Beskrivelse af idéen og markedspotentialet: Omics Studio er en innovativ bioinformatikplatform, der forenkler analysen af komplekse omics data. Platformen gør det muligt for forskere at udføre bioinformatik og maskinlæringsanalyser uden omfattende teknisk viden. Omics Studio tilbyder en unik løsning til tidlig opdagelse af biomarkører og lægemiddelmål. Forskellen idéen gør for samfundet: Omics Studio gør avancerede dataanalyser tilgængelige for almindelige forskere, hvilket øger effektiviteten og kvaliteten af præklinisk forskning. Dette hjælper med at reducere ressourceforbrug og bias i forskningen, hvilket fører til mere pålidelige resultater og hurtigere fremskridt inden for medicin og bioteknologi. Hvordan Innovationsfondens investering vil hjælpe: Innovationsfondens investering vil muliggøre videreudvikling og udbredelse af Omics Studio, hvilket vil accelerere adgang til markedet og støtte flere forskere i deres arbejde. Langsigtede muligheder for virksomheden: Med fortsat støtte og investering forventer vi, at Omics Studio vil blive en førende platform inden for omics dataanalyse, udvide til nye markeder og integrere flere datatyper. Vores vision er at blive den foretrukne løsning for forskere verden over, der søger at forvandle komplekse data til værdifulde indsigter.

En dybere forståelse og sammenhæng mellem bykvalitet, stedslæsning og et bredt aspekt af bæredygtighed er nødvendig for at danne et stærkere fundament for en bæredygtig omstilling af forskellige bytypologier. Dette er nødvendigt for at der kan tages de korrekte beslutninger med henblik på at sikre en lavere CO2 udledning, grønne mobilitet, styrket adfærd i forhold til et bredt aspekt af bæredygtighed samt klimatilpasning, ved udvikling og omdannelse af Aarhus Kommune som et samlet bysamfund.

Denne PhD er et samarbejde mellem ROCKWOOL og DTU Compute. Formålet med projektet er at udvikle både datadrevne og fysikbaserede samplingmetoder for at udvide kapaciteten af ML i produktion samt at etablere en værktøjskasse til regressionsbaseret online aktiv læring. Projektet vil inkorporere mekanistiske indsigter i ML, for at sandsynliggøre effektiv feature-reduktion med høj transparens. Der forventes en betydelig reduktion af energiforbrug, samt muliggørelse af fremtidig autonom produktion.