PhD Position (all genders) in Computational Biology and Deep Learning for Spatial Omics

Über UKE

Besser zusammen. Fürs Leben.
Am Universitätsklinikum Hamburg-Eppendorf (UKE) engagieren wir uns für Exzellenz in Forschung, Lehre und umfassender Gesundheitsversorgung in unseren Kliniken. Jeden Tag arbeitet unser Team von rund 17.000 engagierten Mitarbeitenden daran, die Welt zu einem gesünderen Ort zu machen. Unser Ziel ist es, eines der führenden Universitätsklinika und gleichzeitig der beste Arbeitgeber unserer Branche zu sein.
Am UKE glauben wir, dass sinnvolle und erfolgreiche Arbeit mit den persönlichen Bedürfnissen und individuellen Lebensstilen unserer Mitarbeitenden in Einklang stehen sollte. So vielfältig diese Bedürfnisse sind, so vielfältig sind auch die personalisierten Lösungen, die wir anbieten.
Willkommen am UKE.

Wir leben Vielfalt und schätzen Abwechslung
Wir bieten ein Arbeitsumfeld, das Chancengleichheit unabhängig von Alter, Geschlecht, Identität, Behinderung, ethnischer und sozialer Herkunft oder Religion gewährleistet. Dies wird durch unseren Beitritt zur Charta der Vielfalt bestätigt. Wir streben ausdrücklich an, den Anteil von Frauen in Führungspositionen, insbesondere unter dem wissenschaftlichen Personal in Forschung und Lehre, zu erhöhen. Frauen mit gleicher Qualifikation werden bevorzugt berücksichtigt. Gleiches gilt im Falle einer Unterrepräsentation eines Geschlechts im ausgeschriebenen Bereich. Schwerbehinderte Personen werden bei gleicher Eignung, Befähigung und fachlicher Leistung bevorzugt berücksichtigt.

Rahmenbedingungen

Job-ID: J000006979
Art der Anstellung: Befristet
Arbeitszeit: Teilzeit
Bewerben bis: 06.10.2026
Unternehmensteil: UKE_Zentrum für Molekulare Neurobiologie (ZMNH)
Tätigkeitsbereich: Forschung & Wissenschaft
Bereich: Institut für Medizinische Systembioinformatik

Diese Position ist auf 36 Monate befristet, umfasst 65% der regulären wöchentlichen Arbeitszeit und ist zum 1. Januar 2027 (oder zum frühestmöglichen Zeitpunkt) zu besetzen.

Aufgaben

Hauptaufgaben

Wir sind ein neu gefördertes Nachwuchsforschungskonsortium (BMFTR-Programm "Zukunft eHealth") von Computational Scientists, Pathologen und Nephrologen am UKE Hamburg und dem Universitätsklinikum RWTH Aachen, mit einem Partner an der Universitas Mercatorum, Rom. Unser Ziel ist es, räumliche Transkriptomik, digitale Histopathologie und klinische Daten zu nutzen, um die molekulare Basis glomerulärer Nierenerkrankungen zu verstehen.
Die Position wird gemeinsam von Dr. Robin Khatri und Dr. Lucia Testa geleitet. Robin Khatri entwickelt computergestützte Methoden für Einzelzell- und räumliche Omics und deren Anwendung auf immunvermittelte Nierenerkrankungen, mit aktuellen Arbeiten, die in Genome Biology (2024), Nucleic Acids Research (2026) und Bioinformatics (2025) veröffentlicht wurden, und, zusammen mit klinischen Kollaborateuren, in Nature Immunology (2025), Nature Medicine (2024), Nature Communications (2024) und Cell Reports (2026). Lucia Testa arbeitet an geometrischem und topologischem Deep Learning, einschließlich neuronaler Netze auf simplizialen und Zellkomplexen, mit Beiträgen in IEEE Transactions on Signal and Information Processing over Networks (2024), der International Joint Conference on Neural Networks (2023), der ICML Topological Deep Learning Challenge (PMLR, 2023) und Scientific Data (2026).
Das Konsortium ist im Institut für Medizinische Systembioinformatik (Direktor: Prof. Dr. Stefan Bonn) und dem Hamburg Center for Translational Immunology angesiedelt, mit Zugang zu klinischer Expertise in der Nephrologie und zur bAIome Hochleistungsrecheninfrastruktur. Der Doktorand wird in Hamburg ansässig sein, mit regelmäßigen gemeinsamen Treffen mit der Partnergruppe in Aachen.

Ihre Aufgaben

Sie werden computergestützte und maschinelle Lernmethoden entwickeln, um räumliche Transkriptomikdaten unterschiedlicher Auflösungen und Technologien zu analysieren und zu integrieren, die Gewebeorganisation zu charakterisieren und datengestützte molekulare Heterogenität von Nierenerkrankungen abzuleiten und diese mit klinischen Messungen in Beziehung zu setzen. Je nach Ihrem Hintergrund und Ihren Interessen wird der Schwerpunkt Ihres Projekts entweder auf der Integration und Analyse räumlicher Omics-Daten oder auf Deep-Learning-Methoden liegen, die die höherrangige Struktur des Gewebes nutzen, wobei die beiden Projekte eng miteinander verbunden sind. Die Methoden werden als Open-Source-Software veröffentlicht, auf eine gut charakterisierte Kohorte menschlicher Nierenbiopsien angewendet und gemeinsam mit unseren Partnern evaluiert. Sie werden Ihre Ergebnisse auf internationalen Konferenzen präsentieren und in Fachzeitschriften veröffentlichen.

Profil

• Master-Abschluss (oder gleichwertig) in Bioinformatik, Informatik, Computerbiologie, Physik, Mathematik, Statistik oder einem verwandten quantitativen Bereich
• Starke Programmierkenntnisse in Python und Erfahrung mit dem wissenschaftlichen Python-Ökosystem; Erfahrung mit Deep-Learning-Frameworks (PyTorch oder ähnlich) ist erforderlich
• Solide Grundlagen in Statistik und maschinellem Lernen sowie Interesse an geometrischem oder topologischem Deep Learning, Graphen-neuronalen Netzen oder verwandten Methoden
• Erfahrung mit Einzelzell- oder räumlichen Transkriptomikdaten oder mit computergestützter Pathologie ist von Vorteil, aber keine Voraussetzung
• Interesse an biomedizinischen Fragestellungen und die Bereitschaft zur engen Zusammenarbeit mit Klinikern und experimentellen Wissenschaftlern
• Gutes schriftliches und mündliches Englisch; Deutsch ist nicht erforderlich
• Selbstständige, sorgfältige und kollaborative Arbeitsweise

Immunitätsstatus

Eine Einstellung ist nur möglich, wenn nach den jeweils geltenden (gesetzlichen und medizinischen) Vorgaben gegen das Masernvirus ein vollständiger Immunisierungs- bzw. Immunitätsnachweis vorliegt. Dies ist vor Beschäftigungsbeginn durch entsprechende Unterlagen (z.B. Impfausweis) nachzuweisen.

Wir bieten

• Eine voll finanzierte PhD-Position in einem neu gegründeten, BMFTR-geförderten Nachwuchskonsortium mit einem klar definierten Forschungsprogramm und dedizierten Ressourcen für Reisen und Konferenzen
• Arbeit an modernsten KI-Methoden mit direkter klinischer Relevanz
• Zugang zu großen multimodalen biomedizinischen Datensätzen und moderner GPU-Infrastruktur
• Enge Zusammenarbeit mit Klinikern, Biologen und KI-Forschern in einem hochgradig interdisziplinären Umfeld
• Möglichkeit zur Veröffentlichung in führenden internationalen wissenschaftlichen Fachzeitschriften und auf Konferenzen
• Strukturierte Doktorandenausbildung durch die UKE-Graduiertenprogramme
• Faire und transparente Vergütung gemäß unserem Tarifvertrag (TVöD/VKA) (€ 63.600 – € 91.100), unter Berücksichtigung von Qualifikationen und Berufserfahrung. Die Gehaltsspanne gilt für eine Vollzeitstelle von 38,5 Stunden pro Woche. Die angegebenen Beträge sind Richtwerte und stellen keine Gehaltsgarantie dar.
• Gezielte und individuelle berufliche Weiterentwicklung auf fachlicher und Projektebene, die langfristige Perspektiven in einem sinnvollen Arbeitsumfeld bietet
• Umfassende Weiterbildungs- und Schulungsprogramme an unserer UKE Akademie für Bildung und Karriere
• Möglichkeiten zur Mitgestaltung unserer Personalpolitik „UKE INside“ durch funktions- und hierarchieübergreifende Projekte
• Nachhaltiges Pendeln: Zuschüsse für das Deutschlandticket als Jobticket und Dr. Bike Fahrradservice
• Exzellente Gesundheits-, Präventions- und Sportprogramme
• Familienfreundliches Arbeitsumfeld: Partnerschaften für Kinderbetreuung, kostenlose Ferienbetreuung, Beratung für Mitarbeitende mit pflegebedürftigen Familienangehörigen
• Ein sicherer Arbeitsplatz, sinnvolle Arbeit und ein unterstützendes Teamumfeld
• Strukturiertes Onboarding und offener Wissensaustausch im Team
• Unser Mitarbeiterrestaurant bietet eine große Auswahl an kulinarischen Optionen; zusätzliche Optionen sind in den Cafés und Bistros der „Health Kitchen“ sowie in einem Supermarkt direkt auf dem Gelände verfügbar.

Bewerbung

Bewerbungen sollten ein Anschreiben mit Ihrer Motivation und relevanten Erfahrungen, einen Lebenslauf, akademische Zeugnisse und Kontaktdaten von ein oder zwei Referenzen enthalten. Links zu Code-Repositories oder einer Abschlussarbeit sind willkommen. Bitte geben Sie an, ob Sie ein Projekt bevorzugen, das sich auf die Integration räumlicher Omics oder auf geometrisches/topologisches Deep Learning konzentriert; dies ist nicht bindend.