Identificatie van mechanismes en genetische structuur van ziekten door niet-lineaire fusie van omics data

De immer toenemende beschikbaarheid van verschillende types omics data (genetische variatie, gen expressie, proteomics, etc.) zorgt voor nieuwe uitdagingen. Onderzoek naar de integratie van deze data voor het identificeren van genen en varianten betrokken bij ziektes en zo het verwerven van inzicht in ziekte pathogenese en mogelijke behandelingsstrategieën, is cruciaal. Verder bouwend op eerder werk van ons lab in verband met het prioriteren van genetisch varianten en verschillende niet-lineaire data fusie methodes (zoals kernel methodes, Bayesiaanse matrix factorisatie en deep learning), zullen we een kader uitwerken voor collectieve modellering van genen, pathways, fenotypes en ziekte informatie, gebaseerd op verschillende omics data en andere informatiebronnen (zoals text-mining van literatuur). Methodologisch zullen we focussen op deep learning modellen van latente representaties, bekomen uit onvolledige en schaarse data in een entiteit-relatie kader. Dit maakt de integratie van informatie over verschillende types van objecten (genen, pathways, fenotypes en ziektes) mogelijk. Initieel zal gewerkt worden met publiek beschikbare data, met later meer focus op specifieke samenwerkingen met biomedici voor het aantonen van de brede toepasbaarheid van de methode, gaande van zeldzame genetische aandoeningen tot complexe ziekten en kanker.