Caroline Uhler (nacida en 1983) es una estadística suiza que trabaja en el campo del aprendizaje automático y sus aplicaciones en genómica. Su investigación se centra en desarrollar métodos para la inferencia causal con el fin de deducir relaciones regulatorias a partir de diferentes modalidades de datos, incluidos datos transcriptómicos, proteómicos y estructurales. Es profesora titular en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación y en el Instituto de Datos, Sistemas y Sociedad del Instituto Tecnológico de Massachusetts. Además, es miembro principal del Instituto Broad, donde dirige el Centro Eric y Wendy Schmidt.
Educación y carrera
Uhler nació en Suiza. Estudió matemáticas y biología en la Universidad de Zúrich, obteniendo una licenciatura en matemáticas en 2004, una segunda licenciatura en biología y una maestría en matemáticas en 2006. Permaneció en la universidad para obtener una credencial como profesora de matemáticas de secundaria en 2007, pero en lugar de convertirse en docente, viajó a los Estados Unidos para realizar estudios de posgrado en la Universidad de California, Berkeley. Allí obtuvo tanto un doctorado en estadística como un título en gestión de tecnología de la Escuela de Negocios Haas en 2011. Su tesis doctoral, "Geometría de la estimación de máxima verosimilitud", "Modelos gráficos gaussianos", fue supervisada por Bernd Sturmfels, un geómetra algebraico y estadístico algebraico.
Uhler se convirtió en profesora asistente en el Instituto de Ciencia y Tecnología de Austria en 2012, después de un breve posdoctorado en el Instituto de Matemáticas y sus Aplicaciones de la Universidad de Minnesota, así como en la ETH de Zúrich. Se trasladó al Instituto Tecnológico de Massachusetts en 2015 como profesora asistente Henry L. y Grace Doherty, fue promovida a profesora asociada en 2018 y a profesora titular en 2022. Desde 2022, también es miembro principal del Instituto Broad, donde dirige el Centro Eric y Wendy Schmidt.
Contribuciones a la investigación
El trabajo de Uhler se sitúa en la intersección de la inteligencia artificial, la estadística y la biología. Desarrolla marcos matemáticos para la inferencia causal que ayudan a descifrar redes regulatorias a partir de mediciones biológicas de alta dimensión, como datos de expresión génica de células individuales o perfiles proteómicos. Su grupo ha contribuido con algoritmos que combinan ideas de modelos gráficos y optimización convexa para reconstruir interacciones regulatorias de genes, a menudo integrando múltiples modalidades de datos para mejorar la robustez.
Una vertiente de su investigación involucra la geometría de los modelos gráficos gaussianos, extendiendo resultados conceptuales de la estadística algebraica a herramientas prácticas para la inferencia. Otra área significativa es el desarrollo de métodos de aprendizaje automático interpretables que puedan manejar datos genómicos a gran escala, con el objetivo de cerrar las brechas entre las garantías estadísticas y las observaciones ruidosas del mundo real. Estos esfuerzos han moldeado el trabajo de sus estudiantes en técnicas de aumento de datos y procedimientos robustos.
Reconocimiento
Uhler ha recibido múltiples honores profesionales. En 2014, se convirtió en miembro electo del Instituto Internacional de Estadística. En 2015, ganó el Premio Start del Fondo Austriaco de Ciencias y el Premio Sofia Kovalevskaja de la Fundación Alexander von Humboldt, rechazando esta última financiación para mudarse al MIT. En 2017, recibió el Premio CAREER de la NSF y la Beca de Investigación Sloan. En 2019, fue nombrada Investigadora Simons en Modelado Matemático de Sistemas Vivos, reconociendo sus trayectorias en biomatemáticas. En 2022, obtuvo el Premio del Director de Nuevos Innovadores de los NIH. En 2023, fue elegida miembro de la Sociedad de Matemáticas Industriales y Aplicadas (SIAM).
Publicaciones seleccionadas e impacto
A lo largo de su carrera, Uhler ha publicado en revistas que abarcan desde estadística, aprendizaje automático y biología computacional. Sus tesis y trabajos han atraído citas no solo de la estadística, sino también de profesionales que utilizan modelos de aprendizaje profundo para la genómica. Los algoritmos desarrollados por su laboratorio son frecuentemente utilizados por investigadores que investigan mecanismos de enfermedades, incluidos aquellos en medicina de precisión. También ha contribuido al pipeline educativo del campo al asesorar a jóvenes investigadores que han pasado a ocupar puestos académicos o en industrias científicas.
Enlaces externos
- Página de inicio
- Publicaciones de Caroline HI indexadas por Google HScholar