Project
Voorspelling en onzekerheidskwantificering van de bioactiviteit van kleine moleculen uit chemische structuur en fenotypische gegevens
Vanwege de diversiteit en toenemende beschikbaarheid kunnen in-vitro- assaygegevens een waardevolle bron zijn voor het voorspellen van bioactiviteiten, het monitoren van bijwerkingen en het hergebruiken van medicijnen. Het is bewezen dat machinale leermethoden buitengewoon nuttige hulpmiddelen zijn om deze informatie te benutten om kleine moleculaire liganden met een gewenst activiteitenprofiel te vinden. Macau is een Bayesiaans matrixfactorisatiemodel dat eerder werd ontwikkeld aan de KU Leuven en als bedoeling heeft een latente representatie te leren van complexe interacties uit zeer onvolledige gegevens. Het doel van dit werk is om de voordelen van het bestaande Macau-model en zijn op diepe neurale netwerk gebaseerde opvolger, het SparseChem-model, te verbeteren, uit te breiden en te combineren. Verder zal aanvullende informatie naast moleculaire ‘fingerprints’ worden opgenomen, zoals beeldvormingsgegevens en expressiegegevens voor chemische verbindingen en hun ‘targets’. Deze nieuwe modelarchitecturen zullen onzekerheidsschatting mogelijk maken zonder de beperkingen van puntschattingen, terwijl de representatiekracht van deep learning-modellen behouden blijft, waardoor nauwkeurige en betrouwbare voorspellingen van bioactiviteiten mogelijk worden. Uiteindelijk willen we betrouwbare tools ontwikkelen die de identificatie van liganden met een gewenst bioactiviteitsprofiel in een vroeg stadium in de pijplijn van geneesmiddelenonderzoek mogelijk maken.