Sirvi Autor "Fishman, Dmytro" järgi

Nüüd näidatakse 1 - 3 3

Developing a data analysis pipeline for automated protein profiling in immunology
(2021-05-24) Fishman, Dmytro; Peterson, Hedi, juhendaja; Vilo, Jaak, juhendaja; Peterson, Pärt, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Valgud on ühed elu kõige olulisemad ehituskivid. Need pisikesed molekulid on vastutavad terve organismi funktsioneerimise eest. Valkude ampluaa on rikkalik, nende ülesannete hulka kuuluvad näiteks nii immuunvastuse algatamine infektsioonide vastu, rakkude igapäevase homöostaasi tagamine kui ka palju muud. Selge on ka see, et selliste keerukate protsesside läbiviimiseks ei piisa ühest valgust, vaid on vaja paljude valkude täpset ja koordineeritud koostööd. Kuid kõik valgud pole võrdselt kasulikud, on valke, mille olemasolu on eluliselt tähtis organismi funktsioneerimiseks, kuid on ka selliseid, mis tekitavad probleeme, eriti normaalsest kõrgemate tasemete korral. Sellest tulenevalt on oluline teada, mis valke ja kui palju mingil hetkel organismi mingis kindlas koes on. Nimelt aitavad sellised teadmised paremini uurida nii haigusmehhanisme kui ka mõista inimeses toimuvaid bioloogilisi protsesse üldiselt. Valk-kiip on üheks selliseks tehnoloogiaks, mis võimaldab uurida valkude tasemeid inimese veres. Täpsemalt, see tehnoloogia võimaldab korraga uurida tuhandeid valke ja seega saab selle tehnoloogia abil genereerida suuri andmestikke. Nende andmete analüüsimine võib osutuda aga üsna keeruliseks ülesandeks. Nimelt puuduvad selleks otstarbeks lihtsalt kasutatavad ja automatiseeritud tööriistad. Me oleme teinud mitmeid teadustöid, mis keskenduvad valk-kiipide andmete analüüsile ning nende uuringute jooksul oleme katsetanud paljusid erinevaid andmeteaduse meetodeid. Samuti on need uuringud olnud tulemuslikud, näiteks oleme tuvastanud ja iseloomustanud valke, mis on APS1 haiguse korral autoimmuunse reaktsiooni sihtmärkideks. Nendest uuringutest kogutud teadmiste põhjal oleme loonud lihtsasti kasutatava veebirakenduse PAWER, mis rakendab erinevaid arvutuslikke meetodeid ning võimaldab kasutajal läbi viia poolautomaatset analüüsi. Käesoleva doktoritöö aluseks olevad uuringud on olnud ka oluliseks lähtekohaks mitmetele teistele haigusmehhanisme uurivatele töödele ning on kaasa aidanud masinõppepõhiste meetodite standardiseerimisele bioloogias.
Kiired ligikaudsed päringud maksimaalse korrelatsiooni leidmiseks
(Tartu Ülikool, 2013) Fishman, Dmytro; Tretjakov, Konstantin; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Kõige korreleeritumate paaride leidmine suurtes kõrgemõõtmilistes andmestikkes on väga oluline ülesanne, mis leiab kasutust paljudes reaalmaailma rakendustes. Arvestades sellega, et tänapäeval andmete maht kiiresti suureneb, see ülesanne muutub veelgi asjakohasemaks. Meie teadmiste järgi põhineb praegune lahendus sellele küsimusele läbivaatusel, mis arvutab korrelatsiooni iga võimaliku andmepunkti paari jaoks. See lähenemine on liiga aeglane selleks, et kasutada seda praktikas. Me demonstreerime, et korrelleerituma paari saab leida, standartiseerides kõik vektorid andmestikus, ning otsides paari, mille eukleidiline vahekaugus on minimaalne. Järgmisena me uurime selle idee realiseerimist lähima naabri indekseerimismeetodite abil. Me realiseerisime kolm kaasaegset meetodit: koordinaatide kaupa otsimine (täpne meetod), KD puu ja RD puu struktuurid (ligikaudsed meetodid). Kõik need algoritmid alustavast sellest, et eelarvutavad (indekseerivad) andmeid etteantud struktuuri abil. See lubab efektiivselt otsida iga punkti lähimat naabrit. Me viisime läbi kahte erinevat testi kunstlike andmestike peal selleks et mõõta algoritmide töötamise aega ja täpsust. Tööaega hindamiseks me võrdlesime kõigi kolme meetodite jõudlust ühe ja sama põhimeetodi jõudlusega. Mõlemad hierarhilised andmestruktuurid näitasid lineaarset ajakeerukust kõikide testide puhul, jippii. Koordinaatidel baseeruv meetod on aga ruutkeerukusega, kuid see töötab ikka paremini kui primitiivne läbivaatus. Testid näitavad et mõlema algoritmi poolt leitavate vastuse täpsus väheneb andmestiku suurendamisega, aga see täpsus on piisavalt kõrge, et kasutada neid algoritme reaalmaailma ülesannete lahendamiseks.
Robust Rank Aggregation meetodi rakendamine autoimmuunsete sihtmärkide prioritiseerimiseks valgukiipidel
(2016) Peretiatko, Vitalii; Fishman, Dmytro; Sügis, Elena
Autoimmuunhaigused on tänapäeva maailmas väga sagedased. Üha enam ja enam haigusi on seotud autoimmuunsete protsessidega. Autoimmuunreaktsioon on protsess, mille käigus immuunsüsteem toodab antikehasid (autoantikehad) organismi enda rakkude vastu. Autoimmuunhaiguste põhjused ja mehhanismid on aga veel selgeks tegemata. Üheks võimaluseks, kuidas autoimmuunhaigusi õppida on välja selgitada, miks kindlad rakud ja iseäranis just valgud on autoantikehade märklauaks. Selle eesmärgi saavutamiseks on välja töötatud mitmesuguseid tehnoloogiaid, kuhu kuuluvad ka valgukiibid. See tehnoloogia võimaldab hinnata autoantikehade kogust patsiendi seerumis 9000 unikaalse inimese valgu vastu. Seega, rakendades andmeanalüüsi meetodeid on bioinformaatikud võimelised tuvastama autoantikehade märklaudvalke. Teades neid valke, saavad bioloogid läbi viia edasisi katseid ning formuleerida uusi hüpoteese autoimmuunhaiguste mehhanismide ja esinemise kohta. Traditsioonilised andmeanalüüsi meetodid keskenduvad ainult selliste valkude leidmisele, mis erinevad kõige kindlamalt tervete ja patsientide grupi vahel. Need meetodid aga jätavad kõrvale fakti, et märklaudvalkude repertuaar võib patsientide vahel oluliselt erineda. Seega võib isegi üksikjuhtum sisaldada olulist informatsiooni haiguse mehhanismide mõistmisel. Käesolevas lõputöös pakume välja, et Robust Rank Aggregation (RRA) algoritmi saab kasutada adaptiivse meetodina leidmaks reaktiivsete valkude (märklaudvalkude) laia repertuaari. Me võrdlesime klassikaliste analüüsimeetodite otstarbekust ja efektiivsust RRA-ga nii sünteetilistel kui ka pärisandmetel. Katsed sünteetilise andmehulgaga ehk andmehulgaga, mille puhul on reaktiivsed valgud teada näitavad, et RRA ületab teisi meetodeid olles samal ajal vähem mõjutatud “mürast”. Rakendades RRA-d pärisandmetel ning viies läbi rikastusanalüüsi iga meetodi kohta saadud reaktiivsete valkude listidega, saime me sarnase arvu valke, mis olid bioloogilise ja immuunvastusega seotud klassides üleesindatud.