Последнее десятилетие характеризуется активным развитием вычислительной биологии и генетики. Количество данных растет с каждым годом в геометрической прогрессии. В биомедицине для сбора и хранения данных используются распределенные отказоустойчивые системы хранения; для извлечения нового знания и анализа данных применяются математические алгоритмы и методы машинного обучения.
Руководители, проекты и темы:
Евгений Карпулевич | Антон Наумов | Арам Аветисян |
Биоинформатика: построение масштабируемых пайплайнов для анализа NGS данных. Прикладной анализ данных ДНК- и РНК-секвенирования. Картирование генома на граф, GWAS, PRS | Анализ изображений: детекция клеточных ядер, нейросети с вниманием, семантическая сегментация сосудистого русла, анализ данных КТ и функционального МРТ | Анализ сигналов: Создание базовой модели для классификации сигнала ЭКГ, предобучение, выделение hand-crafted признаков, создание эталонного набора 12-канальных ЭКГ |
– Исследование результатов полногеномных поисков ассоциаций (GWAS); – Сравнение инструмента HISAT2 с ФМ-индексом и vg с GSCA индексом для задачи выравнивания генома человека; – Улучшение точности работы генетического пайплайна посредством поиска ложноположительных мутаций методами машинного обучения; – Анализ производительности и точности генетического пайплайна; – Исследованием ассоциаций между геномными вариантами и фенотипическими признаками в графовом представлении; – Улучшение модели детекции ядер на гистологических снимках за счет добавления дополнительной информации. | – Улучшение модели детекции ядер на гистологических снимках за счет добавления дополнительной информации. | – Сегментация комплекса QRS сигнала ЭКГ (определение начала, конца и пика Q, R, S); – Влияние добавления фильтрации на качество классификации записей 12-канальных ЭКГ. |
Темы защищенных курсовых и дипломов:
Курсовые работы 3-го курса:
- Аксенова Елена. “Исследование и разработка метода кластеризации данных секвенирования РНК одиночных клеток.”
- Гугучкин Егор. “Сравнение существующих алгоритмов импутации генотипа в целях повышения эффективности последующего применения алгоритма предсказания наследуемых признаков.”
Курсовые работы 5-го курса:
- Кондратьева Олеся. “Интерпретирование вариантов генома человека с помощью полногеномной оценки.”
Бакалаврские дипломы:
- Акименкова Мария. “Кластеризация РНК экспрессии единичных клеток в гетерогенных наборах данных.”
- Андреев Павел. “Разработка алгоритма классификации ЭКГ в 12 отведениях.”
- Гугучкин Егор. “Предсказание резистентности M.tuberclosis к антибиотикам с помощью линейных смешанных моделей.”
- Бушенкова Ксения. “Классификация бактерий, выращенных в искусственной среде.”
- Иванов Андрей. “Семантическая сегментация эндометрия.”
Магистерские дипломы:
- Аветисян Арам. “Исследование методик предобучения нейросетей для классификации электрокардиограмм.”
Научные статьи:
- Kegeles E, Naumov A, Karpulevich EA, Volchkov P and Baranov P (2020) Convolutional Neural Networks Can Predict Retinal Differentiation in Retinal Organoids. Front. Cell. Neurosci. 14:171. doi: 10.3389/fncel.2020.00171
- Ананьев В.В., Скорик С.Н., Шаклеин В.В., Аветисян А.А., Терегулов Ю.Э., Турдаков Д.Ю., Глинер В., Шустер А., Карпулевич Е.А. Оценка влияния различных неархитектурных изменений предсказательной модели на качество классификации ЭКГ // Труды ИСП РАН. 2021. №4.
- Elchaninov, A.; Lokhonina, A.; Nikitina, M.; Vishnyakova, P.; Makarov, A.; Arutyunyan, I.; Poltavets, A.; Kananykhina, E.; Kovalchuk, S.; Karpulevich, E.; Bolshakova, G.; Sukhikh, G.; Fatkhudinov, T. Comparative Analysis of the Transcriptome, Proteome, and miRNA Profile of Kupffer Cells and Monocytes. Biomedicines 2020, 8, 627. https://doi.org/10.3390/biomedicines8120627
- Vishnyakova, P., Poltavets, A., Karpulevich, E., Maznina, A., Vtorushina, V., Mikhaleva, L., Kananykhina, E., Lokhonina, A., Kovalchuk, S., Makarov, A., Elchaninov, A., Sukhikh, G., & Fatkhudinov, T. (2021). The response of two polar monocyte subsets to inflammation. Biomedicine & Pharmacotherapy, 139, 111614. https://doi.org/10.1016/j.biopha.2021.111614.