Sunucu
Doç.Dr. Yaron Orenstein
Yaron Orenstein, Ben-Gurion Negev Üniversitesi Elektrik ve Bilgisayar Mühendisliği Okulu’nda Kıdemli Öğretim Üyesi ve Hesaplamalı Biyoloji Laboratuvarı’nın başkanıdır. Yaron, Tel-Aviv Üniversitesi’nde Elektrik Mühendisliği ve Bilgisayar Bilimleri alanında summa cum laude derecesiyle lisans eğitimini tamamladı ve Prof. Dana Ron’un danışmanlığında doğrudan yüksek lisans programına devam etti. Ardından, Tel-Aviv Üniversitesi’nde Prof. Ron Shamir’in danışmanlığında Bilgisayar Bilimleri alanında doktora yaptı ve Deutch ödülü ve Dan David bursu gibi birçok ödül ve burs kazandı. Massachusetts Teknoloji Enstitüsü’nde Prof. Bonnie Berger ile doktora sonrası eğitimini tamamladı ve Simons Bilgisayar Teorisi Enstitüsü’nde bir dönem Araştırma Üyesi olarak görev yaptı. Son dört buçuk yılda, Yaron, birçok yayını, hibesi ve mezun öğrencisi olan verimli ve üretken bir laboratuvarın başkanıdır. 40’tan fazla dergi makalesi ve konferans bildirisi yazdı, ISF, BSF, NIH, ICA ve IIA’dan hibe aldı ve 15’ten fazla lisansüstü öğrenciyi yönlendirdi. Ana araştırma ilgi alanları arasında dizi tasarımı problemleri ve derin sinir ağlarının genomik uygulamaları yer almaktadır.
Özet
Protein-RNA etkileşimleri birçok hücresel süreçte hayati roller oynar ve bu nedenle birçok biyolojik çalışmanın ana odak noktasıdır. Biyologlar, protein-RNA etkileşimlerini yüksek verimli bir şekilde ölçmek ve bu yüksek verimli deneysel ölçümlere dayalı olarak, yeni RNA dizilerine olan etkileşimleri tahmin etmek için doğru makine öğrenimi modelleri eğitmek istemektedirler. Konuşmamda, her iki zorluğa da çözüm sunacağım: verimli yüksek verimli deneylerin tasarımı ve yüksek verimli genomik veriler üzerinde son derece doğru tahmin modellerinin eğitimi. İlk olarak, tek bir yüksek verimli deneyde birçok proteini verimli bir şekilde kapsayacak protein kodlama şablonlarını tasarlamak için Tamsayılı Doğrusal Programlamaya dayalı yeni bir yöntem olan DeCoDe’yi tanıtacağım. DeCoDe, mevcut yöntemlerden daha iyi performans gösterir ve değişken uzunlukta proteinleri kapsamak ve birden fazla şablon üzerinde küresel olarak optimize etmek gibi daha önce mümkün olmayan özellikleri yeni olarak sağlar. İkinci olarak, bir mRNA’nın 3′-UTR dizisine dayalı olarak mRNA yıkım dinamiklerini tahmin etmek için Derin Öğrenmeye dayalı yeni bir yöntem olan DeepUTR’yi tanıtacağım. DeepUTR, mevcut yöntemlerden daha iyi performans gösterir ve çeşitli zaman noktalarında mRNA seviyelerinin tahmin edilmesini yeni olarak sağlar. Ayrıca, Entegre Gradients yorumlanabilirlik yaklaşımını birden fazla girdi türünü işleyebilecek şekilde genişlettik ve genişletilmiş yaklaşımı kullanarak mRNA yıkımı ile ilişkili bilinen ve yeni düzenleyici 3′-UTR elementlerini keşfettik. Konuşmamı, hem dizi tasarımı sorunları hem de genomikte derin sinir ağları uygulamaları ile ilgili gelecekteki planlarla sonlandıracağım.
Tarih: 14 Haziran, 2022 – 11:00 AM (GMT+3)
Dil: İngilizce
Buradan kayıt olabilirsiniz !