Onderzoeksgroep
Moleculaire ontdekking in niet-doelgerichte metabolomics via geavanceerde datawetenschappen en machine learning.
Abstract
Hoewel onze capaciteit voor moleculaire ontdekking via kleine molecule massaspectrometrie (MS) sterk is gegroeid, resteert er een fundamentele uitdaging: de meeste MS/MS-spectra blijven ongeannoteerd, wat de mogelijke inzichten van dergelijke studies beperkt. Om deze kloof te overbruggen streeft mijn onderzoek naar een paradigmaverschuiving van heuristiekgestuurde analyses naar een data-gedreven aanpak om nieuwe moleculaire inzichten te onthullen. Om dit te realiseren, stel ik een drievoudige strategie voor om de interpretatie van MS-data te verbeteren. Ten eerste zal ik het zoeken in spectrale bibliotheken verfijnen door semi-gesuperviseerde machine learning en een target-decoy strategie te gebruiken om de sensitiviteit en betrouwbaarheid van annotaties te verhogen. Ten tweede zal ik het probleem van chimerische spectra aanpakken door een deep learning-gebaseerde deconvolutiemethode te ontwikkelen, waardoor overlappende isotopische enveloppen nauwkeurig kunnen worden gescheiden. Ten derde zal ik een aanpak ontwikkelen voor AI-gestuurde moleculaire netwerken op archiefschaal om voorheen niet-gekarakteriseerde moleculaire analogen te ontdekken, wat de capaciteit voor de ontdekking van kleine moleculen zal uitbreiden. Door de schat aan ongeannoteerde MS-data te benutten, zal dit project belangrijke vooruitgangen bieden voor biomedisch en milieugericht onderzoek. Het zal de wetenschappelijke gemeenschap voorzien van de volgende generatie aan tools voor moleculaire ontdekking.Onderzoeker(s)
- Promotor: Bittremieux Wout
- Mandaathouder: Heirman Janne
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Bio-informatica en machinaal leren voor de analyse van grote hoeveelheden metabolomics data
Abstract
Ondanks recente doorbraken in artificiële intelligentie (AI) die hebben geleid tot radicale vooruitgang in verschillende wetenschappelijke domeinen zijn AI-technieken nog niet systematisch ingeburgerd in de levenswetenschappen. In het bijzonder de analyse van massaspectrometrie (MS) data van kleine moleculen is nog steeds gebaseerd op vakkennis en handmatig samengestelde regels. Dit project zal een nieuwe, krachtigere manier van data analyse ontwikkelen waarin MS gegevens worden geïnterpreteerd in de context van bestaande informatie die beschikbaar is in publieke databanken. De onderzoekshypothese waarop het voorgestelde project gebaseerd is, is dat geavanceerde AI-technieken verborgen kennis kunnen ontdekken in grote hoeveelheden MS data om een dieper inzicht te verkrijgen in de moleculaire samenstelling van complexe biologische stalen. We zullen machine learning-gebaseerde oplossingen ontwikkelen om het geobserveerde moleculaire universum te onderzoeken en een uitgebreide kennisbank voor kleine moleculen op te bouwen. Deze ambitieuze doelen bouwen voort op onze unieke expertise in zowel AI als MS om geavanceerde datagestuurde softwareoplossingen te ontwikkelen die zullen leiden tot een verbeterde moleculaire ontdekking uit MS data.Onderzoeker(s)
- Promotor: Bittremieux Wout
- Mandaathouder: Heirman Janne
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject