David Bednář

Spolu s vyhledáváním v dostupných databázích dokážeme rozlišit mezi přirozeným polymorfismem a škodlivými mutacemi. Proteiny se škodlivými mutacemi mohou být cíleny známými léčivy, nebo lze dokonce identifikovat novou léčbu pomocí strategie „drug repurposing“. Bohužel, mnoho dostupných nástrojů a databází je obtížné najít, nainstalovat a provozovat, protože mnohé z nich nebyly ani vyvinuty pro lékařské účely. Interpretaci výsledků je třeba provádět pečlivě s odbornými znalostmi bioinformatických principů. Automatizace sběru dat a jejich uživatelsky přívětivá prezentace jsou proto zásadní pro zaneprázdněné a často přetížené onkology.

Navíc s rostoucím množstvím biologických a klinických dat a se složitostí základních mechanismů se v onkologii stále častěji využívají metody strojového učení. Tyto metody jsou založeny na hledání zobecnitelných vzorců v dostupných datech pomocí univerzálních algoritmů, jako jsou např. umělé neuronové sítě, rozhodovací stromy a kernelové metody. V onkologii se tyto algoritmy již uplatňují v širokém spektru problémů, např. při posuzování onkologického rizika, automatizované detekci lézí, charakterizaci nemoci, hodnocení stádia, predikci prognózy a odpovědi na léčbu. Pro výcvik těchto algoritmů se nyní používají klinická i zobrazovací data s cílem zlepšit přesnost zavedených screeningových strategií v léčbě rakoviny prostaty, plic, slinivky, prsu a mnoha dalších typů rakoviny.

V posledních letech sekvenovací techniky rozšířily klinická a zobrazovací data o vzorky na různých molekulárních úrovních, což podporuje využití multi-omik v onkologii k řešení problémů, jako je fenotypizace pacientů, objevování biomarkerů a opětovné použití léků.

V Loschmidtových laboratořích již máme rozsáhlé odborné znalosti v oblasti predikce účinků mutací na funkci proteinu, stabilitu a rozpustnost, které často souvisejí s molekulárními mechanismy studovanými v onkologii. Navíc naše webové servery jsou často tvořeny komplexními pracovními postupy kombinujícími desítky nástrojů a databází, poskytující data srozumitelným a uživatelsky přívětivým způsobem. V rámci tohoto projektu vyvíjíme webový nástroj PredictONCO, který spojí všechny naše znalosti v oblasti analýzy proteinů a jejich mutací s informacemi získanými z dostupných databází. Zaměříme se na koncentraci pouze relevantních informací v jediném nástroji a jejich poskytování snadno použitelným způsobem. Nástroj bude poskytovat informace o známých léčivech a aplikovat virtuální screening pro identifikaci nových potenciálních kandidátů pomocí strategie „drug repurposing“. V druhé verzi chceme rozšířit naše odborné znalosti a dále aplikovat metody strojového učení ve dvou směrech i) identifikaci léčiv a ii) analýzu interakčních sítí. 

Cíle výzkumu

1. Vývoj softwaru pro klinickou onkologii.
2. Aplikace strojového učení a umělé inteligence v onkologii.
3. Inženýrství a analýza proteinů pro biotechnologii a biomedicínu.
4. Vývoj softwarových nástrojů pro proteinové inženýrství.