生物统计学是一门统计学学科，侧重于分析与生物学、医学和公共卫生有关的问题的统计方法的理论和应用。生物统计学的最终目的是通过明智地使用统计方法，更好地了解影响人类健康的因素。
贝叶斯推理
在过去的几十年里，计算方法的巨大进步将贝叶斯推理从基于哲学一致性的概念统计范式转变为分析当今高度复杂数据的整体统计工具。强大的计算工具允许贝叶斯方法相对容易地处理大型和复杂的统计问题，而频率方法只能近似或完全失败。我们的教师参与开发现代贝叶斯方法，用于变化点分析，临床试验设计，相关时间序列过程，功能数据分析，遗传学和基因组学，网络元分析。
大数据
大数据指的是不仅规模“大”，而且过于复杂而无法使用标准分析工具进行分析的数据——它们在很多方面确实具有挑战性。使用微阵列、下一代测序和DNA甲基化珠子芯片等先进生物医学技术的研究实验室的生物医学数据是“大”生物医学数据的一些例子。我们的教师进行生物医学大数据建模的研究，专门从事(1)计算基因组学，通过使用计算工具分析大规模高通量基因组数据；㈡表观基因组学，通过发展了解指示复杂疾病的细胞修饰的方法；种群遗传学，利用从种群中取样的DNA序列研究种群大小变化、迁移和混合；（四）通过发展新的统计方法和计算算法来研究疾病的遗传基础，建立关联和联系；㈤数据挖掘，进行探索性数据分析，以产生生物/医学假设。
变化点分析
变化点分析是关于分布或分布参数变化的统计方法的集合，它描述了在时间或位置上自然有序的任何数据的基础模型。它在工业质量管理、气候学、经济金融、医学、遗传学等领域有着广泛的应用。我们的教师擅长贝叶斯变化点检测和参数变化点分析及其在基因组数据中的应用。
教师:陈
广义线性模型
广义线性模型广泛应用于各种应用中，它包含了一大类统计模型。在这一研究领域，我们的教师积极参与研究连续和分类结果的聚类分析，建模随时间同时变化的多个结果的纵向数据，以及通过建模随时间重复测量的混合效应模型，其中响应是连续的，名义的或有序的。
教师:戈什
非参数方法
非参数统计推断是统计学的一个分支，其中对所考虑的总体分布形式不作任何假设。由于未知的种群分布，经典方法不能正常工作，从而可能导致错误的结果。当参数方法可能不可行时，可将排列测试、交叉验证、折刀和自举等重新采样技术纳入开发有效和实用的非参数程序。鲁棒方法是非参数过程的扩展，它以较小的偏差偏离总体的参数形式，但仍然产生可靠且相对有效的估计和检验过程。
教员：高希，施
转化研究方法
转化研究是将基础科学研究的创新和先进成果转化为新的诊断和治疗方案，以增强人类健康和福祉。我们的教师积极参与开发和扩展用于转化研究的方法，包括生物标志物数据分析、临床试验、潜在变量建模、混乱数据分析和生存分析等。
