, wo sie das Eric and Wendy Schmidt Center leitet.
Ausbildung und Karriere
Uhler wurde in der Schweiz geboren. Sie studierte Mathematik und Biologie an der Universität Zürich und erwarb 2004 einen Bachelor-Abschluss in Mathematik, 2006 einen zweiten Bachelor-Abschluss in Biologie sowie einen Master-Abschluss in Mathematik. Sie blieb an der Universität, um 2007 ein Lehrdiplom für Mathematik an Gymnasien zu erwerben, reiste jedoch statt Lehrerin zu werden für ihre Graduiertenausbildung in die USA an die University of California, Berkeley. Dort erwarb sie 2011 sowohl einen Ph.D. in Statistik als auch einen Abschluss in Technologiemanagement von der Haas School of Business. Ihre Doktorarbeit mit dem Titel „Geometry of maximum likelihood estimation“, „Gaussian graphical models“, wurde von Bernd Sturmfels, einem algebraischen Geometer und algebraischen Statistiker, betreut.
Uhler wurde 2012 nach einem kurzen Postdoc am Institute for Mathematics and its Applications an der University of Minnesota sowie an der ETH Zürich Assistenzprofessorin am Institute of Science and Technology Austria. Sie wechselte 2015 als Henry L. and Grace Doherty Assistant Professor an das Massachusetts Institute of Technology, wurde 2018 zur außerordentlichen Professorin und 2022 zur ordentlichen Professorin befördert. Seit 2022 ist sie außerdem Core Institute Member am Broad Institute, wo sie das Eric and Wendy Schmidt Center leitet.
Forschungsbeiträge
Uhlers Arbeit liegt an der Schnittstelle von künstlicher Intelligenz, Statistik und Biologie. Sie entwickelt mathematische Rahmenwerke für die kausale Inferenz, die helfen, regulatorische Netzwerke aus hochdimensionalen biologischen Messungen, wie Genexpressionsdaten einzelner Zellen oder proteomischen Profilen, zu entschlüsseln. Ihre Gruppe hat Algorithmen beigetragen, die Ideen aus grafischen Modellen und konvexer Optimierung kombinieren, um genregulatorische Interaktionen zu rekonstruieren, wobei oft mehrere Datenmodalitäten integriert werden, um die Robustheit zu verbessern.
Ein Strang ihrer Forschung befasst sich mit der Geometrie Gaußscher grafischer Modelle und erweitert konzeptionelle Ergebnisse aus der algebraischen Statistik zu praktischen Werkzeugen für die Inferenz. Ein weiteres bedeutendes Gebiet ist die Entwicklung interpretierbarer Methoden des maschinellen Lernens, die groß angelegte Genomikdaten verarbeiten können, mit dem Ziel, Lücken zwischen statistischen Garantien und realen verrauschten Beobachtungen zu schließen. Diese Bemühungen haben die Arbeiten ihrer Studierenden zu Datenanreicherungstechniken und robusten Verfahren geprägt.
Anerkennung
Uhler hat mehrere Karriereauszeichnungen erhalten. 2014 wurde sie zum gewählten Mitglied des International Statistical Institute. 2015 gewann sie den Start-Preis des österreichischen Wissenschaftsfonds und den Sofia-Kovalevskaja-Preis der Alexander-von-Humboldt-Stiftung, wobei sie die letztgenannte Förderung ablehnte, um zum MIT zu wechseln. 2017 erhielt sie den NSF CAREER Award und das Sloan Research Fellowship. 2019 wurde sie zur Simons Investigator in Mathematical Modeling of Living Systems ernannt, was ihre Wege in der Biomathematik anerkennt. 2022 erhielt sie den NIH Director's New Innovator Award. 2023 wurde sie zum Fellow der Society for Industrial and Applied Mathematics (SIAM) gewählt.
Ausgewählte Veröffentlichungen und Wirkung
Im Laufe ihrer Karriere hat Uhler in Zeitschriften aus den Bereichen Statistik, maschinelles Lernen und Computerbiologie veröffentlicht. Ihre Thesen und Arbeiten zogen Zitate nicht nur aus der Statistik an, sondern auch von Praktikern, die Deep-Learning-Modelle für die Genomik verwenden. Die von ihrem Labor entwickelten Algorithmen werden häufig von Forschern verwendet, die Krankheitsmechanismen untersuchen, einschließlich solcher in der Präzisionsmedizin. Sie hat auch zur Bildungsförderung des Fachgebiets beigetragen, indem sie junge Forscher betreut hat, die anschließend akademische Positionen oder Positionen in der Wissenschaftsindustrie übernommen haben.
Externe Links
- Homepage
- Caroline HI Veröffentlichungen, indexiert von Google Scholar