Anna Cichonska
Oddelek za napredne tehnologije Univerze v Turkuju
Finski inštitut za molekularno medicino FIMM, Univerza v Helsinkih
Oddelek za računalniške vede, Helsinški inštitut za informacijske tehnologije HIIT, Univerza Aalto, Finska
Biografija: Anna Cichonska je na finski Univerzi Aalto končala doktorski študij strojnega učenja v bioinformatiki. Večino svojega raziskovalnega dela je opravila v sodelovanju s Finskim inštitutom za molekularno medicino FIMM. Za svojo doktorsko disertacijo je leta 2019 prejela nagrado Šole za znanosti Univerze Aalto. Osredotoča se na metode razvijanja asociacijskih študij na celotnem genomu ter na prediktivno načrtovanje molekularnega in fenotipskega odziva učinkovine. Anna je med organizatorji IDG-DREAM Drug Kinase Binding Prediction Challenge, s katerim želijo oceniti modele strojnega učenja kot sistematičnega in poceni sredstva za kartiranje interakcije učinkovina‒beljakovina.
Napovedovalni modeli afinitete do vezave med učinkovino in beljakovino na podlagi Kernelove metode
Kljub večletnim raziskavam in odkritjem učinkovin na osnovi tarč so kemijski agenti, ki zavirajo posamezne tarče, še vedno redki. Zato ima kartiranje celotnega ciljnega prostora beljakovine učinkovine ali njej podobnih spojin, vključno s predvidenimi primarnimi tarčami in sekundarnimi »ne-tarčami«, ključno vlogo pri odkrivanju zdravil. Tovrstno kartiranje ne bi omogočilo zgolj raziskave terapevtskega potenciala kemijskih učinkovin, temveč bi z njimi lahko tudi še pred kliničnimi raziskavami bolje napovedali in nadzirali stranske učinke. Vendar pa je kljub sodobnim visokozmogljostnim testom eksperimentalno bioaktivno kartiranje celotnega prostora interakcij med spojinami in tarčami kaj hitro neizvedljivo zaradi neskončnosti kemijskega sveta.
Metode strojnega učenja nudijo stroškovno učinkovit in dodaten pristop eksperimentalnega profiliranja bioaktivnosti učinkovin, kar omogoča prednostno obravnavo najmočnejše potencialne učinkovine in interakcije beljakovina‒tarča za nadaljnjo validacijo v laboratoriju. Predvsem Kernelove metode so nedavno pritegnile veliko pozornosti na področju farmakologije: med drugim se izpostavlja prednost računsko učinkovitih modelov nelinearnosti med kemijskimi značilnostmi in beljakovinami ter profilom bioaktivnosti učinkovine.
Med predavanjem bom predstavila koncept učenja po Kernelovih metodah in njihovo uporabo na modelih interakcij učinkovina‒beljakovina. Osredotočili se bomo na kvantitativno napoved afinitete, da bi z njo kar najbolje označili spekter aktivnosti učinkovine. Na koncu predavanja bomo povzeli še rezultate Illuminating the Druggable Genome (IDG)-DREAM Drug-Kinase Binding Prediction Challenge.