Schwarz, Friedrich

• 2022–2026 MSc Applied Data Science – Computational Neuroscience, Georg-August-Universität Göttingen
• seit 2019 Medizinische Doktorarbeit, Institut für Neuropathologie, Universitätsmedizin Göttingen (Betreuung: C. Stadelmann, T. Moser)
• 2017–2023 BSc Applied Computer Science – Computational Neuroscience, Georg-August-Universität Göttingen
• 2016–2026 Studium der Humanmedizin (MD) – Universitätsmedizin Göttingen (voraussichtlicher Abschluss: 06/2026)



Forschungsschwerpunkte

Meine Forschung verbindet Laborarbeit, experimentelle Elektrophysiologie und komplexe Zellkulturmodelle mit datenintensiven Analysen im Terabyte-Bereich, Hochleistungsrechnen (HPC) und theoretischer Modellierung. Dieser interdisziplinäre Hintergrund ermöglicht es mir, experimentelle Fragestellungen mit moderner computergestützter Analyse zusammenzuführen. Dabei konzentriere ich mich auf zwei Hauptbereiche:

Neural Data Science

Ich entwickle skalierbare und automatisierte Infrastrukturen für die Auswertung von elektrophysiologischen Daten im Terabyte-Bereich. Aktuell bezieht sich dies vor allem auf chronische optogenetische Stimulation neuronaler Kulturen bei gleichzeitiger Aktivitätsmessung mittels Multielektroden-Arrays (MEAs). Mein Ziel ist es, umfangreiche Input-Output-Messungen durch optimierte Workflow-Orchestrierung und kausale Analysen neuronaler Dynamiken in ein tiefgreifendes mechanistisches Verständnis zu überführen.

In Zusammenarbeit mit: Dr. Andreas Neef (CIDBN), Prof. Fred Wolf (MPI-DS, CIDBN), Prof. Christine Stadelmann (UMG), Prof. Philipp Wieder (GWDG) und Prof. Kerstin Schmidt (UFRN Natal, Brasilien) und Cyprian Adler (CIDBN, UMG).

Clinical Data Science and Medical AI

Ich entwickle und wende Methoden des maschinellen Lernens, der Überlebenszeitanalyse und der kausalen Modellierung auf klinische Daten an. Schwerpunktmäßig arbeite ich mit Real-World-Daten und lege besonderen Wert auf robuste, reproduzierbare und klinisch übertragbare Ergebnisse. Kürzlich haben wir ein Prognosemodell für unerwünschte Ereignisse bei der Chemotherapie basierten Stammzellmobilisierung beim Multiplen Myelom veröffentlicht (npj Digital Medicine). Aktuell beschäftige ich mich zudem verstärkt mit Safety Frameworks für den Einsatz generativer KI im klinischen Umfeld sowie mit agentischer KI zur interpretierbaren Analyse von Registerdaten.

In Zusammenarbeit mit: Dr. Enver Aydilek (Universitätsklinikum Bielefeld, UMG), Dr. Nils Brökers (UMG) und Prof. Georg Heß (Universitätsmedizin Mainz, European MCL Registry).

Ausgewählte Publikationen und Präsentationen



• Schwarz F, Levien L, Maulhardt M, Wulf G, Brökers N, & Aydilek E (2026). Predicting adverse events for risk stratification of chemotherapy based stem cell mobilization in multiple myeloma. npj Digital Medicine.
• Schmidt KE, Domingues Fonseca A, Schwarz F, & Neuenschwander S (2025). Did the mechanisms for orientation selectivity evolve along the same lines in eutherians and metatherians? Journal of Neurophysiology.
• Poster, Bernstein Conference 2025: Schwarz, F., Bandow, B., Neef, A., & Wolf, F. (2025). Combining an electronic lab notebook with an automated workflow manager: An integrated approach to electrophysiology data management.
• Poster, Bernstein Conference 2025: Adler, C., Schwarz, F., & Neef, A. (2025). Interfacing neuronal cultures cell-by-cell, hour-by-hour, day-by-day.




---


ORCID: 0009-0001-1167-8365 GitHub: fschwar4 | goecidbn




Vom Labor ans Patientenbett – Experimentelle Neurowissenschaften (links): Untersuchung neuronaler Dynamiken durch die Kombination von Multielektroden-Arrays (MEA) mit Optogenetik. Der Workflow reicht von der Hardware-Entwicklung und Rohdatenerfassung bis zum Spike-Sorting und der Analyse von Populationsdynamiken.
Forschungsdateninfrastruktur (Mitte): Entwicklung skalierbarer Daten-Ökosysteme. Die Architektur verknüpft elektronische Labornotizbücher (LabID) mit Hochleistungsrechnern (HPC) und automatisierter Workflow-Orchestrierung (Apache Airflow) für reproduzierbare Analysen im Terabyte-Maßstab.
Klinische KI & Entscheidungsunterstützung (rechts): Anwendung von maschinellem Lernen und Überlebenszeitanalysen in der klinischen Onkologie. Dargestellt sind Behandlungspfade und Modelle zur Risikostratifizierung für die Vorhersage unerwünschter Ereignisse sowie des Bedarfs an Krankenhausaufenthalten bei Patient:innen mit Multiplem Myelom (Schwarz et al. 2026, npj Digital Medicine).