Marinka Žitnik
Oddelek za računalniške vede, Univerze v Stanfordu, ZDA
Biografija: Marinka Žitnik je podoktorska raziskovalka na Oddelku za računalniške vede Univerze v Stanfordu. Raziskuje strojno učenje na področju biomedicine, pri čemer se osredotoča predvsem na nove metode velikih mrež interakcij med biomedicinskimi akterji. Doktorski študij iz računalništva je zaključila na Univerzi v Ljubljani, poleg tega pa je svoje raziskovalno delo opravljata tudi na londonskem Imperial Collegeu, na Univerzi v Torontu, na medicinski fakulteti Baylor in na Univerzi v Stanfordu. V okviru svojega dela je prejela več nagrad mednarodnega združenja za računsko biologijo za najboljše znanstvene članke, posterje in raziskave. Prejela je tudi nagrado za vzhajajočo zvezdo, ki jo za področje računalništva in inženirstva podeljuje ameriška univerza MIT, ter nagrado mlade generacije iz biomedicine, ki jo podeljujeta krovna inštituta univerz Harvard in MIT, s tem pa je kot edina mlada raziskovalka prejela tovrstni nagradi tako za računalništvo kot za biomedicino. Je tudi članica stanfordskega raziskovalnega centra Chan Zuckerberg Biohub.
Uporaba nevronskih mrež za računalniško podprto ponovno uporabo učinkovin
Preden novo zdravilo doseže bolnike, lahko preteče kar petnajst let, porabimo pa tudi milijardo dolarjev, saj je postopek ugotavljanja bolezni, ki jih tovrstno novo zdravilo zdravi, izjemno zahteven. Bolezni so med seboj povezane, pogosto pa si popolnoma različne bolezni delijo ogromno število genov. Podobno tudi vplivi določene učinkovine niso omejeni na beljakovine, na katere se neposredno vežejo, temveč se širijo prek bioloških mrež, na katere delujejo. Zato je učinek zdravil na določeno bolezen povezan na omrežje.
Med predavanjem bom predstavila načrt za obsežne napovedi zdravstvenih kazalnikov s pomočjo podatkov biološke mreže. Načrt temelji na novih dognanjih, po katerih je majhna omrežna soseščina ciljnih učinkovin podobna strukturi soseščine bolezni, ki to taisto zdravilo obravnava. Pristop predvideva najprej usvajanje globokih modelov, kompaktnih predstavitev podmrež beljakovin, ki jih učinkovine in bolezni napadejo. Geometrija usvojenega vključenega prostora je optimizirana tako, da izvajanje algebraičnih operacij v njem odraža interakcije, srž bioloških mrež. Nato jih uporabimo za napovedovanje, katere bolezni lahko novo zdravilo zdravi, in tovrstne napovedi tudi podkrepiti z razlagami, s katerimi dobimo vpogled v omrežne mehanizme učinkov zdravila. Tovrstni pristopi vključevanja mrež lahko pravilno napovejo večje število učinkovin, ki so bila nedavno ponovno uporabljene, prav tako pa lahko delujejo na najzahtevnejših in izjemno pomembnih primerih, ko zdravilo ne obravnava točno določene bolezni ali ko bolezen še nima priznanega zdravljenja.
Vključevanje omrežij za oblikovanje polifarmacije in interakcij učinkovina‒učinkovina
Polifarmacija oziroma uporaba kombinacije učinkovin je pogosta pri zdravljenju bolnikov s kompleksnimi boleznimi ali z več obolenji hkrati. Vendar pa je ena glavnih posledic uporabe polifarmacije visoko tveganje stranskih učinkov, do katerih pride zaradi interakcije učinkovina‒učinkovina, pri čemer se delovanje enega zdravila spremeni, če ga bolnik jemlje sočasno z drugimi. Polifarmacija predstavlja tudi vse resnejšo težavo v zdravstvenem sistemu, saj prizadene skoraj 15 % vseh državljanov ZDA, samo zdravljenje njenih stranskih učinkov pa Ameriko stane preko 177 milijard dolarjev letno.
Med predavanjem bom predstavila metodologijo za obsežne napovedi na področju polifarmacije. Sprva smo za vsa zdravila, predpisana v ZDA, pridobili podatke o molekulah, učinkovinah in bolnikih. Podatki so predstavljeni na ogromnih multimodalnih mrežah interakcij beljakovina‒beljakovina, interakcij učinkovina‒beljakovina tarča in stranskih učinkih polifarmacije. Nato bom predstavila metode vključevanja mrež, ki vozlišča v multimodalnih mrežah vključuje v optimizirane nizkodimenzionalne vektorske prostore. V tem delu bom poudarila ključne prednosti pri spoznavanju vključevanja v mreže in se osredotočila na nove priložnosti, ki jih tovrstni napredek omogoča na področju računske biologije. Na koncu bom predstavila še, kako lahko s pomočjo pristopa prvič napovemo stranske učinke in stopnjo varnosti določene kombinacije učinkovin ter kako lahko tovrstne napovedi s podatki pravih bolnikov potrdimo na klinični ravni.