Analiza danych biomedycznych

seminaria magisterskie

Tematyka seminarium obejmuje działy biologii obliczeniowej oraz uczenia maszynowego znajdujące zastosowanie w analizie danych biomedycznych. Interesuje nas zarówno problematyka chorób człowieka takich jak nowotwory czy choroby zakaźne i neurodegeneracyjne, jak też ogólniejsze mechanizmy genomiki regulatorowej. Z działów biologii obliczeniowej skupiamy się na analizie nowoczesnych danych profilowania molekularnego, analizie danych z sekwencjonowania pojedynczych komórek, obrazowania medycznego, czy też struktury białek. Z metod skupiamy się na modelach probabilistycznych grafowych, metodach statystycznej analizy danych, uczenia maszynowego, w tym uczenia głębokiego, a także na modelach generatywnych.

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.)

Współczesna literatura z tej dziedziny, w tym publikacje w czasopismach naukowych i preprinty.

Wiedza

1. Ma ogólna wiedzę o problemach bioinformatyki i biologii systemów (K_W08).

2. Ma podstawową wiedzę w zakresie podstawowych narzędzi matematycznych stosowanych w modelowaniu i analizie danych molekularnych (K_W09).

Umiejętności

1. Dostrzega ograniczenia własnej wiedzy i rozumie potrzebę jej ciągłego uzupełniania i aktualizowania (K_U07)

2. Potrafi przygotować prezentację i wygłosić referat opierając się na artykułach naukowych lub wynikach własnych badań (K_U08).

3. Potrafi czytać ze zrozumieniem teksty naukowe w języku angielskim (K_U09).

Kompetencje

1. Potrafi zarządzać swoim czasem oraz podejmować zobowiązania i dotrzymywać terminów (K_K08).

2. Jest gotów do przedstawiania wybranych osiągnięć bioinformatycznych i formułowania opinii na ich temat (K_K05, K_K06).

I rok: obecność na zajęciach, wygłoszenie dwóch referatów, zatwierdzenie tematu pracy magisterskiej.

II rok: obecność na zajęciach, wygłoszenie dwóch referatów, złożenie pracy magisterskiej.