Wilco

Bouwde een volledige machine learning-pipeline om bacteriesoorten te classificeren uit nanomotion-signalen: exploratie van ruwe meetreeksen, feature-extractie met autoencoders, en classificatie met multi-instance learning en attention-aggregatie. Diagnosticeerde de bottlenecks in feature-extractie en aggregatie die de classificatieprestaties limiteerden, en gebruikte die inzichten om de aanpak bij te sturen. Werkt samen met onderzoekers om het biologische signaal en het modelgedrag te interpreteren. Documenteerde alle workflows voor reproduceerbaarheid.

Ontwikkelde een volledige onderzoekspipeline om ruimtelijke tumor-immuuninteracties op celniveau te kwantificeren in patiënt-afgeleid oesofagusadenocarcinoom. Kweekte tumor- en immuuncellen samen in co-cultures en maakte hun interacties zichtbaar met fluorofor-labeling en fluorescentiemicroscopie. Sorteerde de interactie-gedefinieerde celpopulaties met fotoactivatie en FACS voor vervolganalyse. Analyseerde en kwantificeerde de ruimtelijke interacties per cel met zelfgebouwde beeldanalyse-workflows. Werkte samen met biologen, optici en image-analisten in een multidisciplinair team, en documenteerde alles voor reproduceerbaarheid.

Ontwikkelde en valideerde een deep learning-pipeline (U-Net/CNN) voor de automatische segmentatie van lytische granula in natuurlijke killercellen, op basis van 3D volumetry-electronenmicroscopie (SEM). Bereidde de trainingsdata voor, ontwerpde de data-augmentatie, en trainde en tuneerde het model in eigen beheer. Toetste de segmentatieprestaties tegen handmatige annotaties en op ongeziene data, om te bepalen hoe betrouwbaar de resultaten waren. Documenteerde de volledige workflow, van datapreparatie tot validatie, zodat de pipeline reproduceerbaar is.