Kutatási terület az MI-n belül (alapkutatás, vagy alkalmazás): Fő kutatási érdeklődésem a nagy léptékű adat és tudás fúziója az élettudományokban. Kifejlesztettem egy bayesi rendszerszemléletű módszert az oksági és összefüggések többszintű vizsgálatára. Kernel módszereken és szemantikus technológiákon alapuló módszereket fejlesztettünk ki az újrapozícionálás támogatására a gyógyszerkutatásban. Aktív tanulás és több módszer együttesén alapuló módszereket fejlesztettünk ki genetikai mérésekre a precíziós medicina területén. Jelenleg a módszereink kiterjesztésére fókuszálunk több partnernél lévő horizontálisan és vertikálisan elosztott adatok és tudás fúziójának a támogatására.
RG-IPI-2019-TP13/017 (Richter): „Deep Priors For Drugs (De novo hatóanyagjelölt generálás nagy mennyiségű bioaktivitási információkat felhasználó mély megerősítéses tanulással”, 2 év: 2020-202, PI
MELLODDY project, H2020/IMI2, G.A.No.: 831472 — MELLODDY, title: MachinE Learning Ledger Orchestration for Drug DiscoverY, 2019-202, tanszéki vezető
2015-2018, OTKA 112915, Decision Support and Intelligent Automation of Next-Generation Sequencing Workflows, collaborator, PI: Ákos Jobbágy
2016-2020, OTKA 119866, Bayesian, systems-based methods for analyzing large health data sets, principal investigator, PI: Péter Antal
2017-2019, Central Europe Leuven Strategic Alliance (CELSA): HIDUCTION: Privacy preserving data and knowledge fusion in personalized biomedicine, PI: Yves Moreau (K.U.Leuven)
2012-2014, TÁMOP-4.1.2.A/1-11/1-2011-0079, Active learning in biotechnology and bioinformatics, tanszéki vezető
2008-2011, OTKA PD 76348, Bayesian methods for the generalized feature subset selection problem and their biomedical applications, PI