Data science in medicina, salute pubblica e nelle scienze della vita:
Inferenza causale, previsione e valutazione dell'incertezza per stimare gli effetti delle esposizioni ambientali e per valutare l'impatto di politiche ambientali e sanitarie attuali o ipotetiche; analisi di fonti eterogenee di dati di grandi dimensioni (genetici, genomici, epigenomici, proteomici e microbiomici) per la medicina personalizzata, la network medicine e le scienze della vita (incluse ecologia e scienze agrarie); procedure per il trattamento, la quantificazione e la caratterizzazione dell'incertezza applicabili a strutture di dati complesse; tecniche algoritmiche, bioinformatiche, di Machine learning/AI e di network analytics per l'analisi, la modellazione, il confronto, e la ricerca di pattern in dati genomici, trascrittomici, e proteomici, rappresentati come stringhe, alberi, grafi o reti complesse, anche osservate ripetutamente nel tempo; analisi funzionale e predizione di proprietà dinamiche di pathway identificati da dati omici, analisi di dati clinici e di alberi filogenetici per lo studio dell'evoluzione dei tumori, identificazione di biomarcatori e terapie ottimali per stratificazione di pazienti e diagnosi precoce di malattie, anche in riferimento alla diagnosi precoce della malattia di Alzheimer e delle malattie neurodegenerative in genere.