摘要：近年来光学、电子显微镜、生物探针等先进生物技术的进展极大的扩展了科学家们探索生物世界的广度与深度，随之而来的是海量、复杂而又蕴含丰富信息的生物大数据。如何充分利用这些数据，做出准确、全面、自动的量化，以实现数据驱动的、可突破先验假设的科学探索，是当前生物研究的一大挑战。 本报告将分享报告人近年来在应用和开发先进机器学习、人工智能技术去量化复杂生物时空数据这一方向上的一些努力与进展。报告将会分享（1）事件分解技术如何统一荧光显微动态成像中的空间与时间信息，（2）迭代、递进式的最小费用环路图模型如何使得生物目标的跟踪与胚胎谱系重构达到前所未有准确度，（3）数值优化技术如何量化电子显微镜中亚细胞结构的几何和其他生物学特征，（4）多层次统计模型如何克服Cut&Run数据中内含的异质性以准确识别Protein-DNA相互作用，（5）精妙的实验设计和机器学习技术如何结合起来共同构建一个虚拟的星形胶质细胞模型。

个人简介：于国强，清华大学自动化系长聘教授，清华大学麦戈文脑研究院研究员，教育部“长江学者”，国际期刊Neuron顾问委员会委员，BMC Bioinformatics和Bioinformatics Advances等国际期刊编辑，中国生物信息学学会（筹）生物医学影像信息学专委会主任。曾获得美国国家自然科学基金的青年成就奖（NSF CAREER Award），Neuron和BIBM等多家期刊会议最佳论文奖。研究方向为人工智能与生物医学问题交叉，特别是脑科学数据建模与分析。任职清华前，曾任美国弗吉尼亚理工大学（Virginia Tech）电子与计算机工程系终身教授。 美国NIH脑计划联盟和数据科学联盟核心成员，曾担任美国NIH和NSF资助的R01和U19系列等5项科研项目首席科学家。以第一作者或通讯作者在国际著名期刊Cell, Nature Neuroscience, Neuron, Cell Reports，Current Biology，IEEE PAMI, JMLR, Bioinformatics以及国际顶级学术会议NeurIPS，ICML等发表论文40多篇，以及在Science, Nature Medicine等其他杂志与学术会议发表文章60多篇。