Günter Klambauer
Università Johannes Kepler di Linz, Austria
Biografia: Conclusi gli studi di matematica e biologia presso l’Università di Vienna, nel 2010 Günter Klambauer inizia la sua carriera di ricercatore nel campo della bioinformatica e dell’apprendimento automatico presso l’Università Johannes Kepler a Linz dove consegue il suo dottorato nel 2014. Nel 2012, i suoi modelli di apprendimento automatico per la genetica sono premiati con l’Austrian Life Science Awards e nel 2014 riceve l’Award for Excellence consegnato dal Ministero delle scienze d’Austria. In passato è stato leader di numerosi gruppi di analisi dei dati e di ampi progetti in collaborazione con l’industria farmaceutica. Nonostante nei primi anni le sue ricerche si incentrassero in particolare sull’apprendimento automatico per la biologia molecolare, attualmente Günter Klambauer è impegnato nello studio dell’apprendimento profondo e dell’individuazione dei farmaci, specificamente nella realizzazione di intelligenze artificiali per l’individuazione automatica dei medicinali. Ciò gli ha permesso di sviluppare il miglior metodo dello DREAM Toxicogenetics challenge nel 2013 e di ottenere il primo premio del Tox21 Data Challenge nel 2015. Ha inoltre pubblicato numerosi articoli scientifici di grande rilievo, quali “Deeptox: toxicity prediction using Deep Learning”, in cui ha introdotto concetto di apprendimento profondo sulle molecole, e "Self-normalizing networks”, nel quale documenta la creazione di una nuova tipologia di reti neurali. Günter Klambauer è attualmente il leader del team “AI in Drug Design” della LIT AI Lab presso l’Università Johannes Kepler di Linz.
Trasformare la progettazione di farmaci con imaging ad alto contenuto ed apprendimento profondo
Sebbene siano alla base della scoperta e della progettazione di farmaci, i test a scala larga per la scoperta di farmaci richiedono spesso troppo tempo e denaro. A tal proposito, la comunità scientifica sta cercando metodi alternativi o strategie per incrementare il rendimento delle tecnologie attuali. Nel contributo spiegherò come sfruttare le analisi ad alto contenuto per predire le attività biologiche, perfezionando così i test a scala larga.
L’approccio proposto riguarda sia l'elaborazione delle immagini sia le tecniche di apprendimento automatico; tra queste, l'apprendimento profondo multi-task è il metodo più efficace per collegare la morfologia cellulare e l'attività biologica. Nonostante l'alta risoluzione e la grande quantità di dati, dimostriamo che anche le reti neurali convoluzionali possono essere utilizzate per prevedere i risultati del dosaggio end-to-end. In due progetti per la scoperta di farmaci, il riuso ha incrementato da 50 a 250 volte la percentuale dei risultati rispetto a quelle delle analisi iniziali del progetto, aumentando al contempo la diversità della struttura chimica dei risultati. I nostri risultati suggeriscono che molti test biologici potrebbero essere sostituiti da imaging ad alto contenuto, insieme a metodi di apprendimento profondo.