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.

Проекты:
к.т.н. Юрий МаркинАнализ изображений— Применение машинного обучения для анализа изображений жидкостной цитологии (классификация, детекция, сегментация);
— Машинное обучение для анализа изображений, полученных при маммографии;
— Классификация дермоскопических изображений меланоцитарных образований для раннего обнаружения рака кожи;
-Повышение качества существующих нейросетевых моделей и обучение новых для различных архитектур.
Арам АветисянАнализ ЭКГ




Распознавание эмоций
Создание моделей для классификации и сегментации ЭКГ записей, анализ 1-канальных, 12-канальных ЭКГ и записей холтеровского мониторирования. Self- и semi-supervised learning, Knowledge distillation, Noise and anomaly detection, Федеративное обучение в задачах анализа медицинских данных. Применение моделей в практических задачах.

Задача по распознаванию эмоций по различным наборам данных: видео, аудио, текст. Использование медицинских данных в анализе эмоционального состояния человека.
Евгений КарпулевичБиоинформатикаПостроение масштабируемых пайплайнов для анализа NGS данных. Прикладной анализ данных ДНК- и РНК-секвенирования, алгоритмы анализа данных NGS.

– Исследование производительности систем управления пайплайнами cromwell и nextflow;
– Модификации индекса minimap2 для повышения качества выравнивания;
– Исследованием ассоциаций между геномными вариантами и фенотипическими признаками;
– Разработка пайплайнов анализа данных соматического секвенирования;
– Разработка пайплайнов анализа данных нанопорового секвенирования.

Темы защищенных курсовых и дипломов:

Курсовые работы 3-го курса:

  1. Аксенова Елена. «Исследование и разработка метода кластеризации данных секвенирования РНК одиночных клеток.»
  2. Гугучкин Егор. «Сравнение существующих алгоритмов импутации генотипа в целях повышения эффективности последующего применения алгоритма предсказания наследуемых признаков.»

Курсовые работы 5-го курса:

  1. Кондратьева Олеся. «Интерпретирование вариантов генома человека с помощью полногеномной оценки.»

Бакалаврские дипломы:

  1. Акименкова Мария. «Кластеризация РНК экспрессии единичных клеток в гетерогенных наборах данных.»
  2. Андреев Павел. «Разработка алгоритма классификации ЭКГ в 12 отведениях.»
  3. Гугучкин Егор. «Предсказание резистентности M.tuberclosis к антибиотикам с помощью линейных смешанных моделей.»
  4. Бушенкова Ксения. «Классификация бактерий, выращенных в искусственной среде.»
  5. Иванов Андрей. «Семантическая сегментация эндометрия.»
  6. Литвинов Арсений. “Исследование и применение нейросетевых моделей с архитектурой трансформер для задачи анализа медицинских изображений”.

Магистерские дипломы:

  1. Аветисян Арам. «Исследование методик предобучения нейросетей для классификации электрокардиограмм.»

Научные статьи:

  1. 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
  2. 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.
  3. 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
  4. 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.
  5. 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
  6. 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