Projekti / Programi
ZLIVANJE BIOMEDICINSKIH PODATKOV Z UPORABO NENEGATIVNE MATRIČNETRI-FAKTORIZACIJE
| Koda |
Veda |
Področje |
Podpodročje |
| 1.07.02 |
Naravoslovje |
Računalniško intenzivne metode in aplikacije |
Optimizacije |
| Koda |
Veda |
Področje |
| P160 |
Naravoslovno-matematične vede |
Statistika, operacijsko raziskovanje, programiranje, aktuarska matematika |
| Koda |
Veda |
Področje |
| 1.01 |
Naravoslovne vede |
Matematika |
nenegativna matrična faktorizacija; problem p-prirejanja; so-gručenje podatkov; serotipizacija pacientov; nova uporabnost zdravil; super-računalništvo
Raziskovalci (14)
Organizacije (3)
Povzetek
Osnovni raziskovalni cilj predlaganega projekta je razvoj novih, učinkovitih in natančnih metod za reševanje problemov nenegativne matrične faktorizacije ter njihova uporaba na realnih, kompleksnih biomedicinskih podatkih. Končni cilj je pomagati odgovoriti na temeljna biomedicinska vprašanja iz precizne medicine: stratifikacija pacientov, odkrivanje biomarkerjev in uporaba zdravil v nove namene.
Osrednji problem matematične optimizacije, ki ga bomo študirali, je problem nenegativne matrične tri-faktorizacije s kaznijo (PNMTF), ki je nekonveksen visokodimenzionalen optimizacijski problem, torej zanj ne obstaja učinkovit algoritem za iskanje optimalnih rešitev (razen če je P=NP). Zato se bomo osredotočili na razvoj najboljših aproksimacijskih algoritmov, ki bodo temeljili na uporabi Metode negibne točke in na Bločno koordiniranem spustu, ki bo kombiniran s posebnimi izvedbami metod prvega in drugega reda. Metode bomo analizirali z vidika teoretične in praktične učinkovitosti.
Osrednji problem podatkovnega modeliranja, s katerim se bomo ukvarjali v tem projektu, je uporaba (skoraj) optimalnih rešitev problema PNMTF pri iskanju dobrih so-gruč in dobrih večkratnih povezav med točkami, ki tvorijo kompleksna biomedicinska omrežja. Ozko grlo tega dela projekta je reševanje problema maksimalnega k-prirejanja, ki je tudi NP-težek problem za k)=3. Razvili bomo nove hevristične metode za reševanje tega problema in na koncu tudi najsodobnejši algoritem za iskanje so-gruč in večkratnih povezav v omrežjih biomedicinskih podatkov.
Prej omenjene nove metode podatkovnega modeliranja bodo uporabljene na kompleksnih podatkih o pacientih z revmatoidnim artritisom (RA) ter o pacientih z rakom. Cilj te uporabe bo iskanje so-gruč med pacienti in napovedovanje novih relacij na osnovi bogastva, skritega v teh podatkih.
Pričakujem, da bom:
identificirala nove gene in enonukleotidne polimorfizme (ENP), ki so pomembni za zdravljenje RA z Methotrexate (morda tudi nove biomarkerje) in karakterizirala paciente z večjim tveganjem za prekinitev tega zdravljenja zaradi neželenih stranskih učinkov;
našla najboljšo stratifikacijo teh pacientov do sedaj z identificiranjem gruč pacientov, katerih izid zdravljenja se bo bistveno razlikoval od ostalih, kar bom dosegla s hkratnim so-gručenjem vseh podatkov;
bolje identificirala tiste skupine genov, ki so obogateni z znanimi gonilnimi mutacijami za posamezno vrsto raka, torej odkrila nove biomarkerje za bolnike z rakom.
Napovedala nove povezave med zdravili in skupinam pacientov, s čimer bom lahko posledično identificirala kandidate za nova zdravila, ki bodo lahko uporabljena za zdravljenje izbrane vrste raka. To bo prispevek k personaliziranemu zdravljenju.
Vse nove medicinske ugotovitve, pridobljene v sklopu tega projekta, bodo medicinsko preverjene in klinično preizkušene s strani mojih raziskovalnih sodelavcev iz Univerze v Ljubljani in iz University College London.
Sodelujoči organizaciji (ULFS, IJS) že imajo svetovno primerljivo znanje s področja matematične optimizacije, računalništva in podatkovne znanosti. Prav tako bosta zagotovili (predvsem ULFS) sodoben superračunalnik za potrebe tega projekta. V projektu bom torej povezala te kompetence in jih nadgradila s svojim strokovnim znanjem in izkušnjami s področja uporabe novih metod podatkovnega rudarjenja, razvitih za potrebe iskanja biomedicinskega znanja v velikih in kompleksnih omrežjih nad heterogenimi biomedicinskimi podatki, kar bo zagotovilo za doseganje ciljev projekta.
Posebna prednost tega projekta je v tem, da bomo vse na novo razvite metode za reševanje PNMTF in za iskanje so-gruč in pomembnih večkratnih povezav sprogramirali na način, da bodo učinkovito tekle na superračunalniku. Raziskovalni skupnosti bodo na voljo v obliki brezplačnega, odprtokodnega, uporabniku prijaznega programskega paketa.
Pomen za razvoj znanosti
Verjamem, da se kot znanstveniki nahajamo v izjemnem zgodovinskem času, saj so se nakopičile velike količine raznolikih, sistemskih, zapletenih in prepletenih molekulskih in kliničnih podatkov. Ti podatki zahtevajo razvoj novih, naprednih metod zlivanja podatkov, kakršne predlagamo v tem projektu, s končnim ciljem pridobiti novo biomedicinsko razumevanje podatkov in posledično razvoj novih metod zdravljenja, kar bo na koncu imelo velik vpliv na javno zdravje.
Poleg omenjenega bo predlagani projekt ustvaril pomemben doprinos na področjih matematike, računalništva in podatkovnih znanosti:
ustvarili bomo široko odmeven prikaz, kako lahko ta področja izkoristijo prednosti uporabe visoko zmogljivih računalnikov, kar je skladno s prioritetami, ki jih je Evropska komisija postavila v nedavnem dokumentu Mathematics for Digital Science (http://www.euro-math-soc.eu/system/files/news/Mathematics for Digital Science.pdf),
razvili bomo nove algoritme in jih implementirali v učinkovitih (paralelnih) računalniških programih za reševanje posebnih oblik problema nenegativne matrične tri-faktorizacije,
razvili bomo nove metode zlivanja podatkov, ki bodo temeljile na rešitvah problema nenegativne matrične tri-faktorizacije s kaznijo,
jasno bomo prikazali, kako lahko matematika, računalništvo in podatkovne znanosti skupaj prispevajo k napredku pri reševanju najbolj aktualnih odprtih problemov v medicini, kot so precizna medicina in uporaba zdravil v nove namene.
Pomen za razvoj Slovenije
Posebna prednost tega projektnega predloga je je dejstvo, da je motiviran in b usmerjan s strani mojih medicinskih in farmacevtskih sodelavcev, ki bodo biološko validirali naše nove ugotovitve, povezane s precizno medicino in uporaba zdravil v nove namene.
Imam že vzpostavljeno sodelovanje s prof. dr. Vito Dolžan iz Medicinske fakultete Univerze v Ljubljani, ki nam je že posredovala na legalen in transparenten način svoje podatke o pacientih z boleznijo Rheumatoid Arthritis. Moji medicinski sodelavci iz University College London (UL), še posebej dekan Medicinske fakultete iz UCL prof. Mark Emberton, bodo medicinsko preverjali moje predikcije in jih umeščali v klinično prakso. Moji industrijski partnerji, še posebej podjetje Diagenomi d.o.o. iz Ljubljane ter farmacevtska velikana GSK in J&J, bodo vključeni v preizkušanje rezultatov projekta.
Projekt bo imel širši vpliv na večih področjih. Izboljšal bo slovenske in širše EU kompetence na področju analize velepodatkov, prav tako bo spodbudil raziskovalce na področjih matematične optimizacije, računalništva in podatkovnih znanosti, da prispevajo večji delež pri reševanju osrednjih problemov sedanje medicine: precizna medicina in ponovna uporaba zdravil.
Projekt bo tako prikazal, da je medicina področje, kjer lahko raziskovalci iz matematike, računalništva in podatkovnih znanosti sodelujejo in z uporabo najsodobnejše superračunalniške infrastrukture ustvarijo viden napredek. Projekt je tako tudi neposreden odgovor na izzive, ki jih je izpostavila Evropska komisija v svojem nedavnem dokumentu Mathematics for Digital Science. (http://www.euro-math-soc.eu/system/files/news/Mathematics for Digital Science.pdf).
Najpomembnejši znanstveni rezultati
Vmesno poročilo,
zaključno poročilo
Najpomembnejši družbeno–ekonomsko in kulturno relevantni rezultati
Vmesno poročilo,
zaključno poročilo
