Marc Teunis
Marc Teunis is gepromoveerd in de medische biologie en is Associate Lector ‘Data Science in Life Sciences & Chemistry’. Marc coördineert een onderzoeksgroep binnen het lectoraat Innovative Testing, die onderzoek doet naar de toepassing van data science oplossingen in de toxicologie. Marc geeft tevens les in verschillende data science en AI programma’s binnen en buiten de HU.
Marc heeft een brede interesse. De afgelopen 15 jaar is Marc betrokken geweest bij onderzoek naar nieuwe alternatieve methodologieën (NAM’s) voor risico-evaluatie in de toxicologie. Hij voerde onderzoek uit naar de ontwikkeling en validatie van methoden voor huid-sensibilisatie, mutageniciteit, ontwikkelingstoxiciteit en metabolisme. Marc verlegde zijn aandacht in onderzoek van het in-vitro lab naar in-silico modelleren en is een vaardig programmeur en ontwikkelaar van machine learning modellen. Zijn huidige onderzoek focust op de toepassing van kunstmatige intelligentie (AI) in chemische risicobeoordeling; de ontwikkeling en toepassing van Large Language Models voor de synthese van bewijs en gegevensextractie; en de implementatie van open science en principes van reproduceerbaar onderzoek in het toxicologisch onderzoeksveld.
Voor de ontwikkeling van de data science competenties van de HU, is Marc een drijvende kracht achter de vorming van een organisatiebrede data science pool, die bedoeld is om vele onderzoeksprojecten in de organisatie te ondersteunen. Verder geeft Marc regelmatig data science workshops en trainingen voor onderzoekers binnen de HU en daarbuiten. Als datawetenschapper, verleent Marc regelmatig statistisch advies en ontwikkelt hij visualisaties en interactieve data-exploratietools.
In zijn vrije tijd kookt Marc graag en is hij een regelmatige gast van de boulder- en klimhallen rond Utrecht. Hij neemt altijd zijn klimschoenen mee, wanneer hij een ander land bezoekt.
"Literate Programming should be in every researchers toolbelt, for the sake of reproducibility of science, and to conquer your own chaos."
"Werken aan Artificiële Intelligentie (AI) is interessant en uitdagend, zeker gezien de huidige ontwikkelingen in het vakgebied. Om AI te begrijpen is kennis van wiskunde, statistiek en data nodig. Mensen helpen dit te doorgronden en toe te zien passen in hun eigen context vind ik een van de mooiste opgaves voor mezelf. Het helpt dat ons onderzoek het hogere doel van het vervangen van dierproeven in de toxicologie nastreeft. Dit is een doel waar ik met veel passie aan bijdraag."
Expertises
- Toxicologie
- Machine Learning
- Data visualisatie
Publicaties
- Development and internal validation of a multivariable prognostic model to predict chronic pain after a new episode of non-specific idiopathic, non-traumatic neck pain in physiotherapy primary care practice
- Report of the First ONTOX Stakeholder Network Meeting: Digging Under the Surface of ONTOX Together With the Stakeholders
- The application of natural language processing for the extraction of mechanistic information in toxicology
In de media
HU Story: Proefdiervrij testen met AI
Een HU story over het gebruik van Artificiële Intelligentie om proefdiergebruik voor het testen van stoffen te verminderen.
Bekijk de HU Story
Podcast – Alternatieven voor dierproeven
Bij de HU werken we aan alternatieven voor dierproeven: met menselijke mini-orgaantjes en computermodellen. Hoe werken deze alternatieven precies en is dit de toekomst? Daarover vertellen Cyrille Krul en Marc Teunis in een podcast van New Scientist en Hogeschool Utrecht.
Luister de podcast