Analiza danych biomedycznych 1000-5D22ADB

Współczesne wyzwania medycyny to często choroby o złożonym podłożu genetycznym i molekularnym. Nowoczesne metody profilowania molekularnego dają ogromne zasoby danych tabelarycznych i obrazowych. Analiza tych danych może pomóc zrozumieć, jak choroby takie jak rak czy choroby zakaźne powstają, jak działają i jak je leczyć.

Analiza danych biomedycznych jest bardzo pojemnym działem, w którym stosowane są różnorodne metody matematyki i informatyki: sztuczna inteligencja, uczenie maszynowe, metody probabilistyczne, statystyka. Jest to obecnie bardzo intensywnie rozwijający się dział stanowiący przedmiot zainteresowania zarówno firm prywatnych, jak i wszystkich wiodących uniwersytetów.

Tematyka seminarium skupia się wokół metod analizy danych molekularnych. Wiele referatów dotyczy aktualnych projektów badawczych, w których uczestniczą grupy badawcze prowadzących seminarium. Ostatnio nasze zainteresowania dotyczą następujących zagadnień:
- Odporność antybakteryjna. Opracowujemy specjalistyczne głębokie modele generatywne do generacji syntetycznych peptydów przeciwdrobnoustrojowych, które mogą zabijać bakterie oporne na antybiotyki (Stosowane metody: głębokie uczenie, modele generatywne.)
- Modelowanie mikrośrodowiska nowotworu. Jaka jest organizacja przestrzenna guza i jego sąsiedztwa? Jak wzajemnie na siebie oddziałują? Te interesujące pytania mogą być rozwiązane przy użyciu transkryptomiki przestrzennej, cyfrowego obrazowania guza lub danych spektrometrii masowej. (Metody: probabilistyczne modele graficzne, modele uczenia maszynowego.)
- Odtwarzanie drzew genealogicznych nowotworów. Które mutacje nowotworowe pojawiają się jako pierwsze? Jak powstają przerzuty? W jaki sposób w nowotworach pojawia się oporność na leki? Czy ewolucja nowotworów jest neutralna, czy napędzana przez selekcję? Te i wiele innych pytań dotyczących historii rodzinnej komórek nowotworowych są dla nas bardzo ekscytujące! (Metody: probabilistyczne modele graficzne, modele matematyczne.)
- Głęboki patolog. Czy algorytmy głębokiego uczenia mogą usprawnić pracę patologów? Metody sztucznej inteligencji, takie jak konwolucyjne sieci neuronowe, mogą być trenowane na obrazach histologicznych nowotworów w celu rozpoznawania wielu typów tkanek. (Metody: modele głębokiego uczenia.)
- Modelowanie skuteczności leków. Próbujemy zrozumieć i przewidzieć, jak leki działają na linie komórek nowotworowych. (Metody: modele statystyczne, algorytmy optymalizacyjne.)
- Procesy mutacyjne w raku. Krajobraz mutacji w genomach rakowych jest wynikiem złożonych interakcji pomiędzy procesami uszkodzenia i naprawy DNA oraz innymi procesami biologicznymi. Procesy te można badać poprzez analizę charakterystycznych wzorców mutacji odciśniętych przez poszczególne mutageny. Analizujemy te wzorce, łączymy je z konkretnymi przyczynami, odnajdujemy i modelujemy interakcje nimi. (Metody: statystyczna analiza danych, metody probabilistyczne, uczenie maszynowe.)
- Przewidywanie aktywności sekwencji regulatorowych. Pomimo ogromu dostępnych danych eksperymentalnych o genomowych obszarach regulatorowych, takich jak enhancery i promotory, przewidzenie efektu spowodowanego choćby niewielką mutacją stanowi wyzwanie. Aby lepiej zrozumieć zasady działania obszarów regulatorowych, opracowujemy konwolucyjne sieci neuronowe do przewidywania aktywności dowolnej sekwencji DNA w różnych typach komórek. (Metody: statystyczna analiza danych, uczenie maszynowe.)
- Odtwarzanie sieci regulacji genów. Wzajemne oddziaływania między chromatyną, czynnikami transkrypcyjnymi i genami tworzą złożoną sieć interakcji, którą można odtwarzać przy użyciu danych z sekwencjonowania pojedynczych komórek. (Metody: statystyczna analiza danych, metody probabilistyczne.)