: Az iszkémiás szívbetegség kezelése céljából hipotézis vezérelt módszerekkel felderített terápiás megközelítések klinikai gyakorlatba történő átültetése mindezidáig sikertelen volt. A probléma hátterében az elfogult kísérlettervezést, illetve a komorbiditások módosító hatásának figyelmen kívül hagyását feltételezhetjük.
: Célul tűztük ki ezért olyan szoftverek kifejlesztését és alkalmazását, melyek lehetővé teszik a hipotézismentes megközelítések alapját képező, nagy áteresztőképességű molekuláris biológiai módszerekkel nyert adathalmazok hálózatelméleti kiértékelése révén új gyógyszercélpontok felderítését.
: Az interaktómok hipotézismentes megközelítések alkalmazását hátráltató hiányosságainak kezelése céljából a fehérje-fehérje kölcsönhatás hálózatok elemzésére alkalmas feltételes generatív adverzális hálózat (cGAN) alapú szoftvert (https://github.com/semmelweis-pharmacology/ppi_pred) fejlesztettünk. Szoftverünk validálása az International Network Medicine Consortium által szervezett együttműködés keretében a STRING és a BioGRID adatbázisok fehérje-fehérje kölcsönhatás hálózatain, illetve yeast-two-hybrid módszerrel történt. 26 módszer teljesítményének szisztematikus összehasonlítása során cGAN alapú szoftverünk az élmezőnybe került. A kis nem kódoló RNS-ek, azon belül is a mikroRNS-ek különféle megbetegedések pathomechanizmusában betöltött szerepének vizsgálatára mikroRNS-target hálózatok integratív elemzését megvalósító, felhasználóbarát webes felületen keresztül is elérhető, miRNAtarget™ nevű (Pharmahungary, Szeged, https://mirnatarget.com) szoftvert hoztunk létre. A prediktált és kísérletesen validált mikroRNS-target kölcsönhatás adatbázisokra (microrna.org, miRDB, miRTarBase) támaszkodó miRNAtarget szoftver által azonosított targetek mRNS- és fehérjeszintű validációja sikerrel megtörtént számos, többek között kardiovaszkuláris kórképeknek és azok komorbid kórállapotainak vizsgálatára szolgáló kísérleti modell esetében.
: Elsőként sikerült igazolnunk, hogy egy kizárólag a hálózattopológia elemzésére szorítkozó, így a fehérjék molekuláris tulajdonságainak ismerete hiányában is működőképes, cGAN alapú gépi tanulási algoritmus alkalmas fehérje-fehérje kölcsönhatások hatékony predikciójára. Emellett a költséghatékonyan meghatározható kis RNS transzkriptomikai profilok elemzésére szolgáló, sikeresen validált miRNAtarget szoftverünkkel több potenciális gyógyszercélpontot azonosítottunk.