Caroline Uhler (nascida em 1983) é uma estatística suíça que atua na área de aprendizado de máquina e aplicações em genômica. Sua pesquisa concentra-se no desenvolvimento de métodos de inferência causal para inferir relações regulatórias a partir de diferentes modalidades de dados, incluindo dados transcriptômicos, proteômicos e estruturais. Ela é Professora Titular no Departamento de Engenharia Elétrica e Ciência da Computação e no Instituto de Dados, Sistemas e Sociedade do Instituto de Tecnologia de Massachusetts. Além disso, é Membro Institucional Central no Broad Institute, onde dirige o Centro Eric e Wendy Schmidt.
Educação e carreira
Uhler nasceu na Suíça. Estudou matemática e biologia na Universidade de Zurique, obtendo um bacharelado em matemática em 2004, um segundo bacharelado em biologia e um mestrado em matemática em 2006. Permaneceu na universidade para obter uma licenciatura como professora de matemática do ensino médio em 2007, mas, em vez de se tornar professora, viajou para os EUA para realizar estudos de pós-graduação na Universidade da Califórnia, Berkeley. Lá, obteve tanto um doutorado em estatística quanto um diploma em gestão de tecnologia pela Haas School of Business em 2011. Sua tese de doutorado, "Geometry of maximum likelihood estimation", "Gaussian graphical models", foi orientada por Bernd Sturmfels, um geômetra algébrico e estatístico algébrico.
Uhler tornou-se professora assistente no Instituto de Ciência e Tecnologia da Áustria em 2012, após um breve pós-doutorado no Instituto de Matemática e suas Aplicações da Universidade de Minnesota, bem como na ETH Zurique. Mudou-se para o Instituto de Tecnologia de Massachusetts em 2015 como Professora Assistente Henry L. e Grace Doherty, foi promovida a professora associada em 2018 e a professora titular em 2022. Desde 2022, também é Membro Institucional Central no Broad Institute, onde dirige o Centro Eric e Wendy Schmidt.
Contribuições de pesquisa
O trabalho de Uhler situa-se na interseção de inteligência artificial, estatística e biologia. Ela desenvolve estruturas matemáticas para inferência causal que ajudam a decifrar redes regulatórias a partir de medições biológicas de alta dimensão, como dados de expressão gênica de células individuais ou perfis proteômicos. Seu grupo contribuiu com algoritmos que combinam ideias de modelos gráficos e otimização convexa para reconstruir interações regulatórias de genes, frequentemente integrando múltiplas modalidades de dados para melhorar a robustez.
Uma vertente de sua pesquisa envolve a geometria de modelos gráficos gaussianos, estendendo resultados conceituais da estatística algébrica para ferramentas práticas de inferência. Outra área significativa é o desenvolvimento de métodos interpretáveis de aprendizado de máquina que possam lidar com dados genômicos em larga escala, visando preencher lacunas entre garantias estatísticas e observações ruidosas do mundo real. Esses esforços moldaram o trabalho de seus alunos em técnicas de aumento de dados e procedimentos robustos.
Reconhecimento
Uhler recebeu múltiplas honrarias de carreira. Em 2014, tornou-se membro eleito do Instituto Internacional de Estatística. Em 2015, ganhou o Start-Preis do Fundo Austríaco de Ciência e o Prêmio Sofia Kovalevskaja da Fundação Alexander von Humboldt, recusando este último financiamento para mudar-se para o MIT. Em 2017, recebeu o Prêmio CAREER da NSF e a Bolsa de Pesquisa Sloan. Em 2019, foi nomeada Investigadora Simons em Modelagem Matemática de Sistemas Vivos, reconhecendo seus caminhos na biomatemática. Em 2022, conquistou o Prêmio New Innovator do Diretor do NIH. Em 2023, foi eleita Fellow da Sociedade de Matemática Industrial e Aplicada (SIAM).
Publicações selecionadas e impacto
Ao longo de sua carreira, Uhler publicou em veículos que abrangem periódicos de estatística, aprendizado de máquina e biologia computacional. Suas teses e trabalhos atraíram citações não apenas da estatística, mas também de profissionais que utilizam modelos de aprendizado profundo para genômica. Os algoritmos desenvolvidos por seu laboratório são frequentemente usados por pesquisadores que investigam mecanismos de doenças, incluindo aqueles na medicina de precisão. Ela também contribuiu para o pipeline educacional da área ao orientar jovens pesquisadores que seguiram para posições acadêmicas ou indústrias científicas.
Links externos
- Página inicial
- Publicações de Caroline HI indexadas pelo Google Scholar