PhD-Position in datengetriebener Bewertung der Translation von Tier- zu Humanstudien für eine effiziente und ethische Arzneimittelentwicklung 100 %

Abteilung für Klinische Forschung
Bevorzugter Starttermin so bald wie möglich, aber verhandelbar (spätestens Frühjahr 2026).
Die Medizinische Fakultät der Universität Bern ist ein Umfeld für hochwertige, zukunftsorientierte Forschung. Starke Verbindungen zwischen Grundlagenforschung, Ingenieurwissenschaften und Universitätskliniken ermöglichen ein einzigartiges Setting für translationale und patientenzentrierte klinische Forschung. Die Fakultät legt Wert auf interdisziplinäre Forschung und Digitalisierung und fördert Innovationen in der medizinischen Wissenschaft. Sie ist eine der größten medizinischen Fakultäten der Schweiz und ist mit dem größten Krankenhauskomplex des Landes verbunden.

Die Abteilung für Klinische Forschung (DCR) ist eine gemeinsame Initiative der Medizinischen Fakultät der Universität Bern und ihrer Universitätskliniken, einschließlich Inselspital und der Universitären Psychiatrischen Dienste (UPD). Sie unterstützt und professionalisiert klinische und translationale Forschungskooperationen.

Unsere spezialisierten Abteilungen unterstützen Forschende während des gesamten Forschungsprozesses, von der Projektidee bis zur Ergebnisverbreitung. Wir bieten maßgeschneiderte Bildungsprogramme und Veranstaltungen zu allen Aspekten der klinischen Forschung an und befähigen Forschende und Studierende, effiziente und wirkungsvolle Studien durchzuführen. Unsere Mission priorisiert patientenzentrierte Forschung, wobei die Perspektiven der Patienten integraler Bestandteil unserer Arbeit sind.

Die Medical Data Science Gruppe, geleitet von Assistenzprofessor Benjamin Ineichen, einem Arzt mit PhD in Neurowissenschaften/Pharmakologie, ist Teil des DCR an der Universität Bern. Die Gruppe, bekannt als STRIDE-Lab (https://stride-lab.pages.uzh.ch/website/ ), ist ein multidisziplinäres Team mit Expertise in Medizin, Neurowissenschaften, Statistik und Informatik. Sie konzentriert sich darauf, die Lücke zwischen präklinischer und klinischer Forschung sowie letztlich der Arzneimittelzulassung zu überbrücken, um die Therapieentwicklung für menschliche Krankheiten voranzutreiben, mit Schwerpunkt auf Neurowissenschaften. Mithilfe von Evidenzsynthese und Data Science zielt das Labor darauf ab, das Wohlbefinden von Versuchstieren zu verbessern und gleichzeitig zu besseren Patientenbehandlungen beizutragen.

Die Entwicklung von Medikamenten für klinische Anwendungen ist herausfordernd, da nur etwa 5 % der Therapien eine behördliche Zulassung erhalten (Ineichen et al., PLoS Biology, 2024) . Während einige Misserfolge auf die Komplexität innovativer Therapien zurückzuführen sind, resultieren andere aus anpassbaren Faktoren in der Arzneimittelprüfung, wie z. B. Ergebnisparameter, Studiendauer und Modellauswahl (Berg et al., eBiomedicine, 2024) . Die Auswirkungen dieser Faktoren sind in einzelnen Studien schwer zu beurteilen, können jedoch durch groß angelegte Analysen klinischer Studiendaten aufgedeckt werden (Ineichen et al., Nature Reviews, 2024).

Unser Ansatz kombiniert Expertise in Medizin, Evidenzsynthese und Natural Language Processing (NLP) (Doneva et al., EMNLP, 2024) mit Berns umfangreicher klinischer Studienlandschaft und moderner Data-Science-Infrastruktur. Ziel ist es, die Schlüsselfaktoren für erfolgreiche Arzneimittelzulassungen zu identifizieren und dieses Wissen zur Optimierung des Studiendesigns zu nutzen. Dies soll durch die Entwicklung von TrialSim erreicht werden, einer digitalen Plattform, die Deep Learning integriert, um groß angelegte Tier- und Patientendaten aus Arzneimittelstudien zu kuratieren, zu integrieren und zu analysieren.
Ihr Promotionsprojekt wird den präklinischen Arm von TrialSim etablieren, indem Millionen von Tierversuchen mit entsprechenden Humanstudien verknüpft werden. Unsere Gruppe hat bereits eine solche Pipeline für Neurowissenschaften aufgebaut; Ihre Aufgabe ist es, diese zu verfeinern und auf weitere medizinische Bereiche auszuweiten. Ein wichtiger Teilbereich wird sich auf Tiermodelle psychiatrischer Erkrankungen wie Depression und Schizophrenie konzentrieren: Untersuchung, welche Ergebnisparameter verwendet werden und wie gut sie menschliche Ergebnisse vorhersagen. Ziel ist es, empirisch zu bestimmen, welche Tierergebnisse die erfolgreiche Translation am besten vorhersagen, um Tierversuche ethischer zu gestalten.

Das Projekt umfasst drei Komponenten:

1. Systematische Übersichtsarbeit – Kartierung der in Tier- und klinischen Arzneimittelstudien häufig verwendeten Ergebnisparameter durch eine vollständige systematische Übersichtsarbeit als Evidenzbasis für nachfolgende Analysen.
2. Pipeline-Entwicklung – Verfeinerung und Erweiterung einer bestehenden Datenpipeline, die Informationen aus Literaturdatenbanken abruft, klassifiziert, extrahiert und aggregiert, mit Echtzeit-Visualisierung in Webanwendungen.
3. Datengetriebene Analyse – Nutzung des kuratierten Datensatzes zur Identifikation von Tierergebnissen, die die erfolgreiche Translation zum Menschen am besten vorhersagen.

Das Projekt ist vollständig datengetrieben; es werden keine Tier- oder Humanstudien durchgeführt. Die Ergebnisse tragen zu effizienterer und ethisch optimierter Tierforschung bei, indem sie aufzeigen, wo Tierversuche am dringendsten benötigt werden, und Forschungsverschwendung reduzieren.

Während Ihrer Promotion erwerben Sie Expertise in systematischer Übersichtsarbeit, Datenengineering für groß angelegte Text- und Metadatenpipelines, großen Sprachmodellen und anderen NLP-Methoden (einschließlich agentischer LLMs) sowie wissenschaftlichem Schreiben. Das Projekt kann Forschungsaufenthalte bei führenden Gruppen in den USA und Großbritannien umfassen. Sie werden in ein strukturiertes Promotionsprogramm (Graduate School) eingeschrieben. Beiträge zu Lehre und Publikationen sind willkommen.

Wir suchen Kandidaten mit großer Begeisterung für dieses Projekt, einschließlich Interesse an Tierschutz, klinischen Studien und Data Science, die gerne interdisziplinär an der Schnittstelle von Medizin und Informatik arbeiten.

Erforderliche akademische Qualifikationen:

• Masterabschluss in Informatik, medizinischer Datenwissenschaft, Gesundheitsinformatik, Statistik, Mathematik, Softwaretechnik oder einem verwandten Fachgebiet.

Erforderliche technische Qualifikationen:

• Expertise in Python-Programmierung und maschinellem Lernen, einschließlich MLOps, MLflow und/oder Docker.
• Erfahrung im Datenengineering und Aufbau von Datenpipelines.
• Kenntnisse im Umgang mit Gesundheitsdaten wie Human- oder Tierdaten.

Wünschenswert: Erfahrung mit Transformer-Modellen (z. B. BERT) oder generativen LLMs zur Datenkuratierung und -extraktion.
Zusätzlich erforderliche Soft Skills:

• Ausgezeichnete Organisations- und Planungskompetenzen.
• Starker Teamgeist: Es ist uns sehr wichtig, dass Sie gut in unser Team passen.

• Sinnvolle Arbeit mit dem Ziel, das Tierwohl und die Patientenversorgung zu verbessern und die Behandlung neurologischer (und anderer) Erkrankungen voranzubringen.
• Ein multidisziplinäres Team mit Expertise in Medizin, Neurowissenschaften, Statistik und Informatik.
• Flexible Arbeitszeiten.
• Möglichkeiten für Erst- und Co-Autorenschaften bei peer-reviewed wissenschaftlichen Artikeln, wann immer möglich.
• Zugang zu einer dynamischen Machine-Learning-Community an der Universität Bern mit starkem Fokus auf Digitalisierung ( siehe Digitalisierungsstrategie ).
• Zusammenarbeit innerhalb der größten medizinischen Fakultät und des Krankenhauskomplexes der Schweiz mit umfangreichen Vernetzungsmöglichkeiten; aber auch internationale Kooperationen.

Prof. Benjamin Ineichen Benjamin.ineichen@unibe.ch

Senden Sie Ihre Bewerbung oder Fragen bis zum 12. Dezember 2025 an: hr.dcr@unibe.ch
Erforderliche Bewerbungsunterlagen:

• Motivationsschreiben, in dem Sie Ihr Interesse an diesem speziellen Projekt und Umfeld erläutern
• Lebenslauf, einschließlich Publikationen
• Akademisches Zeugnis/Notenübersicht

Hinweis: Es werden nur vollständige Bewerbungen berücksichtigt. Vielversprechende Kandidaten werden zu einem Vorstellungsgespräch eingeladen.