01
Immunmetabolismus & Diabetes
Wie Immunzell- und Plasmaproteinprofile die metabolische Gesundheit abbilden — und ob sie Typ-2-Diabetes und ein erhöhtes Infektionsrisiko anzeigen, bevor die klinischen Diagnoseschwellen überschritten sind.
Biomedical AI Scientist · Computational Biologist · Research Software Engineer
Aus komplexen biomedizinischen Daten Modelle, die der Realität standhalten.
Promovierter Mathematiker an der Schnittstelle von maschinellem Lernen, Multi-Omics, Systemmedizin und mathematischer Biologie. Ich entwickle prädiktive Modelle auf klinischen und molekularen Daten im Biobank-Maßstab und baue die KI- und Forschungssoftware-Infrastruktur, die diese Analysen reproduzierbar und nutzbar macht.
400k+ ausgewertete Teilnehmende 9 begutachtete Publikationen h-Index 7 Promotion Mathematik
Über mich
Mathematischer Biologe und Systemmediziner, Dresden.
Quantitative Antworten auf Fragen, die in der Klinik entstehen
Meine Arbeit setzt dort an, wo aus einer biologischen oder klinischen Frage etwas Quantitatives werden muss. Manchmal heißt das, den Mechanismus aufzuschreiben und zu simulieren. Häufiger — in hochdimensionalen Biobank-Daten — heißt es, die Struktur aus den Daten zu lernen und anschließend unbequeme Fragen zu stellen: Hält das Ergebnis der Realität stand? Neuen Kohorten, fehlenden Werten, Confounding — und dem Unterschied zwischen einer guten AUC und einer Entscheidung, die eine Ärztin tatsächlich treffen würde?
Ich bin Postdoktorand am Universitätsklinikum Carl Gustav Carus Dresden und an der TU Dresden im Projekt Präzisionsmedizin und Molekulare Prävention (PräMo). Die leitende Frage: Lassen sich an Veränderungen des Immunsystems und der Blutproteine die frühen Anzeichen einer Stoffwechselerkrankung — insbesondere des Typ-2-Diabetes — erkennen, lange bevor eine klinische Diagnose gestellt wird? Ich arbeite mit der UK Biobank und hauseigenen Kohorten und nutze maschinelles Lernen, um immunologisch- metabolische Zusammenhänge über die Zeit nachzuvollziehen. Ich bin dem Deutschen Zentrum für Diabetesforschung (DZD) und dem Graduiertenkolleg IRTG 3019: MEDIS angegliedert.
Meine Promotion am Center for Interdisciplinary Digital Sciences ging der Frage nach, wann und wo ein Glioblastom zurückkehrt. Ich habe hybride In-silico-Modelle der Tumor-Makrophagen-Interaktion entwickelt und sie mit radiomischen Merkmalen aus der klinischen Bildgebung gekoppelt, um die Zeit bis zum Rezidiv vorherzusagen — und um herauszufinden, welche Biopsien überhaupt prädiktive Information tragen. Promotion in Mathematik, 2025, betreut von Prof. Axel Voigt und Prof. Haralampos Hatzikirou.
Das interessante Problem ist selten das Anpassen des Modells. Es ist die Frage, welche Teile der Antwort die Daten tragen — und welche man sich ausdenkt.
Forschungsschwerpunkte
Drei verbundene Stränge
Woran ich heute arbeite — und die mathematische Onkologie, aus der es entstanden ist.
02
KI & maschinelles Lernen
Prädiktive Modellierung über proteomische, metabolomische, bildgebende und klinische Ebenen hinweg — dazu die angewandte LLM- und Agenten-Infrastruktur, die Analysen in diesem Maßstab überhaupt handhabbar macht.
03
Mathematische Onkologie
Hybride und agentenbasierte Modelle der Gliom-Makrophagen-Interaktion, radiomikbasierte Rezidivvorhersage und In-silico-Studien an virtuellen Patientenkohorten.
KI
Modelle im Forschungsalltag — und die Werkzeuge darum herum.
Maschinelles Lernen, das einem klinischen Publikum standhält
Biomedizinische Daten sind klein, wo es darauf ankommt, riesig, wo es nicht darauf ankommt, und fast überall konfundiert. Der größte Teil des Werts steckt in dem, was gern übersprungen wird: Phänotypdefinitionen, Leakage, Kalibrierung — und dem Wissen, was ein Modell einem nicht sagen kann.
-
01
Prädiktive Modellierung im Biobank-Maßstab
Proteom- und Immunzell-Risikomodelle über mehrere hunderttausend Teilnehmende: Phänotypdefinition, FDR-kontrolliertes Screening über Tausende von Analyten, Zeit-bis-Ereignis-Modelle und Interpretation auf Signalweg-Ebene.
-
02
Bildgebung & Radiomik-KI
Merkmalspipelines aus MRT und Mikroskopie, die auch bei kleinen klinischen Kohorten tragen — darunter ein KI-Framework, das vorhersagt, wann Tumorsphäroide der Therapiekontrolle entkommen.
-
03
Hybride mechanistisch-lernende Modelle
Wo ein Mechanismus bekannt ist, wird er kodiert; wo nicht, wird er gelernt. Bayessche Inferenz und Surrogatmodelle für die daraus entstehenden inversen Probleme.
-
04
Forschungssoftware für klinische Daten
Eine Anwendung für die hauseigene Biobank der Perakakis-Gruppe, die deren Daten digitalisiert und die Handarbeit aus der Auswertung nimmt.
-
05
LLM- & Agenten-Engineering
Anbieterübergreifende Agenten-Orchestrierung, Tool-Server nach dem Model Context Protocol und automatisierte Literaturpipelines, die täglich recherchieren, zusammenfassen und veröffentlichen.
Kompetenzen
Was ich baue und löse
Derselbe Werkzeugkasten in zwei Umfeldern — Health-Tech-Produktarbeit und Forschungsfragen.
Health-Tech und Produktarbeit
Biomarker-Entdeckung und -Priorisierung, Risikomodelle, die kalibriert und nicht nur treffsicher sind, Validierungs- und Leakage-Audits sowie Analysepipelines, die auch in einem Jahr noch jemand anderes ausführen kann.
Forschungs- und klinische Fragestellungen
Eine klinische Fragestellung in ein bearbeitbares Modell übersetzen, Studiendesign und statistische Planung, mechanistische Modellierung nicht direkt messbarer Prozesse — und Methodenteile, an denen sich Gutachtende nicht festbeißen.
Ausgewählte Arbeiten
Ausgewählte Publikationen
-
Biopsy location and tumor-associated macrophages in predicting malignant glioma recurrence using an in-silico model
-
The impact of tumor-associated macrophages on tumor biology under the lens of mathematical modelling: a review
-
Effect of nanoparticle size, magnetic intensity, and tumor distance on the distribution of the magnetic nanoparticles in a heterogeneous tumor microenvironment
Kontakt
Sie haben Daten und eine Frage, die beantwortet werden muss?
Ich arbeite mit Forschungsgruppen, Kliniken, Health-Tech-Teams und Bioinformatik-Teams an der Schnittstelle von Biologie, Datenwissenschaft und personalisierter Medizin — von einer einstündigen Einschätzung eines Studiendesigns bis zur vollständigen Modellierungskooperation.
Details
- pejman.shojaee@tu-dresden.de
- ORCID
- 0000-0003-3298-3315
- Standort
- Dresden, Deutschland
- Sprachen
- Englisch (C1) · Deutsch (B2) · Persisch (Muttersprache)