Peter Horvath
Center za biološke raziskave madžarske znanstvene akademije, Madžarska
Biografija: Peter Horvath (1980) je trenutno direktor in vodja skupine na Centru za biološke raziskave madžarske znanstvene akademije v Szegedu, poleg tega pa predavatelj z nazivom Finnish Distinguished Professor (FiDiPro) na Finskem inštitutu za molekularno medicino (FIMM) v Helsinkih. Je diplomirani razvijalec programske opreme in matematik, ki je doktorat znanosti s področja analize satelitskih slik dokončal na francoskem inštitutu za raziskave na področju računalništva in avtomatizacije in Univerze v Nici, Sophia Antipolis v Franciji. Med 2007 in 2013 je bil višji znanstveni sodelavec centra za svetlobno mikroskopijo na švicarski državni tehniški visoki šoli ETH v Zürichu. Peter Horvath je usmerjen v reševanje računskih problemov biologije celice, povezanih s svetlobno mikroskopijo, deluje pa tudi na treh glavnih raziskovalnih področjih: 2D in 3D segmentacija in sledenje bioloških slik, razvoj tehnik za korekcijo mikroskopskih slik ter metode strojnega učenja v visokozmogljivostni mikroskopiji. Je soustanovitelj Evropske interesne skupine za teste na osnovi celic ter svetovalec Družbe za biomolekularno slikanje in informatiko.
Življenje onkraj pikslov: strojno učenje in metode analiziranja slik za HCS
Predstavil bom računske korake v obsežnih analizah na osnovi celice. Najprej bom izpostavil novo metodo korekcije mikroskopske slike, zasnovane za odpravo vinjetiranja in neenakomernih učinkov ozadja; brez korekcij se namreč merjenje na osnovi intenzitete lahko izkrivi. Razpravljal bom o programski opremi Advanced Cell Classifier (ACC) (www.cellclassifier.org), orodju, ki prepoznava celične fenotipe na podlagi značilnosti, pridobljenih iz slike, uporabniku pa nudi vmesnik za učinkovito usvajanje metod strojnega učenja za napovedovanje različnih fenotipov. Razvili smo tudi zbirko orodij Suggest a Learner (SALT), ki izbere optimalne algoritme in parametre strojnega učenja za določen problem razvrščanja. Za primere, v katerih diskretni sklepi na osnovi celice ne pridejo v poštev, ponujamo metodo multiparametrične regresije, ki analizira stalne biološke pojave. Nedavno smo tudi razvili shemo aktivnega učenja, ki samodejno izbere vzorce celic z največ podatki, da bi z njo izboljšali hitrost in natančnost učenja.