Data science för upptäckt av sjukdomssignatur och läkemedel
- Diarienummer
- SM23-0038
- Projektledare
- Sysoev, Oleg
- Start- och slutdatum
- 240101-250630
- Beviljat belopp
- 1 030 239 kr
- Förvaltande organisation
- Linköping University
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
AstraZeneca (AZ) har utvecklat ett verktyg, Regulatory Flux Analysis (RFA), som predikterar regulatoriskt inflytande mellan gener eller proteiner. Programvaran predikterar ett regulatoriskt nätverk för alla möjliga vägar mellan olika enheter. Verktyget möjliggör kartläggning av genuttryck och uppskattar kvantifieringen av molekylär reglering mellan enheter med hjälp av bulkdata som representerar aggregerade uttryck över många celltyper. Encells-RNA har potential att avslöja molekylära regleringar med mycket högre upplösning ledande till både nya biologiska fynd och förbättrad upptäckt av läkemedel. Dr Oleg Sysoev har en gedigen erfarenhet av att analysera sådana data i en akademisk miljö. Huvudsyftet med detta projekt är att utöka RFA för att prediktera celltypsspecifik molekylär reglering och reglering mellan celltyper. På grund av datakomplexiteten kommer nätverksverktyg kombineras med maskininlärning för att a) härleda molekylära interaktioner inom och mellan celltyper, b) identifiera komplexa sjukdomssignaturer med gener från flera celltyper, c) identifiera signatursbaserade kemikalier som påverkar sjukdomen d) konstruera beräkningsmodeller för drug repurposing på de befintliga AZ-läkemedel. Arbetet kommer att utföras i samarbete med Neuroscience-teamet på AZ som har tillgång till lämpliga datamängder. Projektet kommer att leda till ökad förståelse av sjukdomens biologi, patentering av nya sjukdomsbiomarkörerna och utveckling av nya precisionsläkemedel.
Populärvetenskaplig beskrivning
Läkemedelsutveckling är en lång och kostsam process och cirka 90 % av läkemedlen i kliniska prövningar misslyckas fortfarande. Omkring 30 % av misslyckanden i läkemedelsutvecklingen beror på att de är för toxiska eller har biverkningar, ungefär 50 % har dålig effektivitet. Många av dessa läkemedel misslyckas på grund av bristande förståelse av sjukdomens biologi. AstraZeneca är ett av de största läkemedelsutvecklingsföretagen i världen. För att utveckla läkemedel konstruerar företaget ett nätverk som förklarar biologiska interaktioner mellan olika biologiska enheter, såsom gener, proteiner osv. En nackdel med denna procedur är att detta nätverk är konstruerat från data som innehåller aggregerad information över många celler och kan för närvarande inte ta hänsyn till processer som sker mellan enskilda celler. Det första målet med detta projekt är att använda datamängder med mycket högre upplösning, så kallade encellsdata, för att ändra upplösningen i det befintliga nätverket. Eftersom encellsdata är stora och komplexa kommer vi behöva kombinera metoder från maskininlärning, datavetenskap och nätverksvetenskap för att konstruera den nya typen av nätverk. När vi har det nya nätverket kommer vi använda det för att förbättra andra steg i läkemedelsutvecklingen. Vi planerar att föreslå bättre sätt att svara på följande frågor: a) vilken typ av tester kan göras för att ta reda på om personen är sjuk b) vilka ingredienser vi ska blanda in i läkemedel för att behandla denna person, och c) om det finns några andra mediciner som ursprungligen användes för att behandla andra sjukdomar som vi också kan använda för att behandla denna person.