Szemináriumok

Időpont:

2022. október 27., 14:30

Helyszín:

Magyar Tudósok krt 2, fszt. kisterem

Előadó:

Barabási Dániel (Harvard University, USA)

Cím:

Algoritmikus agyfejlődés és veleszületett viselkedések

Kivonat:

A mesterséges intelligencia (AI) kutatása kulcsfontosságú betekintést nyújtott a tanulás mechanikájába. Azonban, az AI-modellek régóta figyelmen kívül hagyják a veleszületett viselkedést: biológiai rendszerekben az evolúciós nyomások viselkedéseket kódoltak az újszülött agy kapcsolatrendszerében. Ebben az előadásban megvizsgálom az agy huzalozását alakító mechanizmusokat, megválaszolva azt a nehéz kérdést, hogy az agy hogyan köti össze önmagát. Leírom, hogy a fehérje kölcsönhatások hogyan kódolják a specifikus szinapszisok és gap junction-k kialakulását. Ezt az elméletet a C. elegans-ban igazoltuk, és (1) következményei vannak az agy konnetivitásának hátterében álló genetikai interakciók feltárására, és (2) egy biológiailag inspirált AI modellt ad a veleszületett viselkedések kódolásának tanulmányozására.

Időpont:

2022. május 26., 14:00

Helyszín:

Hibrid: Magyar Tudósok krt 2, fszt. kisterem; Zoom

Előadó:

Ari Eszter (ELKH SZBK, ELTE TTK)

Cím:

Reprodukálható kutatások, különös tekintettel az R scriptekre.

Kivonat:

A kurzus célja az volt, hogy különböző szinteken megismerjük és alkalmazzuk a számítógépen zajló természettudományos kutatások reprodukálhatóságának feltételeit és módszereit. A 3 napos kurzus alatt ezeket a témákat érintettük: RStudio projektek, a mappák optimális neve, R csomagok struktúrája, R markdown szintaxis, tudományos folyóirat cikk templátok (rticles R csomag és LaTeX), Git verziókövetés, kódmegosztás a GitHubon, adatfájlok megosztása (DOI), automatizálás az rrtools csomag segítségével, kód dokumentációk, függőséges kezelése az renv csomag segítségével, bevezetés a Docker konténerek használatába és megosztásába (dockerhub). Az előadáson általános képet adok a reprodukálhatóság témaköréből, és a fenti témák közül kiemelem a számomra új és hasznos módszereket. Külön felhívom a figyelmet az egyes megközelítések buktatóira.

Időpont:

2022. május 12., 17:00

Helyszín:

Zoom

Előadó:

Pálovics Róbert (Stanford University)

Cím:

Öregedés vizsgálata egy-sejt szekvenálással

Kivonat:

Az egy-sejt szekvenálás (single-cell transcriptomics) egyre népszerűbb, széles körben használt új-generációs szekvenálási módszer, mely a sejtek szintjén ad lehetőséget genetikai változások detektálására. Az előadás célja olyan atlasz adatok bemutatása, melyek az öregedést és annak lehetséges visszafordítását vizsgálják 20 szervből és annak 50 sejttípusából mintavételezett 100 000 sejten keresztül. Az előadásban kitérünk az adatelemzés során felmerülő problémákra és azok lehetséges kezeléseire.

Időpont:

2022. április 21., 14:00

Helyszín:

Zoom

Előadó:

Váradi Mihály (EMBL-EBI, Hinxton, UK)

Cím:

AlphaFold Fehérje Szerkezeti Adatbázis: Nagy pontosságú térszerkezeti modellek az ismert fehérjék jelentős százalékára

Kivonat:

Az AlphaFold Fehérje Szerkezeti Adatbázis (AlphaFold DB) egy nyíltan elérhető, kiterjedt adatbázis magas pontosságú fehérje térszerkezeti predikciók részére. A szerkezetek a DeepMind csapat AlphaFold v2.0 mesterséges intelligencia algoritmusán alapulnak, és hatalmas mértékben növelték meg a szerkezeti biológusok és bioinformatikusok rendelkezésére álló adatok mennyiséget. Az AlphaFold DB különféle adatmegjelenítési módokat és programozott hozzáférést (API) biztosít atomi-szintű koordinátákhoz, aminosav-szintű modell konfidenciához és az úgynevezett predikált illesztési hibákhoz. Az AlphaFold DB első verziója több mint 360,000 szerkezetet tartalmazott, majdnem teljesen lefedve 21 modellorganizmus proteomját, míg további frissítések a közel teljes SwissProt adatbázis szekvenciáival és további 26, elsősorban közegészségügyi jelentőségű proteommal gazdagították az adatszettet. Míg a jelenlegi verzió közel 1-millió szerkezetet tartalmaz, a következő hónapokban ez tovább fog bővülni, több mint 150-millióra, lefedve a teljes UniRef90 szekvencia szettet. Az előadásban áttekintést nyújtok a fehérjék térszerkezeti predikcióiról,az AlphaFold v2.0 erősségeiről és gyenge pontjairól. Bemutatom az AlphaFold adatbázist, a jelenleg hozzáférhető adatok típusait, és beszélek a közeljövőben várható fejleményekről is. Végül tágabb kontextusába helyezem az AlphaFold adatbázist, más, hasonló adatforrásokhoz és integrált platformokhoz viszonyítva.

Időpont:

2022. április 7., 14:00

Helyszín:

Zoom

Előadó:

Varga Julia (Jeruzsálemi Héber Egyetem, Izrael)

Cím:

AlphaFold és alkalmazása peptid-fehérje komplexek modellezésére

Kivonat:

Az elmúlt években a fehérjeszerkezet predikciójára alkalmas programok teljesítménye ugrásszerűen nőtt, elsősorban a mély neurális hálóknak köszönhetően. A DeepMind által fejlesztett AlphaFold első verziója már a CASP (Critical Assessment of Structure Prediction) 2018-as fordulóján kitűnt a pontosságával, a második verziója 2020-ban pedig a célpontok ⅔-ra adott kísérleti szerkezeteket megközelítő pontosságú eredményt. Egy ilyen pontosságú algoritmus valódi hatását a biológiai tudományokra egyelőre csak találgatni tudjuk. Előadásom első részében röviden szeretném bemutatni az AlphaFold felépítését és működését.

Az AlphaFold azonban nem csak szerkezetbecslésre használható. Kutatócsoportunkban a fehérje-peptid dokkolásra alkalmaztuk az AlphaFoldot, mivel a peptide-fehérje kölcsönhatás felfogható a fehérje folding utolsó, befejező lépéseként, amikor is a kötődő peptid kiegészíti a receptor szerkezetét. Hogy ezt hogyan csináltuk és milyen eredményekkel, erről fog szólni az előadás második része.

Időpont:

2022. március 24., 14:30

Helyszín:

Zoom

Előadó:

Kutalik Zoltán (University of Lausanne, Lausanne, Switzerland)

Cím:

Genetikával megtámogatott ok-okozati viszonyok elemzése és alkalmazása biomarkerek felfedezésére

Kivonat:

A mendeli randomizáció (MR) egy ok-okozati következtetési módszer, amely a randomizált klinikai vizsgálatokat utánozza, oly módon, hogy a kezelt és kontroll csoportokat bizonyos DNS-változatokat hordozó csoportok váltják fel. Az ilyen, genetikával támogatott módszerek egyre népszerűbbek amiatt, hogy egyre több olyan genetikai marker azonosítható, amelyek összetett emberi tulajdonságokkal és kockázati tényezőkkel asszociálnak. Először ismertetek néhány új módszertani fejlesztést, amelyek egyszerre modellezik tulajdonságpárok genetikai felépítését, valamint a köztük lévő kétirányú ok-okozati hatásokat [1]. Ezután nehány MR alkalmazásra térek át annak tisztázására, hogy a metiláció és a génexpresszió miként járul hozzá ok-okozati módon a kardiometabolikus betegségekhez [2]. Végül pedig, megemlítem az MR-alapú módszerek korlátait és kitérek lehetséges jövőbeli fejlesztésekre.

1. Simultaneous estimation of bi-directional causal effects and heritable confounding from GWAS summary statistics. Darrous L, Mounier N, Kutalik Z. Nat Commun. 2021 Dec 14;12(1):7274.
2. Differentially expressed genes reflect disease-induced rather than disease-causing changes in the transcriptome. Porcu E, Sadler MC, Lepik K, Auwerx C, Wood AR, Weihs A, Sleiman MSB, Ribeiro DM, Bandinelli S, Tanaka T, Nauck M, Völker U, Delaneau O, Metspalu A, Teumer A, Frayling T, Santoni FA, Reymond A, Kutalik Z. Nat Commun. 2021 Sep 24;12(1):5647.

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.

Időpont:

2022. február 17., 14:00

Helyszín:

Zoom

Előadó:

Nagy Tibor (Mate Mezőgazdasági Genomikai és Bioinformatikai Csoport)

Cím:

A Julia programozási nyelv biológusoknak

Kivonat:

Ha saját fejlesztésű programot szeretnénk írni biológiai adatok elemzéséhez, két választási lehetőségünk van: egy magasabb szintű programozási nyelvet használunk, mint amilyen a Python, R vagy a Matlab, és ezzel a fejlesztési időt rövidítjük le, vagy egy alacsonyabb szintű programozási nyelvvel olyan programot írunk, ami a számítógép erőforrásait a lehető legoptimálisabban használja ki. Az sem ritka, hogy egy algoritmust először Pythonban implementálnak, és csak később, optimalizációs céllal írnak át C/C++-ra, ami a fejlesztési időt tekintve a legrosszabb lehetőség. Ezen a dilemmán segíthetnek az újabban megjelent programozási nyelvek, mint amilyen a Julia is. A Julia programozási nyelv szintaktikája közelebb áll a Pythonhoz, miközben a kód sebességben a fordított nyelvek szintjén jár. A bemutatásra kerülő cikk (Julia for Biologist) három témakört mutat be, ahol a Julia remek alternatívája lehet a jelenleg használt programozási nyelveknek. Ez a három a témakör a sebesség, absztrakció és metaprogramozás.

Időpont:

2022. február 17., 14:00

Helyszín:

Zoom

Előadó:

Hegedűs Tamás (Semmelweis Egyetem)

Cím:

Az Elixir 3D-BioInfo közösség bemutatása

Kivonat:

A közösség projektjeinek ismertetése a 2021 évi konferenciájukra fókuszálva.