Konferenciák

2023. november 10.

Letölthető program pdf formátumban

1. szekció - Bioinformatikai algoritmusok

2. szekció - Szerkezeti bioinformatika

3. szekcio - Rendszerbiológia Elnök: Prof. Csikász-Nagy Attila

Sejtek viselkedését leíró modellek fejlesztésénél és azok paraméterezésénél is egyre elterjedtebben használnak mesterséges intelligencián alapuló megoldásokat. Ehhez nagyskálájú képi és omikai adatok feldolgozása szükséges. A szekció a téma legújabb eredményeit mutatja be.

13:20 - 13:40: A metabolom evolúciójától a humán betegségekig

    Papp Balázs (HUN-REN SzBK Biokémiai Intézet, HCEMM-BRC)

Részletek

A metabolom evolúciójától a humán betegségekig

×

• Kivonat

A metabolom evolúciójától a humán betegségekig

A metabolitok központi szerepet töltenek be a biokémiai reakcióhálózatokban, és koncentrációjuk megváltozása betegséget jelezhet. Az előadás központi hipotézise, hogy a metabolitkoncentrációk evolúciós konzervációja fontos információt hordoz a metabolom káros elváltozásairól, hasonlóan ahhoz, hogy a fehérjeszekvencia konzervációja információt ad a káros genetikai variánsokról. Az előadásban a metabolomok fajok közötti összehasonlítását felhasználva teszteljük e hipotézist. Eredményeink alapján az anyagcsere-betegségek biomarkerei pusztán az evolúciós konzerváltság alapján megkülönböztethetők más metabolitoktól, anélkül, hogy előzetes klinikai ismeretekre lenne szükség. Munkánk lehetővé teszi, hogy az emberi metabolomprofilok kiértékelésébe evolúciós információt is bevonjunk.

13:40 - 14:00: Tumorsejtek gyógyszerérzékenységének predikciója – avagy hogyan vezethetnek félre az MI kiértékelési metrikák

    Szalai Bence (Turbine Kft)

Részletek

Tumorsejtek gyógyszerérzékenységének predikciója – avagy hogyan vezethetnek félre az MI kiértékelési metrikák

×

• Kivonat

Tumorsejtek gyógyszerérzékenységének predikciója – avagy hogyan vezethetnek félre az MI kiértékelési metrikák

A tumorok gyógyszerérzékenységének megbízható predikciója alapvető fontosságú mind a személyre szabott orvoslás, mind az onkológiai gyógyszerfejlesztés szempontjából. A közelmúltban létrejött nagy léptékű tumor sejtvonal adatbázisok megkönnyítik a gépi tanulási módszerek alkalmazását e területen. E modellek lehetőséget teremthetnek szenzitivitási biomarkerek és új gyógyszer célpontok azonosítására. A modellek korrekt összehasonlításához elengedhetetlenek a jól kiválasztott kiértékelési metrikák és a standardizált “benchmark” adatsorok. Az előadás során bemutatjuk az általunk kidolgozott EFFECT (Evaluation Framework For predicting Efficiency of Cancer Treatment) keretrendszert a gyógyszerérzékenység predikciójára. A EFFECT segítségével standard gépi tanulási algoritmusok teljesítményét vizsgáltuk. Meglepő módon a legtöbb kiértékelési metrika nem tudott különbséget tenni az egyszerűbb és komplikáltabb modellek, illetve a biológiailag nem informatív és informatív adatokon tanított modellek között. E jelenség hátterében a gyógyszerérzékenységi adatsorokat általánosan torzító hatásokat azonosítottunk, és kidolgoztunk egy statisztikai módszert (“Bias Detector”), mely lehetővé teszi a gépi tanulási modelleknek a torzító hatásoktól független kiértékelését, ezáltal a valóban prediktív módszerek azonosítását.

14:00 - 14:15: A hibaküszöb egy egyszerű, kompartmentalizált rendszerben

    Mikulecz Benjámin Áron (ELTE, Biológia Doktori Iskola)

Részletek

A hibaküszöb egy egyszerű, kompartmentalizált rendszerben

×

• Kivonat

A hibaküszöb egy egyszerű, kompartmentalizált rendszerben

Az információfenntartás problémája központi szerepet játszik az élet eredetének kutatásában. A prebiotikus mutációs ráták olyan magasak voltak, hogy súlyos akadályt jelentettek az információhordozó szekvenciák hossza számára, ezzel korlátozva a fenntartható információ mennyiségét. Rövid szekvenciák közösségeit pedig a kompetitív kizárás és a közösség javait kihasználó, önző, parazita szekvenciák veszélyeztették. Azt a kritikus mutációs rátát, amely felett a szelekció nem képes fenntartani az információt, hibaküszöbnek nevezzük. A hibaküszöböt eredetileg determinisztikus, jól kevert rendszerben mutatták ki. Munkámban egy enzim-parazita populáció sztochasztikus modelljét vizsgálom explicit módon kompartmentekbe helyezve a replikátorokat a sztochasztikus korrektor modell mint keretrendszer alkalmazásával. A sztochasztikus korrektor modellt általában több, különböző sebességgel replikálódó enzimtípus kompetíciójának tanulmányozására alkalmazzák. Én itt egy enzimtípus és a nála potenciálisan gyorsabban replikálódó, parazita mutánsai evolúciós dinamikájának tanulmányozására használom. Szimulációkkal nyert adatokkal megmutatom, hogy az enzim a paramétertér mely részén képes együtt élni a parazitákkal. A vizsgált paraméterek: (1) a kompartmentpopuláció mérete, (2) az a replikátormennyiség, amelynél osztódik a kompartment, (3) a parazita replikációs rátája és (4) a kompartmentek fúziós rátája.

14:15 - 14:30: Sejtek transzkriptomikai korának meghatározása öregedési órák segítségével

    Zakar-Polyák Enikő (HUN-REN SZTAKI)

Részletek

Sejtek transzkriptomikai korának meghatározása öregedési órák segítségével

×

• Kivonat

Sejtek transzkriptomikai korának meghatározása öregedési órák segítségével

Az utóbbi években kiemelkedő figyelem irányul az öregedés folyamatának vizsgálatára és a belső mechanizmusainak feltárására. A legújabb eredmények azt mutatják, hogy omikai adathalmazokkal és a gépi tanulás eszközeivel lehetséges az egyének életkorának modellezése, úgynevezett ”öregedési órák” segítségével, és így lehetőség nyílik az öregedési folyamat mérésére. Az öregedési órák többsége különböző (bulk) szövetmintákból származtatott epigenetikai információk alapján becsli az egyének életkorát, azonban a single-cell RNS szekvenálás egy újabb szintet nyithat az öregedés vizsgálatában. Ebben a munkában több, mint egy millió emberi vérsejt gén expressziós profilja alapján hoztunk létre sejttípus-specifikus öregedési órákat, amelyekkel az egyes sejtek életkorát prediktáltuk. Több létrehozott óra is 8.5 és 10 év közötti átlagos abszolút hibával teljesít, valamint 0.4 és 0.5 közötti korrelációs együtthatóval a kronológiai és prediktált életkor között. Összehasonlításként sejttípus arányokon alapuló órát is fejlesztettünk, valamint a két megközelítés kombinációjából eredő predikciókat is adtunk.

14:30 - 14:45: Hogyan segíthet a számítógépes sejtszimuláció a hatékonyabb gyógyszerfejlesztésben?

    Fichó Erzsébet (Cytocast Hungary Kft)

Részletek

Hogyan segíthet a számítógépes sejtszimuláció a hatékonyabb gyógyszerfejlesztésben?

×

• Kivonat

Hogyan segíthet a számítógépes sejtszimuláció a hatékonyabb gyógyszerfejlesztésben?

A gyógyszeripar egyik legnagyobb kihívása a rendkívül hosszú és költséges fejlesztési folyamat. A gyógyszerjelöltek szűrése időigényes, és a pre-klinikai és klinikai szakaszokban bekövetkező kudarcok jelentős anyagi terheket rónak a gyógyszeriparra. A klinikai vizsgálatok során a kardiovaszkuláris gyógyszereknek mindössze 6.5%-a, az onkológiai készítmények pedig csupán 3.4%-a jut el a betegekhez. A klinikai hatékonyság hiánya mellett a legjelentősebb probléma a nemkívánatos mellékhatások gyakori jelenléte. ám még ezt az arányt is befolyásolhatják a nemkívánatos mellékhatások megjelenése. A hagyományos fejlesztési módszerek alappillérei az in vitro és in vivo kísérletek. Azonban a számítógépes sejtmodellezéssel jelentős előrelépést ígér, pontosabb és részletesebb információk biztosításával. A Cytocast Simulated Cell egy felhőalapú platform, amely lehetővé teszi a sejten belüli fehérje-fehérje kölcsönhatások, a kialakuló és megszűnő fehérjekomplexek modellezését. A platform különböző multi-omikai adatbázisok adatait felhasználva modellezi az egészséges sejtet, és megjósolja, hogy a különböző gyógyszeres kezelések milyen molekuláris változásokat indukálhatnak a sejtben. Az ágens-alapú sztochasztikus algoritmus továbbá képes előre jelezni az ezekhez a változásokhoz köthető mellékhatásokat különböző humán szövettípusban, ezáltal segítve a hatékony és biztonságosabb gyógyszerfejlesztést.

14:45 - 15:05: Szünet

    

4. szekció - Orvosi bioinformatika