KUTATÁSI TÉMAJAVASLAT ITC hallgatónak jelentkezők számára
témavezető: intézet: e-mail cím:
HORVÁTH Péter, Ph.D. Biokémiai Intézet
[email protected]
téma címe:
AKTÍV GÉPI TANULÁSI ÉS REGRESSZIÓS MÓDSZEREK NAGY LÉPTÉKŰ 3D BIOLÓGIAI KÉPI ADATOK FELDOLGOZÁSÁRA
ÖSSZEFOGLALÁS A BIOMAG kutatócsoport Ph.D. kutatói állást hirdet gépi tanulás témakörben, egysejtek analízise 2/3D nagy áteresztőképességű mikroszkópos adatokon gépi tanulási módszerek segítségével témakörben. Olyan interaktív gépi tanulási módszerek fejlesztését tervezzük, melyek kevesebb es intelligensebb kérdést tesznek fel az orvos kutatóknak úgy, hogy az adatelemzés pontosságát a legnagyobb mertekben javítsak. Biológiai folyamatok közben a sejtek állandó változáson mennek keresztül, mely nem-diszkrét folyamatokat felügyelt klasszifikációs módszerek nem képesek megfelelően modellezni. Célunk ilyen folyamatok elemzése (aktív) felügyelt regressziós módszerekkel. A fejlesztett módszereket az idegtudományban es tumor biológiai kutatásban fogjuk alkalmazni. Az algoritmusokat be fogjuk integrálni az egysejt kinyerő rendszerünkbe. HÁTTÉR BIOMAG (Biológiai Képfeldolgozó es Gépi Tanulási Csoport) egy újonnan indított kutatócsoport a Szegedi Biológiai Kutatóintézetben (SZBK), illetve egy testvér csoporttal a Finn Molekuláris Medicina Intézetben (FIMM) Helsinkiben. A kutatócsoport kutatási területe gépi tanulási es képfeldolgozó algoritmusok fejlesztése es alkalmazása nagy léptékű biológiai képeken, i) az analízis javítása érdekében, ii) újabb biológiai összefüggések felfedezése, iii) kevesebb es intelligensebb kérdések automatikus generálása. A módszereinket a precíziós gyógyászat különböző területein alkalmazzák, mint például rákkutatás vagy neurodegeneratív betegségek kezelése. A betegségek pontosabb megértése céljából hisszük, hogy mikroszkopikus technikák alkalmazása egysejt vagy sejtalkotó szinten elkerülhetetlen. A közelmúltban bemutattunk egy forradalmian új módszer, mely képek illuminációs problémait javítja (Smith etal. Nature Methods 2015), új képfeldolgozási módszereket (Horvath etal. Pattern
Recognintion 2009, Koos etal, KEPAF 2015), gépi tanulási módszereket (Horvath etal JBS 2011, Smith etal. JBS 2014), és magas áteresztőképességű képalkotási alkalmazásokat (Banerjee etal. Science 2014, Balistreri etal. Cell 2014).
A BIOMAG csoport az SZBK Szintetikus és Rendszerbiológiai egységének a tagja (www.brc.hu/sysbiol/). Az Egység a Magyar Tudományos Akadémia részeként, kimagasló rendszerbiológiai tudásbázist, inspiráló környezetet, és state-of-the-art analízis
facilitásokat biztosit. A kutatócsoport az EUCAI es az SBI2 igazgatóságának tagja, melyek a világ két legnagyobb biológiai képinformatikai társasága.
A fő kutatási terület aktív és semi-supervised tanulás kombinációja lesz.
KUTATÁSI IRÁNY
• MSc diplomával rendelkezik informatika, matematika, fizika, biomérnöki vagy hasonló tudományterületen. • Gépi tanulás ismeret plusz • Kezdeményező csapatjátékos, aki képes önállóan is dolgozni • Anyanyelvi szinten kommunikál angolul (szóban és írásban) • Érdeklődés biológiai kutatás iránt plusz • Magas szintű programozási ismeretek Aktív es semi-supervised tanulási módszerek ismerete plusz • Erős matematikai es statisztikai háttér plusz • MatLab, Python, R, C++ ismerete plusz
Kutatásaink során a mozgató idegsejtek sérülésének különböző kísérletes modelljeit alkalmazzuk a sérülés elsődleges helyének és időbeli/térbeli változásának követésére, illetve a sérülés mértékének kísérletes befolyásolására. Erre a célra a széles körben elterjedt, de igen drága transzgenikus állatmodellek helyett a sérülés akut modelljeit állítjuk be, melyekkel a kísérletek gyorsabban és hatékonyabban végezhetők el. Ezekben a kísérletekben olyan motoneuron populációk összehasonlító vizsgálata, melyek a humán ALS-ben (is) különböző mértékben sérülnek (III., VII., XII. agyidegi magvak, különböző gerincvelői régiók), a krónikus degeneráció folyamataira és neuroprotektív próbálkozásokra is adaptálható eredményekre vezethetnek. Mindezek a kiváltott sérülés helyének, az érintett agyrégión belüli határainak, térbeli (és időbeli) variabilitásának számszerű ismeretét tételezik fel, melyek azonban nem állnak rendelkezésre. Minthogy ezek azok a lényeges paraméterek, melyek egy kísérletes protektív beavatkozás sikerének jellemzéséhez, vagy részletesebb mikro-anatómiai vizsgálatok elvégzéséhez a mintavételi régiók helyének meghatározásához szükségesek, vizsgálatainkat ezek megszerzésére irányítjuk. CÉLKITŰZÉS Az ideális jelölt az alkalmazott gépi tanulási munkacsoport tagja lesz. A projekt keretében új gépi tanulási módszereket fejleszt majd, melyekkel sejtek viselkedését es működését szeretnénk jobban megérteni 2 es 3D képeken.
a program a TÁMOP 4.1.1.C -13/1/KONV.2014-0001 projekt támogatásával készült
Az ideális jelölt:
Fontosnak tartjuk, hogy a jövő nemzedék kutatóit keressük, akik meg akarjak változtatni a világot es a tudományos fokozat megszerzését nem csupán egy munkának, hanem küldetésnek érzik. ALKALMAZANDÓ / ELSAJÁTÍTANDÓ MÓDSZEREK Az ideális jelölt professzionális szinten sajátítja el a gépi tanulási módszereket. Haladó szinten kezeli a csoport mikroszkópjait, ezen felül betekintést nyer a modern bioinformatikai es képfeldolgozó módszerekbe. JAVASOLT IRODALOM Javasoljuk gépi tanulási és képfeldolgozási kézikönyvek tanulmányozását, ezen felül érdemes high-content screening könyvek elolvasása. Javasoljuk a BIOMAG csoport publikációinak elolvasását.
A FOGADÓ LABORATÓRIUM RÖVID BEMUTATÁSA Jelentősebb publikációk Smith K, et al.: CIDRE: A general illumination correction method for optical microscopy. Nature Methods, (2015) Banerjee I, et al.: Influenza A virus uses the aggresome processing machinery for host cell entry. Science, 346:473477(2014) Balistreri G, et al.: UPF1 and components of nonsense-mediated mRNA decay restrict replication of mammalian RNA viruses. Cell Host and Microbe, 16:403-411(2014) Smith K, et al.: Active Learning Strategies for Phenotypic Profiling of High-Content Screens. Journal of Biomolecular Screening, 19: 685-695(2014) Indranil B, et al.: High-content analysis of sequential events during the early phase of influenza A virus infection. PLoS One, 8:e68450(2013) Reprezentatív kutatási pályázatok NAP-B brain research grant (2014, 4 years, Szeged, BRC HAS) Finland Distinguished Professor award and fellowship (2014, 5 years, University of Helsinki, Finland) Center of Excellence grant of the HAS (2015) A laboratórium néhány közelmúltbeli hallgatója Koos K, Ph.D., 2014-jelenleg; „Reconstruction algorithms for label-free microscopy” Szucs A, Ph.D., 2014-jelenleg; „3D image segmentation methods using variational framework and GPU computations” Szkalisity A, research associate, 2014-jelenleg; „Active regression methods for large biological datasets” Balind A, research associate, 2014-jelenleg; „Correlative Light-light Microscopy” Botyanszki B, predoc, 2015-jelenleg; „High-content analysis of neurodegenerative cell models”
a program a TÁMOP 4.1.1.C -13/1/KONV.2014-0001 projekt támogatásával készült
