Büyük Ölçekli Biyolojik Verilerin Derin Öğrenme Yaklaşımlarıyla Hesaplamalı Analizi ve Entegrasyonu

  • Başlık: Büyük Ölçekli Biyolojik Verilerin Derin Öğrenme Yaklaşımlarıyla Hesaplamalı Analizi ve Entegrasyonu
  • Sunucu: Dr. Tunca Doğan, EMBI – EBI & METU
  • Tarih: 2 Ağustos, 2018
  • Dil: İngilizce
  • Özet: Kamu sunucularında biriken büyük ölçekli ve gürültülü biyolojik/biyomedikal verileri anlamlandırmak için makine öğrenimi ve veri madenciliği teknikleri sıklıkla kullanılmaktadır. Bu çabanın kilit konularından biri, proteinlerin işlevleri ve etkileşimleri gibi özelliklerinin tahmin edilmesidir. Son zamanlarda derin öğrenme (DL) tabanlı yöntemler, bilgisayarlı görme, doğal dil işleme ve yapay zeka alanlarında geleneksel makine öğrenimi algoritmalarından daha iyi performans göstermiş; bu da bunların biyolojik verilere uygulanmasına dikkat çekti. Bu konuşmamda araştırma merkezimizde (KanSiL, Enformatik Enstitüsü, ODTÜ) yeni geliştirdiğimiz DL tabanlı olasılıksal hesaplamalı yöntemleri anlatacağım; ilk olarak, karakterize edilmemiş proteinlerin (yani DEEPred) işlevlerini tahmin etmek; ve ikincisi, biyomedikal veri entegrasyonu hedefiyle birlikte ilaç keşfi ve yeniden konumlandırma amaçlarına hizmet etmek üzere insan proteomundaki tüm potansiyel hedefler için (yani DEEPscreen) yeni etkileşimli ilaç adayı molekülleri tanımlamak. Yeni DL yaklaşımlarını kullanmanın faydalarının yanı sıra, derin öğrenmenin neden tek başına biyoinformatik ile ilgili her sorunu çözemeyeceğini açıklamak için DL tabanlı tekniklerin biyolojik verilere uygulandığında sınırlamalarından da bahsedeceğim.
  • Bigmarker: https://www.bigmarker.com/bioinfonet/TuncaDogan
  • Youtube: https://www.youtube.com/watch?v=ijr0B5oTnuY