Időpont:
2022. március 3., 14:30
Helyszín:
Zoom
Előadó:
Türei Dénes (Heidelberg University Hospital, EMBL)
Cím:
Adatbázisoktól a betegségek modellezésig
Kivonat:
Julio Saez-Rodriguez csoportja (https://saezlab.org/) a Heidelbergi
Egyetemi Kórházban egy kiterjedt szoftveres eszköztárat fejleszt
rendszerszintű, orvosbiológiai modellezés céljára. Megközelítésünk
elsősorban adat orientált, a rendszerszintű molekuláris technológiák –
transzkriptomika, proteomika, foszfoproteomika, genomika és
metabolomika – adatai alapján szeretnénk gyógyszerek hatásaira,
betegségek mechanizmusaira vonatkozó kérdéseket megválaszolni.
Módszereinket mechanisztikus modellezésnek nevezzük, mert – az
egymástól távoli változók közti összefüggések kimutatásán túl –
felderítjük mely gének és útvonalak, milyen ok-okozati láncok mentén
képesek magyarázni a tapasztaltakat. A mechanisztikus modellezés egyik
alappilére az adatbázisokban tárolt tudás, ezért hoztuk létre a
csaknem 150 adatbázist egyesítő, OmniPath nevű adatbázisunkat. A
transzkriptomikai adatok bőségben állnak rendelkezésre akár single
cell felbontásban is, ugyanakkor nem alkalmasak közvetlenül a
jelátvitel állapotának leírására. Az ún. footprint módszerek
(DoRothEA, PROGENy) segítségével következtetünk a transzkripciós
faktorok és az ezeket szabályozó útvonalak aktivitására. A hálózat
egyes elemeinek aktivitását ismerve, causal reasoning (CARNIVAL)
illetve logikai modellek (CellNOptR) alkalmazásával azonosíthatók az
adatbázisokban leírt jelátviteli hálózat azon elemei, melyek oksági
úton magyarázzák az adatokban látott mintázatokat. Hasonló módszer
alkalmazható egyszerre többféle omikai adatra építve, beleértve a
metabolomikát is, a COSMOS nevű szoftver segítségével. A single cell
technológiák elterjedése megteremtette a szöveti szintű, több
sejttípus kölcsönhatását figyelembe vevő modellezés lehetőségét. Az
első, kezdetleges módszerek gombamód szaporodtak az elmúlt pár évben,
ezeket fogja egybe a LIANA nevű keretrendszerünk. Szintén friss
újítások a térbeli omikai technológiák. Térbeli adatokat használva, a
sejteken belüli és sejtek közti jelátvitelt magyarázható gépi tanulás
segítségével modellezi a MISTy. Ezen módszerekbe nyújtunk betekintést
a MaBiT szemináriumok március 3-i előadásán.