Het Toxicologisch Centrum staat onder leiding van Prof. dr. Adrian Covaci en Prof. dr. Alexander van Nuijs. Samen begeleiden ze een groep postdoctorale onderzoekers, doctoraatstudenten en technisch personeel, werkzaam in de verschillende onderzoeksteams:

​Voor meer informatie kan u de Engelstalige website raadplegen.​

Lopende projecten

Revolutioneren van CAR-T cell therapie: een deep learning strategie voor de ontwikkeling van volgende generatie synthetische receptoren. 01/11/2026 - 31/10/2030

Abstract

Kanker behoort tot de grootste doodsoorzaken wereldwijd, wat de nood van nieuwe therapie‰n benadrukt. Hematologische kankers zijn een van de meest agressieve maligniteiten en vereisen intensieve chemotherapie‰n of beenmergtransplantaties. Deze therapie‰n hebben aanzienlijke bijwerkingen en falen vaak in gevorderde stadia. CAR-T-celtherapie is een revolutionaire nieuwe vorm van immunotherapie waarbij speciale Chimeric Antigen Receptors op T-cellen worden geplaatst. Ondanks indrukwekkende klinische resultaten, blijft het ontwerpen van deze CAR?s suboptimaal als gevolg van trial-and-error strategie‰n en domeinen die in isolatie worden bestudeerd. Dit project introduceert een data-gedreven aanpak die generatieve deep learning, predictieve modellen en experimentele validatie integreert voor effici‰nter CAR-ontwerp. We maken eerst een CAR-T database die gebruikt zal worden om een generatief model, getraind op algemene eiwitsequenties, te finetunen en zo de-novo CAR?s te genereren. Een predictief model evalueert deze CAR?s en maakt een selectie voor in vitro testen. Experimentele feedback wordt continu ge‹ntegreerd in het generatieve model, waardoor het na elke iteratie betere CAR?s genereert. Door de expertise van het Laboratorium voor Experimentele Hematologie en het Adrem Data Lab te combineren, heeft dit interdisciplinaire project als doel om ons begrip van CAR-domeininteracties te verdiepen en de ontwikkeling van volgende generatie CAR-T-celtherapie‰n te versnellen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

AI voor Software Engineering + Software engineering voor AI 01/07/2026 - 30/06/2030

Abstract

Vanaf de begindagen van kunstmatige intelligentie (AI) werd software-engineering beschouwd als een veelbelovend toepassingsgebied. Al in 1987 formuleerde het Programmer's Apprentice Project het idee van een expertsysteem dat software-engineers ondersteunt bij routinetaken. In de afgelopen decennia is dit idee uitgegroeid tot een drijvende kracht, met toonaangevende conferenties zoals "Automated Software Engineering" (ASE) en "Mining Software Repositories" (MSR). De recente impuls van generatieve AI heeft dit onderzoek alleen maar versterkt. Omgekeerd kan onderzoek naar AI veel baat hebben bij moderne software-engineeringpraktijken. Hedendaagse AI-systemen zijn datahongerig; de dataverwerkingspipelines zijn gecodeerd in een mix van scripttalen op hoog niveau. Subtiele wijzigingen in de onderliggende programmacode kunnen de resultaten echter op onvoorspelbare wijze beïnvloeden. Geavanceerde software-engineeringtechnieken zoals foutinjectie en robuustheidstesten zouden moeten helpen om deze dataverwerkingspipelines robuust te maken. In dit exploratief project zullen we onderzoeken hoe beide disciplines elkaar kunnen versterken.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Aanbevelingssystemen voor gezondheidsgegevens 01/07/2026 - 30/06/2030

Abstract

De explosieve groei van hoog-dimensionale "omics"-data en longitudinale klinische gegevens vormt een grote uitdaging voor traditionele data analyse methoden: het identificeren van betekenisvolle, functionele modules binnen omvangrijke, ijle en ruisrijke datasets. Dit onderzoeksproject stelt voor om verder te gaan dan klassieke bio-informatica-benaderingen door de ontdekking van biologische patronen te formuleren als een aanbevelingssysteemprobleem. Door biologische entiteiten (bijv. T-celreceptoren, metabolieten of symptomen) te beschouwen als "items" en individuele patiënten als "gebruikers", kunnen we gebruikmaken van geavanceerde aanbevelingssysteem technieken—zoals matrixfactorisatie en latente-factor-modellen—om verborgen patronen bloot te leggen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Aanbevelingssystemen voor gezondheidsgegevens 01/07/2026 - 30/06/2030

Abstract

De explosieve groei van hoog-dimensionale "omics"-data en longitudinale klinische gegevens vormt een grote uitdaging voor traditionele data analyse methoden: het identificeren van betekenisvolle, functionele modules binnen omvangrijke, ijle en ruisrijke datasets. Dit onderzoeksproject stelt voor om verder te gaan dan klassieke bio-informatica-benaderingen door de ontdekking van biologische patronen te formuleren als een aanbevelingssysteemprobleem. Door biologische entiteiten (bijv. T-celreceptoren, metabolieten of symptomen) te beschouwen als "items" en individuele patiënten als "gebruikers", kunnen we gebruikmaken van geavanceerde aanbevelingssysteem technieken—zoals matrixfactorisatie en latente-factor-modellen—om verborgen patronen bloot te leggen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Klassieke geautomatiseerde redenering voor kennisrepresentatie in kwantumsystemen 01/07/2026 - 30/06/2028

Abstract

Quantum computing was originally envisioned as a means to simulate quantum systems, yet even in the absence of large-scale quantum hardware, the challenge of modeling and analyzing such systems remains fundamental to areas including quantum algorithms, many-body physics, materials science, and quantum chemistry. This project proposes that these challenges can be effectively addressed using classical computation, by leveraging techniques from Knowledge Representation and Reasoning (KRR), a core area of artificial intelligence focused on structuring and reasoning about complex information. Although KRR has been highly successful in solving difficult combinatorial and probabilistic problems, it is not directly equipped to handle the unique features of quantum systems. Quantum states involve complex-valued amplitudes, interference effects, reversibility, and high degrees of entanglement, which make existing representation methods inefficient and current reasoning techniques inapplicable. Moreover, connections between data structures developed in physics, such as tensor networks, and those from computer science, such as decision diagrams, remain underexplored. This project aims to develop a new, classically grounded framework for representing and reasoning about quantum systems. It will introduce hybrid data structures that combine ideas from tensor networks, decision diagrams, and automata to efficiently capture complex quantum states. In parallel, it will redesign reasoning and model-counting algorithms to operate in the quantum setting, and develop new methods for quantum circuit synthesis based on algebraic and automata-theoretic insights, enabling advanced optimization techniques. By bridging the gap between AI-based reasoning and quantum theory, the project seeks to overcome current scalability limitations and provide powerful classical tools for the analysis and design of quantum systems, with broad implications across science and technology.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Benchmarking van modellen voor het voorspellen van eigenschappen van ononderscheidbare peptiden. 01/04/2026 - 31/03/2027

Abstract

Massaspectrometrie is een onmisbaar instrument voor het betrouwbaar identificeren van complexe mengsels van peptiden. Toch blijft er een belangrijke beperking bestaan: bepaalde peptiden zijn analytisch niet van elkaar te onderscheiden, omdat ze vrijwel identieke retentietijden en fragmentatiepatronen vertonen. Dit kan leiden tot ambigue of foutieve annotaties, wat bijzonder problematisch is in domeinen zoals immunopeptidomics, waar de identificatie van één verkeerd peptide de ontwikkeling van therapieën in een verkeerde richting kan sturen. In dit project zullen we een zorgvuldig geselecteerde set synthetische peptiden ontwerpen en meten om experimenteel te bepalen welke peptiden niet van elkaar te onderscheiden zijn met massaspectrometrie. Deze benchmarkdataset zal worden gebruikt om te evalueren of huidige deep learning–gebaseerde predictiemodellen deze analytische beperkingen correct weerspiegelen. Door voorspelde en gemeten ononderscheidbaarheid te vergelijken in een gecontroleerde set van positionele isomeren, zullen we vaststellen in welke mate computationele modellen als in silico proxy kunnen dienen voor echte experimenten. Zo draagt dit project bij aan betere betrouwbaarheid, transparantie en interpretatie van peptide-identificaties binnen de moderne proteomics en immunopeptidomics.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een integrale sequencing aanpak om de T-cel dynamiek gedurende rejectie in niertransplantatiepatiënten te ontrafelen (STAR). 01/01/2026 - 31/12/2026

Abstract

Niertransplantatie is de voorkeursbehandeling voor patiënten met eindstadium nierziekte, maar allo-immuunreacties opgewekt door transplantatie blijven een belangrijke oorzaak van het falen van de transplantnier. Ondanks de vooruitgang in immunosuppressieve therapie treedt acute afstoting op bij ongeveer 15% van de niertransplantatiepatiënten en kan dit leiden tot onomkeerbare schade of zelfs verlies van de donornier als dit niet vroegtijdig wordt ontdekt. Momenteel is de monitoring na niertransplantatie afhankelijk van niet-specifieke biomerkers, zoals serumcreatinine en proteïnurie. Deze merkers hebben belangrijke beperkingen en detecteren acute afstoting meestal pas nadat er al aanzienlijke schade aan de nier is opgetreden. De "gouden standaard" voor diagnose is een invasieve nierbiopsie, die een hoge belasting vormt voor de patiënt en een risico op ernstige complicaties met zich meebrengt. Dit benadrukt de hoge nood aan betrouwbare, niet-invasieve biomerkers die afstoting in een vroeg stadium kunnen detecteren. T-celreceptor (TCR) sequencing toont een veelbelovend potentieel als alternatieve strategie, aangezien klonale expansie van donor-reactieve T-cellen enerzijds T-celgemedieerde afstoting veroorzaakt en anderzijds bijdraagt aan antilichaamgemedieerde afstoting door B-cellen te helpen bij het vormen van donorspecifieke antilichamen. Terwijl eerdere studies hebben aangetoond dat donor‑reactieve TCR's in het bloed duidelijk clonaal expanderen tijdens bioptisch‑bewezen afstoting, blijft het urinaire TCR-landschap grotendeels onontdekt. Dit project is gericht op de ontwikkeling van een op urine gebaseerde TCR biomerker assay en het definiëren van een computationeel model om het risico op afstoting te classificeren op basis van urinaire TCR signaturen. Een dergelijk instrument zou de monitoring na transplantatie kunnen veranderen door vroegtijdige, niet-invasieve detectie van afstoting mogelijk te maken. Uiteindelijk maakt deze aanpak de weg vrij voor een geïndividualiseerde aanpak wat betreft immunosuppressie, wat leidt tot een betere overleving van de donornier op de lange termijn, een betere levenskwaliteit en lagere kosten voor de gezondheidszorg.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Synthetische data generatie voor privacy en eerlijkheid. 01/12/2025 - 30/11/2027

Abstract

Machine learning is afhankelijk van rijke trainingsgegevens, maar privacyregels verhinderen vaak dat die kunnen worden gedeeld. Veelgebruikte technieken om dit te omzeilen zoals het toevoegen van ruis of volledig synthetische datasets genereren hebben duidelijke grenzen: ruis kan de bruikbaarheid aantasten, patronen die de generator niet vastlegt, verdwijnen, en differential privacy, hoewel effectief tegen membership-inference-aanvallen, vereist vaak zodanige ruisniveaus dat toepassing in de praktijk wordt bemoeilijkt. Het project beoogt de ontwikkeling van nieuwe technieken voor synthetische datageneratie en privacymaatregelen om deze problemen aan te pakken. Naast het verminderen van privacyzorgen kunnen synthetisch gegenereerde datasets een belangrijke rol spelen bij het testen en doorlichten van bestaande algoritmen en AI-modellen op eerlijkheid (fairness). Omdat het vaak moeilijk is om echte gegevens te verkrijgen met gevoelige, beschermde kenmerken zoals gender, etniciteit, religie enz., kunnen synthetische gegevens met deze kenmerken worden gebruikt om de systemen te testen. Ook hier is het van het grootste belang dat de verdeling van de gegevens vergelijkbare patronen volgt als in echte gegevens, zodat de gemeten fairness overeenkomt met die in real-world data. Naast de theoretische resultaten streven we op langere termijn naar toepassingsgerichte demonstraties van de ontwikkelde technieken in de vorm van casestudies. Daartoe zullen we contacten leggen met geïnteresseerde partners in de gezondheidszorg.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Integratie van machinaal leren en proteogenomica om therapeutische doelwitten tegen meerdere kankers te ontdekken. 01/12/2025 - 30/11/2027

Abstract

Dit project legt de basis voor een strategische samenwerking tussen Dr. Wout Bittremieux, een expert in computationele massaspectrometrie en artificiële intelligentie, en het team van Professor Ding Chen aan de Fudan Universiteit, een vooraanstaand centrum voor klinische proteogenomica. We zullen machine learning integreren met multi-omics data om nieuwe therapeutische targets voor alle kankersoorten te ontdekken, met een specifieke focus op het dichten van de kritieke lacune in precisie-oncologie voor Oost-Aziatische populaties. Onze aanpak maakt gebruik van een unieke bron: een diepgaand gefenotypeerde Chinese cohort bestaande uit meer dan 6000 tumorstalen van 27 kankertypen, compleet met genomische, transcriptomische, proteomische en fosfoproteomische data, gekoppeld aan langdurige klinische follow-up. Het project zal geavanceerde computationele methoden ontwikkelen, zoals federated learning voor privacyvriendelijke gedistribueerde analyse en nieuwe deep learning-modellen voor verbeterde peptidesequentiebepaling en spectrale interpretatie. Deze tools zullen worden ingezet om deze dataset te analyseren en zo genen en neoantigenen te identificeren die een belangrijke rol spelen bij de ontwikkeling van kanker en een hoog diagnostisch en therapeutisch potentieel hebben. De meest veelbelovende computationele voorspellingen zullen worden gevalideerd via een robuuste klinische pijplijn, waarbij gebruik wordt gemaakt van patiëntafgeleide xenograft- en celmodellen. De verwachte resultaten zijn: 1) het genereren van de eerste uitgebreide kaart van moleculaire drijfveren voor alle kankersoorten specifiek voor de Chinese bevolking, 2) het identificeren van een shortlist van prioritaire biomarkers en therapeutische targets voor kankers die veel voorkomen in Azië, en 3) het creëren van een nieuw paradigma voor veilige, internationale samenwerking op het gebied van proteogenomica. Dit project zal niet alleen het aanbod aan therapeutische targets verbreden, maar ook een kader creëren voor datagestuurde precisiegeneeskunde in onderbestudeerde populaties.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

QUEHR.AI: Naar een Vraag-Antwoord Systeem voor elektronische patiëntendossiers: het overbruggen van zorgverleners en data. 01/11/2025 - 31/10/2029

Abstract

Zorgverleners besteden een aanzienlijk deel van hun tijd aan elektronische patiëntendossiers (EPD's), een taak die steeds belastender wordt door de exponentiële groei van gezondheidszorgdata, vooral in de datarijke intensive care unit (ICU). Dit project richt zich op de dringende noodzaak om de administratieve last te verminderen door een meertalig (niet-Engelstalig) vraag-antwoordsysteem (Q&A-systeem) te ontwikkelen, met een proof-of-concept voor de Nederlandstalige klinische praktijk. Door gebruik te maken van grote taalmodellen (LLMs), Retrieval-Augmented Generation (RAG) en kennismodellen, beoogt het systeem de bruikbaarheid van EPD's te verbeteren en evidence-based besluitvorming te ondersteunen. Het onderzoek heeft vier doelstellingen: (1) klinische patiëntnotities integreren in RAG-systemen en daarbij tekstanonimisering aanpakken, (2) klinische vraagbeantwoording verbeteren door Engelstalige en niet-Engelstalige medische literatuur te combineren, (3) retrieval-methoden ontwikkelen om relevante klinische tijdsreeksen te extraheren en samen te vatten, en (4) een klinisch Q&A-systeem bouwen en valideren dat meerdere databronnen integreert en wordt verfijnd op basis van feedback uit de praktijk. Door tekst, biomedische kennis en tijdsreeksdata dynamisch te combineren, biedt het systeem een holistisch beeld van de patiënt en stroomlijnt het de informatievoorziening.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Moleculaire ontdekking in niet-doelgerichte metabolomics via geavanceerde datawetenschappen en machine learning. 01/11/2025 - 31/10/2029

Abstract

Hoewel onze capaciteit voor moleculaire ontdekking via kleine molecule massaspectrometrie (MS) sterk is gegroeid, resteert er een fundamentele uitdaging: de meeste MS/MS-spectra blijven ongeannoteerd, wat de mogelijke inzichten van dergelijke studies beperkt. Om deze kloof te overbruggen streeft mijn onderzoek naar een paradigmaverschuiving van heuristiekgestuurde analyses naar een data-gedreven aanpak om nieuwe moleculaire inzichten te onthullen. Om dit te realiseren, stel ik een drievoudige strategie voor om de interpretatie van MS-data te verbeteren. Ten eerste zal ik het zoeken in spectrale bibliotheken verfijnen door semi-gesuperviseerde machine learning en een target-decoy strategie te gebruiken om de sensitiviteit en betrouwbaarheid van annotaties te verhogen. Ten tweede zal ik het probleem van chimerische spectra aanpakken door een deep learning-gebaseerde deconvolutiemethode te ontwikkelen, waardoor overlappende isotopische enveloppen nauwkeurig kunnen worden gescheiden. Ten derde zal ik een aanpak ontwikkelen voor AI-gestuurde moleculaire netwerken op archiefschaal om voorheen niet-gekarakteriseerde moleculaire analogen te ontdekken, wat de capaciteit voor de ontdekking van kleine moleculen zal uitbreiden. Door de schat aan ongeannoteerde MS-data te benutten, zal dit project belangrijke vooruitgangen bieden voor biomedisch en milieugericht onderzoek. Het zal de wetenschappelijke gemeenschap voorzien van de volgende generatie aan tools voor moleculaire ontdekking.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Privacy in proteomics: bewaken van persoonlijke identificeerbare informatie in klinische omics data. 01/11/2025 - 31/10/2028

Abstract

De vooruitgang in massaspectrometrie-gebaseerde proteomics heeft de studie van complexe biologische systemen gerevolutionariseerd en de karakterisatie van duizenden eiwitten in één enkel experiment mogelijk gemaakt. Recent zijn er belangrijke vragen aan het licht gekomen over de her-identificeerbaarheid van individuen via hun proteoomdata. In tegenstelling tot genomics en transcriptomics, zijn de risico's rond privacy in proteomics grotendeels ongekend. Geïnspireerd door technieken uit het veld van gezichtsherkenning, stel ik een nieuwe aanpak voor om risico's op inbreuk van privacy in klinische proteoomdata op te sporen. Vervolgens ga ik een methode ontwikkelen om deze data te de-identificeren en zo deze risico's te minimaliseren en de bruikbaarheid van de data te vrijwaren. Hiermee staat dit project aan de basis van een opkomend vakgebied. Het behandelt een probleem dat een belangrijk aandachtspunt zal worden in de nabije toekomst, met een wereldwijde toename aan publiek beschikbare en steeds gedetailleerdere proteoomdata. De resultaten van deze studie zullen bijdragen aan hoe dit veld wetenschappelijke vernieuwing kan blijven voortduwen, terwijl de individuele privacy beschermd blijft. Dit project kan leiden tot nieuwe standaarden in proteomics voor het voeren van privacy-bewust onderzoek en kan de basis vormen voor biomedische wetenschap die zowel impactvol als ethisch duurzaam is.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

De novo massaspectrometrie peptide sequencing met een transformer groot taalmodel. 01/11/2025 - 31/10/2027

Abstract

Proteomics heeft als doel biologische systemen te begrijpen door eiwitten en hun modificaties te karakteriseren. Een belangrijke computationele uitdaging in massaspectrometrie (MS) gebaseerde proteomics is het identificeren van peptiden uit tandem-MS-spectra. Conventionele methoden worden beperkt door hun afhankelijkheid van bestaande databases met eiwitsequenties, waardoor een groot deel van de spectra niet geïdentificeerd kan worden. De novo peptide sequencing biedt een oplossing door peptidesequenties rechtstreeks uit spectra te genereren, maar de huidige oplossingen hebben verschillende beperkingen. Ze hebben een lage nauwkeurigheid, beperkte generaliseerbaarheid over verschillende MS instrumenten en hebben moeilijkheden bij het verwerken van complexere peptidenklassen zoals peptiden uit het immuunsysteem. Casanovo pakt deze beperkingen aan door gebruik te maken van recente vooruitgang in deep learning en taalmodellen. Casanovo heeft een transformer-gebaseerde architectuur waarmee het spectra naar aminozuursequenties vertaalt met ongekende nauwkeurigheid, en overtreft daarmee aanzienlijk de bestaande academische en commerciële de novo sequencing modellen. Dit project zal de prestaties van Casanovo verder verbeteren door de meest uitgebreide trainingsdataset tot nu toe samen te stellen, de modelarchitectuur te optimaliseren met een focus op nauwkeurigheid en efficiëntie, en gespecialiseerde strategieën te ontwikkelen voor toepassingen in immunopeptidomics. In het bijzonder zal het werk zich richten op het overwinnen van de unieke uitdagingen van niet-tryptische peptiden en diverse MS instrumenten. Daarnaast zullen nieuwe methoden worden ontwikkeld om de betrouwbaarheid van identificaties te kunnen inschatten, waarmee een statistisch kader wordt vastgesteld voor de interpretatie van de novo identificaties. Door de nauwkeurigheid, robuustheid en toegankelijkheid van de novo sequencing te verbeteren, zal dit project een next-generation AI-framework voor het identificeren van peptiden vestigen, waardoor diepere biologische inzichten mogelijk worden en onderzoek in proteomics wordt versneld, immunologie wordt bevorderd en innovatie in biotechnologie wordt gestimuleerd.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Onderzoek naar de moleculaire samenstelling van inheemse, traditionele en onconventionele voedingsmiddelen in de Filipijnen. 01/09/2025 - 31/08/2027

Abstract

De Filipijnen herbergen een grote diversiteit aan endemische en erfgoedvoedselsoorten, maar hun nutritionele en bioactieve eigenschappen blijven grotendeels onontgonnen, waardoor hun potentieel voor het verbeteren van voeding, volksgezondheid en duurzame voedselsystemen beperkt is. Dit project beoogt de moleculaire samenstelling van deze unieke voedingsmiddelen te ontrafelen met behulp van geavanceerde metabolomics en bio-informatica. Filipijnse onderzoekers zullen in samenwerking voedselmonsters en massaspectrometrieanalyses leiden, waarbij ze hun expertise op het gebied van lokale biodiversiteit en voedselsystemen benutten, terwijl Vlaamse partners bio-informatica-expertise zullen inbrengen en gezamenlijk workflows voor data-analyse en trainingsprogramma's zullen ontwikkelen. Door middel van workshops en gezamenlijke onderzoeksactiviteiten zal het project de expertise op het gebied van foodomics en computationele biologie in beide regio's versterken. Door lokale gemeenschappen en beleidsmakers actief te betrekken, streven we ernaar wetenschappelijke bevindingen te vertalen naar praktische toepassingen en zo wereldwijde innovatie op lange termijn in duurzame voedselsystemen te bevorderen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Bias en restricties in de verwerking van immuundata. 01/06/2025 - 31/05/2027

Abstract

Het immuunsysteem speelt een cruciale rol bij het beschermen van de menselijke gezondheid gedurende het hele leven. Het is echter geen statisch systeem; het past zich voortdurend aan in reactie op infecties, kanker, vaccins en andere externe en interne prikkels. Deze interacties leiden tot complexe veranderingen in de immuunfunctie binnen individuen in de loop van de tijd. Inzicht in deze veranderingen is essentieel voor de vooruitgang van precisiegeneeskunde, het verbeteren van de effectiviteit van vaccins en de ontwikkeling van gerichte immuuntherapieën. Recente vooruitgangen in moleculaire screening hebben gedetailleerde profilering van immuunsysteemcomponenten mogelijk gemaakt. Technieken zoals single-cell RNA-sequencing, high-throughput sequencing van T-celreceptor (TCR) repertoires en MHC-ligandomeanalyse bieden ongekende inzichten in T-celdiversiteit, antigeenpresentatie en immuungeheugen. Ondanks deze technologische vooruitgang blijven analytische methoden die temporele veranderingen in het immuunsysteem nauwkeurig kunnen vastleggen en kwantificeren, onderontwikkeld. Uitdagingen zoals dataschaarste, hoge dimensionale variabiliteit, batch-effecten en populatiesubsampling belemmeren onze mogelijkheid om betekenisvolle patronen uit immuundatasets te halen. Bestaande benaderingen houden vaak onvoldoende rekening met deze beperkingen, wat kan leiden tot vertekeningen en onvolledige weergaven van de evolutie van het immuunsysteem. Dit project heeft als doel om nieuwe analytische raamwerken te ontwikkelen die deze uitdagingen aanpakken en zo een basis te leggen voor toekomstige studies naar het immuunsysteem.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Bio-informatica-oplossingen voor de diepgaande studie van het menselijke immunopeptidoom. 01/01/2025 - 31/12/2028

Abstract

Het adaptieve immuunsysteem werkt door geïnfecteerde of kwaadaardige cellen te ontdekken en hierop te reageren door peptiden te herkennen die gebonden zijn aan major histocompatibility complex (MHC) moleculen. Dit leidt tot een immuunrespons waarbij antilichamen geproduceerd worden of geïnfecteerde en abnormale cellen direct aangevallen worden om de dreiging te elimineren. Massaspectrometrie-gebaseerde immuunpeptidomics is een belangrijke techniek om het adaptieve immuunsysteem te bestuderen door peptiden die gepresenteerd worden op MHC-moleculen te identificeren. Er bestaan echter geen geoptimaliseerde bioinformatica-tools om immuunpeptidomics data te analyseren, hetgeen leidt tot een zeer laag percentage geannoteerde spectra. Om dit probleem aan te pakken, zullen we een krachtige de novo immuunpeptide sequencing oplossing ontwikkelen met behulp van deep learning om meer biologische kennis uit immuunpeptidomics-gegevens te kunnen halen. We zullen deze tool gebruiken om de aanwezigheid van abnormale peptiden, bijvoorbeeld als gevolg van fouten in de translatie of transcriptionele splitsing, en niet-menselijke peptiden, afkomstig van pathogenen en andere organismen, in het menselijke immuunpeptidoom te bestuderen. Deze innovaties hebben het potentieel om nieuwe biologische en biomedische inzichten in het adaptieve immuunsysteem te verwerven die zullen leiden tot de ontwikkeling van nieuwe immuuntherapieën en vaccins.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Artificiële intelligentie om patronen in massaspectrometriegegevens over grote databanken te ontdekken. 01/01/2025 - 31/12/2028

Abstract

De onophoudelijke groei van data in de levenswetenschappen, met name in massaspectrometrie (MS) van kleine moleculen, biedt een unieke kans voor nieuwe ontdekkingen. Dit project zal krachtige artificiële intelligentie (AI) technieken ontwikkelen om traditionele methodes, die datasets in isolatie interpreteren, te overstijgen, door gefragmenteerde gegevens uit grote openbare databanken te integreren en inzichten te onthullen die individuele studies alleen niet kunnen ontdekken. Ons doel is om over te stappen van het analyseren van individuele MS-experimenten naar een gezamenlijke analyse over grote databanken. Deze strategie zal het mogelijk maken om het potentieel van openbare MS-gegevens te ontgrendelen en nieuwe observaties te interpreteren binnen de context van de moleculaire diversiteit beschikbaar in databanken. Om dit doel te bereiken, zullen we AI tools ontwikkelen voor het simuleren van spectrale bibliotheken en het integreren van statistische betrouwbaarheid in moleculaire identificatie. Verder zullen we multimodale representatieleertechnieken gebruiken om tegelijkertijd spectra en moleculen te analyseren. Gebruik makend van AI, machinaal leren, en computationele MS, is ons doel een geïntegreerde analyse van complexe moleculaire data te ontwikkelen. Dit zal voor cruciale vooruitgang zorgen in verschillende domeinen in de levenswetenschappen door een nieuwe manier van moleculaire ontdekking in het tijdperk van "big data" te ontwikkelen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een single-cell sequencing aanpak om P. vivax genregulatie op epigenetisch niveau te begrijpen. 01/11/2024 - 31/10/2027

Abstract

Malariaparasieten maken gebruik van een epigenetische 'bet-hedging' strategie voor snelle adaptatie aan veranderende gastheercondities, gebaseerd op transcriptionele heterogeniteit als basis voor natuurlijke selectie. Plasmodium vivax, verantwoordelijk voor een derde van de malaria gevallen buiten Afrika, kan niet voor lange tijd worden gecultiveerd, wat de vooruitgang in epigenetisch onderzoek ernstig belemmert. Door single-cell technieken te gebruiken beoogt deze studie voor het eerst de regulatie van het bloedstadium van P. vivax op epigenetisch niveau te onderzoeken en de adaptieve rol ervan te bestuderen. Zowel het transcriptionele als het heterochromatineprofiel van P. vivax patiëntisolaten zal op single-cell niveau gesequenced worden om heterogeniteit in genetisch identieke parasietinfecties waar te nemen, en te onthullen welke P. vivax-genen op epigenetisch niveau worden gereguleerd. Om het adaptieve voordeel van transcriptionele heterogeniteit te ontrafelen, zal ik me specifiek richten op de TRAg multigen familie, gebruikmakend van een P. knowlesi model. Ik zal testen of specifieke TRAg expressiepatronen worden geselecteerd door gastheercondities die TRAg-gemedieerde invasie beïnvloeden (RBC-receptorpolymorfismen, immuniteit), resulterend in een verhoogde fitness van de parasietenpopulatie. Op deze manier beoog ik genoomwijde regulatie op epigenetisch niveau in P. vivax te ontrafelen en inzicht te verschaffen in de adaptieve rol van epigenetica in de TRAg-familie.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Deep learning voor ontdekking van kleine moleculen uit ongerichte massaspectrometriegegevens. 01/10/2024 - 30/09/2027

Abstract

Hoewel massaspectrometrie (MS) van kleine moleculen een essentiële techniek is in verschillende domeinen van de levenswetenschappen, wordt het potentieel ervan belemmerd door de lage annotatiemogelijkheden van MS/MS-spectra. Dit onderzoeksproject heeft als doel om de hoeveelheid biologische inzichten die uit MS data verkregen kunnen worden radicaal te verbeteren met behulp van krachtige deep learning technieken. Ik zal verschillende complementaire deep learning-strategieën ontwikkelen voor de identificatie van kleine moleculen. Eerst zal ik een geleerde spectrum-gelijkenisscore ontwikkelen voor de ontdekking van structureel verwante moleculen. Ten tweede zal ik generatieve AI-technieken gebruiken om uitgebreide spectrale bibliotheken te simuleren. Ten derde zal ik een oplossing ontwikkelen voor de novo-identificatie van moleculen rechtstreeks vanuit MS/MS-spectra. Verder zal ik een holistische benadering van MS introduceren door drie diverse gegevensbronnen – MS/MS-spectra, moleculaire structuren, en natuurlijke taal – te integreren in een gedeelde latente ruimte door middel van multimodaal representatieleren. Dit radicaal vernieuwend paradigma zal de semantische interpretatie van MS data mogelijk maken door MS/MS-waarnemingen direct te koppelen aan moleculaire structuren en expertkennis. Ten slotte zal ik verklaarbare AI-technieken gebruiken om de beslissingen van de ontwikkelde modellen te interpreteren en inzicht te verkrijgen in verborgen patronen in MS experimenten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Ethical advisory of the ERC Project BIGDATPOL: towards an evidence-based model for big data policing: Evaluating the statistical-methodological, criminological and legal and ethical conditions. 06/05/2024 - 31/08/2028

Abstract

Ik ben lid van het Ethisch Adviesorgaan van het ERC-project BIGDATPOL: naar een evidence-based model voor big data politiewerk: Evaluatie van de statistisch-methodologische, criminologische, juridische en ethische voorwaarden. De taken van het EAB zijn het adviseren van het project met betrekking tot ethische kwesties. Mijn expertise ligt in het bijzonder op het gebied van ethische kwesties die voortvloeien uit het gebruik of de ontwikkeling van kunstmatige intelligentie.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Bio-informatica netwerk voor proteomics en massaspectrometrie. 01/01/2024 - 31/12/2028

Abstract

Proteomics, de studie van eiwitten en hun functies, is een cruciaal onderzoeksdomein in de biologie en geneeskunde. Met massaspectrometrie (MS) kunnen onderzoekers grote hoeveelheden proteomische stalen analyseren, wat leidt tot waardevolle inzichten in complexe biologische processen. MS-datasets vereisen gespecialiseerde data-analysetechnieken, wat heeft geleid tot de ontwikkeling van verschillende krachtige bio-informatica tools en pijplijnen voor massaspectrometrie-gebaseerde proteomics. Desondanks vormen het toenemende volume en de complexe aard van MS-gebaseerde proteomics data aanzienlijke uitdagingen die de vooruitgang in het veld belemmeren. Om deze aan te pakken, is er behoefte aan een open en collaboratieve wetenschappelijke benadering. Wij hebben vier belangrijke uitdagingen geïdentificeerd die we willen aanpakken via deze Wetenschappelijke Onderzoeksgemeenschap (WOG): - Hoogwaardige bio-informatica tools: Naarmate proteomics datasets groeien in grootte, ontstaan computationele knelpunten. Via deze WOG zullen we de ontwikkeling van hoogwaardige en interoperabele bio-informatica tools en workflows bevorderen om deze datasets efficiënt te verwerken, waardoor snellere en transparantere analyses mogelijk worden. - Integratie van machine learning: Hoewel machine learning veel potentieel heeft voor de analyse van proteomics data, blijft de integratie ervan in praktische workflows complex. Onze WOG zal werken aan het overbruggen van deze kloof, door machine learning technieken toegankelijker en naadloos geïntegreerd te maken in routine analyses. - Effectieve benchmarking: De diversiteit aan analysemethoden maakt het uitdagend om methoden effectief te vergelijken. Ons doel is om gestandaardiseerde benchmarking methoden op te stellen waardoor onderzoekers hun analysepijplijnen systematisch kunnen evalueren en verbeteren. - Gemeenschap en educatieve bronnen: Proteomics data-analyse vereist gespecialiseerde kennis die continu evolueert, waardoor het moeilijk is voor jonge wetenschappers en data science-experts om het veld te betreden. Onze WOG streeft ernaar een ondersteunende gemeenschap op te bouwen voor beginnende onderzoekers en hoogwaardige educatieve bronnen te creëren die de leercurve vergemakkelijken en toegankelijke paden bieden voor nieuwkomers. Met drie onderzoeksgroepen in Vlaanderen die wereldleiders zijn in MS-gebaseerde proteomics, zal deze WOG van Vlaanderen het centrum maken van proteomics bio-informatica. Onze samenwerking met internationale partners zal de zichtbaarheid van Vlaams onderzoek vergroten en bijdragen aan een sterke concurrentiepositie in het internationale onderzoekslandschap, waardoor de regio aantrekkelijk wordt voor ambitieuze en getalenteerde jonge onderzoekers om in te werken. De zes samenwerkende onderzoeksgroepen hebben sterke banden met de proteomics bio-informatica gemeenschap binnen Europa en daarbuiten, die we maximaal willen benutten om onze langetermijndoelen te bereiken. In plaats van deze uitdagingen alleen aan te gaan, is het de bedoeling van elk van de zes onderzoeksgroepen om een leidende rol op te nemen in de bredere onderzoeksgemeenschap om onze doelstellingen te bereiken. Via deze WOG zullen we de bestaande verbindingen tussen de zes partners formaliseren en een duidelijke collaboratieve visie en structuur bieden om vooruitgang te stimuleren en de bredere onderzoeksgemeenschap te mobiliseren. De reikwijdte van onze doelen onderstreept de noodzaak van een inspanning op internationaal niveau. Alle zes partners hebben centrale rollen in bestaande initiatieven, zoals de European Bioinformatics Community for Mass Spectromtry (EuBIC-MS), de Proteomics Standards Initiative van de Human Proteome Organization (HUPO-PSI), de ELIXIR Life Science Infrastructuur, en de Computational Mass Spectrometry (CompMS) groep van de International Society for Computational Biology (ISCB), hetgeen de kritische massa levert die nodig is om onze doelen te bereiken.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Referentiegebaseerde metabolomics analyse om de moleculaire samenstelling van Zuid-Afrikaans voedsel te bestuderen. 01/01/2024 - 31/12/2026

Abstract

Het begrijpen van de moleculaire samenstelling van voedsel is essentieel voor het bestuderen van de impact ervan op de menselijke gezondheid. We hebben recent de referentiegebaseerde metabolomics strategie ontwikkeld die gebruikt kan worden om dieet te achterhalen op basis van niet-gerichte metabolomics data. Een probleem hierbij is echter dat er onvoldoende diverse en geografisch representatieve data beschikbaar zijn. Om dit op te lossen zullen we onze moleculaire voedselreferentiedatabase uitbreiden met lokaal geteelde producten uit Zuid-Afrika, een regio met rijke culturele en culinaire tradities, de moleculaire samenstelling hiervan bestuderen met behulp van massaspectrometrie, en deze data integreren in de Global FoodOmics referentiedatabase. Verder zullen we gebruiksvriendelijke bio-informatica toepassingen ontwikkelen om de data-analyse te vereenvoudigen en de moleculaire samenstelling van Zuid-Afrikaans voedsel te bestuderen. Deze samenwerking tussen Zuid-Afrikaanse universiteiten en de Universiteit Antwerpen combineert expertise in analytische chemie, bio-informatica, voeding, en landbouwwetenschappen om geavanceerde metabolomics toepassingen te ontwikkelen, nieuwe wetenschappelijke kennis te vergaren over voedselconsumptie in Zuid-Afrika, en inzichten te bieden voor het verbeteren van voeding en de gezondheid van de Zuid-Afrikaanse bevolking.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

RAPTOR: een nieuw multi-view integrerend framework om de belangrijkste kenmerken van T-cel immunologie te identificeren. 01/11/2023 - 31/10/2027

Abstract

De kluwen aan complexe componenten van het immuunsysteem vormt een obstakel om de interacties die onze immuunrespons bepalen volledig te begrijpen. De oplossing ligt waarschijnlijk in een systematisch ontwerp dat unieke en gedeelde biomarkers kan bovenbrengen. Maar, tot hiertoe is het potentieel van volledig geïntegreerde immunologische gegevens grotendeels onbenut gebleven. Door gebruik te maken van een ongekend grote cohort, willen we deze kloof overbruggen en een framework bouwen voor een multi-view integratie van biologische gegevens met een focus op T-cellen. De 'views' van elke cohort worden gecombineerd in een latente ruimte. We zullen individuen groeperen op basis van gevonden patronen, eerder gepubliceerde biomarkers valideren, groepsparameters deconvolueren en responsfenotypering uitvoeren. Vervolgens zullen we de T-cel receptor component toevoegen door middel van een innovatieve integratie die focust op de celgedreven respons. De T-celanalyse zal worden geïnformeerd door de gevonden kenmerken en geleid door epitoop- en ziektespecificiteit. Ze zal worden samengesteld over een longitudinale dimensie wat de ontwikkeling van de verschillende modules van het framework zal sturen. Dit nieuwe framework heeft een groot potentieel voor multidisciplinaire toepassingen binnen bio-informatica, biomedische en farmaceutische bedrijven. Specifiek verwachten we dat het een paradigmaverschuiving kan teweegbrengen naar het ontwerpen van meer geïnformeerde holistische therapieën.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Onderzoek naar vergeetmethoden om de privacy, veiligheid en bruikbaarheid van aanbevelingssystemen te waarborgen. 01/11/2023 - 31/10/2027

Abstract

De voorbije jaren zijn machine learning-algoritmen zijn zeer effectief gebleken bij het analyseren van grote hoeveelheden gegevens en het vinden van complexe patronen. Een toepassing van machine learning die veel aandacht heeft gekregen, zijn aanbevelingssystemen, dit zijn algoritmen die gebruikersgedrag en andere gegevens analyseren om inhoud voor te stellen waarin een gebruiker mogelijk geïnteresseerd is. Deze systemen kunnen echter onbedoeld gevoelige, verouderde of foutieve informatie bevatten. Dit vormt een risico voor hun privacy, beveiliging en bruikbaarheid. In dit voorstel willen we deze problemen aanpakken door "vergeetmethoden" te onderzoeken, waardoor informatie efficiënt kan worden "vergeten" door een model. Het hoofddoel van dit voorstel is het leggen van de basis voor toekomstige vergeetmethoden. We evalueren eerst de huidige vergeetmethoden en verkennen nieuwe vijandige aanvallen op de verifieerbaarheid, efficiëntie en nauwkeurigheid van deze methoden. Met behulp van onze verzamelde inzichten proberen we nieuwe vergeetmethoden te creëren die verifieerbaar en efficiënt zijn en niet leiden tot een sterke verslechtering van de accuraatheid van een model. Met dit voorstel proberen we een belangrijke bijdrage te leveren aan de theoretische grondslagen van "unlearning", terwijl we ook vergeetmethoden ontwikkelen die kunnen worden toegepast op reële problemen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Computationele massaspectrometrie en artificiële intelligentie om het immunopeptidoom te ontrafelen. 01/10/2023 - 30/09/2027

Abstract

Het adaptieve immuunsysteem is een cruciaal onderdeel van de immuunrespons en is verantwoordelijk voor het herkennen en elimineren van geïnfecteerde of kwaadaardige cellen, evenals bijdrages aan de ontwikkeling van het immunologisch geheugen. Immunopeptidomics is een snel evoluerend veld dat massaspectrometrie gebruikt om immunopeptiden te identificeren en te kwantificeren, die T-cellen in staat stellen om geïnfecteerde of abnormale cellen te herkennen en te elimineren. Ondanks het aanzienlijke potentieel van immunopeptidomics kunnen momenteel slechts voor een minderheid van de spectra die gegenereerd worden tijdens een immunopeptidomics experiments de immunopeptiden geïdentificeerd worden, waardoor een aanzienlijke hoeveel aan biologische informatie verloren gaat. Om dit probleem aan te pakken zullen wij gespecialiseerde bioinformatica-toepassingen ontwikkelen om immunopeptidomics data te analyseren. We zullen een efficiënte en gevoelige open modificatie-zoekmachine ontwikkelen om immunopeptiden die post-translationele modificaties hebben ondergaan te identificeren. Daarnaast zullen we een de novo peptide sequencingen toepassing ontwikkelen die is geoptimaliseerd om immunopeptidomics data te analyseren. De tools die in dit project worden ontwikkeld hebben het potentieel om de hoeveelheid biologische informatie die kan worden verkregen uit immunopeptidomics experimenten aanzienlijk te vergroten, hetgeen zal leiden tot belangrijke doorbraken in het vakgebied.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

ELIXIR Infrastructuur voor Data en Services om Life-Sciences Onderzoek in Vlaanderen te versterken. 01/01/2023 - 31/12/2026

Abstract

Levenswetenschappen zijn datagestuurd; het vertrouwt op de generatie, uitwisseling en geïntegreerde analyse van grote hoeveelheden digitale gegevens. ELIXIR is een Europese onderzoeksinfrastructuur die internationale bronnen in levenswetenschappen samenbrengt tot één enkele infrastructuur die wetenschappers in staat stelt gegevens te vinden en te delen, expertise uit te wisselen en toegang te krijgen tot geavanceerde tools en grootschalige computationele faciliteiten, over grenzen en disciplines heen. De Belgische ELIXIR Node biedt een portfolio van diensten op het gebied van gegevensbeheer en analyse om onderzoekers te helpen de beste praktijken van Open Science toe te passen en hun onderzoek efficiënt uit te voeren. Wij brengen expertise in Vlaanderen samen op het gebied van menselijke gezondheid en plantenwetenschappen, met de nadruk op gefedereerd leren en het mogelijk maken van gegevensintegratie en interpretatie. Een nieuw prioriteitsgebied is de oprichting van een gevoelige gegevensinfrastructuur in België. Wij bieden ook trainingen voor onderzoekers en ontwikkelaars. Onze missie is ervoor te zorgen dat onderzoekers in Vlaanderen en België zich kunnen richten op hun onderzoeksvraag, in plaats van op technische details van gegevens, interoperabiliteit, rekenbronnen, enzovoort, door op maat gemaakte oplossingen te bieden gebaseerd op een interoperabele infrastructuur in heel Europa.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Artificiële intelligentie-gedreven kennisbank van het geobserveerde moleculaire universum. 01/12/2022 - 30/11/2027

Abstract

Ondanks recente doorbraken in artificiële intelligentie (AI) die hebben geleid tot radicale vooruitgang in verschillende wetenschappelijke domeinen zijn AI-technieken nog niet systematisch ingeburgerd in de levenswetenschappen. In het bijzonder de analyse van massaspectrometrie (MS) data van kleine moleculen is nog steeds gebaseerd op vakkennis en handmatig samengestelde regels. Dit project zal een nieuwe, krachtigere manier van data analyse ontwikkelen waarin MS gegevens worden geïnterpreteerd in de context van bestaande informatie die beschikbaar is in publieke databanken. De onderzoekshypothese waarop het voorgestelde project gebaseerd is, is dat geavanceerde AI-technieken verborgen kennis kunnen ontdekken in grote hoeveelheden MS data om een dieper inzicht te verkrijgen in de moleculaire samenstelling van complexe biologische stalen. We zullen machine learning-gebaseerde oplossingen ontwikkelen om het geobserveerde moleculaire universum te onderzoeken en een uitgebreide kennisbank voor kleine moleculen op te bouwen. Deze ambitieuze doelen bouwen voort op onze unieke expertise in zowel AI als MS om geavanceerde datagestuurde softwareoplossingen te ontwikkelen die zullen leiden tot een verbeterde moleculaire ontdekking uit MS data.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Bio-informatica en machinaal leren voor de analyse van grote hoeveelheden metabolomics data 01/12/2022 - 30/11/2026

Abstract

Ondanks recente doorbraken in artificiële intelligentie (AI) die hebben geleid tot radicale vooruitgang in verschillende wetenschappelijke domeinen zijn AI-technieken nog niet systematisch ingeburgerd in de levenswetenschappen. In het bijzonder de analyse van massaspectrometrie (MS) data van kleine moleculen is nog steeds gebaseerd op vakkennis en handmatig samengestelde regels. Dit project zal een nieuwe, krachtigere manier van data analyse ontwikkelen waarin MS gegevens worden geïnterpreteerd in de context van bestaande informatie die beschikbaar is in publieke databanken. De onderzoekshypothese waarop het voorgestelde project gebaseerd is, is dat geavanceerde AI-technieken verborgen kennis kunnen ontdekken in grote hoeveelheden MS data om een dieper inzicht te verkrijgen in de moleculaire samenstelling van complexe biologische stalen. We zullen machine learning-gebaseerde oplossingen ontwikkelen om het geobserveerde moleculaire universum te onderzoeken en een uitgebreide kennisbank voor kleine moleculen op te bouwen. Deze ambitieuze doelen bouwen voort op onze unieke expertise in zowel AI als MS om geavanceerde datagestuurde softwareoplossingen te ontwikkelen die zullen leiden tot een verbeterde moleculaire ontdekking uit MS data.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Antwerpse kernfaciliteit voor bioinformatica (BIOMINA). 01/01/2022 - 31/12/2027

Abstract

Bio-analytische high-throughput instrumenten genereren een immense stroom data. Deze vertalen naar inzicht in de processen van leven en ziekte, hangt steeds meer af van bioinformatica technieken. Sinds 2012 brengt BIOMINA (biomedical informatics network Antwerpen) bioinformatica expertise, verspreid over life science en computer science labs van onze universiteit, bij elkaar in een informeel netwerk. Met dit voorstel willen we dit netwerk, met expertise en veelgebruikte infrastructuur, transformeren in een BIOMINA kernfaciliteit die een professionele bioinformatica service kan leveren. De missie hiervan is om 1) een duurzaam model voor support, training, en samenwerking uit te rollen; 2) bioinformatica capaciteit te verhogen om groeiende noden te beantwoorden; en 3) een sterke bioinformatica community te bouwen. Het wordt gedragen door complementaire PIs, die bestaande bioinformatica sterktes willen vertalen om biomedische, klinische, biologische en bio-ingenieur laboratoria binnen de Universiteit, maar ook externe klanten in ziekenhuizen en de industrie, te ondersteunen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Precisiegeneeskunde technologie (PreMeT) 01/01/2021 - 31/12/2026

Abstract

Precisiegeneeskunde staat voor het precies afstemmen van een medische behandeling op basis van het genetisch profiel, levensstijl en omgeving van een patiënt. Het maakt gebruik van technologieën die de artsen de mogelijkheid geven om op een meer accurate manier te voorspellen welke behandeling en preventiestrategie voor een bepaalde aandoening werkzaam zal zijn in welke subgroep van patiënten. De voornaamste drijfveren voor de evolutie naar precisiegeneeskunde zijn de technologische vooruitgang, zoals de nieuwe generatie sequencingtechnologie in genomica, de toenemende beschikbaarheid aan gezondheidsdata en de groei in datawetenschappen en kunstmatige intelligentie. In deze domeinen zullen 6 sterke onderzoeksteams van de UAntwerpen de krachten bundelen om hun onderzoek te vertalen in een technologieplatform voor precisiegeneeskunde (PreMeT) dat aangeboden kan worden aan de industrie, hospitalen, onderzoeksinstituten en onze samenleving. De missie van PreMeT is om precisiegeneeskunde mogelijk te maken via een geïntegreerde aanpak bestaande uit genomica en 'big data analytics'.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Tracing Ions in Mass Spectra to Identify Small Molecules (TractION). 01/11/2017 - 31/12/2026

Abstract

Momenteel is de analyse en interpretatie van de data de meest tijdrovende stap in de structuuropheldering van kleine moleculen. Dit vergt tot op heden nog steeds veel manuele tussenkomst van hoogopgeleide MS experten. Daarenboven maakt de handmatige aard van het proces het kwetsbaar voor menselijke fouten tijdens de interpretatie. Het doel van dit project is het wegwerken van de flessenhals in de data analyse door middel van aangepaste zoek algoritmes en allernieuwste "pattern mining" technologie.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Afgelopen projecten

Revolutioneren van CAR-T Cell Therapie: Een deep learning strategie voor de ontwikkeling van volgende generatie synthetische receptoren. 01/11/2025 - 31/10/2026

Abstract

Kanker behoort tot de grootste doodsoorzaken wereldwijd, wat de nood van nieuwe therapieën benadrukt. Hematologische kankers zijn een van de meest agressieve maligniteiten en vereisen intensieve chemotherapieën of beenmergtransplantaties. Deze therapieën hebben aanzienlijke bijwerkingen en falen vaak in gevorderde stadia. CAR-T-celtherapie is een revolutionaire nieuwe vorm van immunotherapie waarbij speciale Chimeric Antigen Receptors op T-cellen worden geplaatst. Ondanks indrukwekkende klinische resultaten, blijft het ontwerpen van deze CAR's suboptimaal als gevolg van trial-and-error strategieën en domeinen die in isolatie worden bestudeerd. Dit project introduceert een data-gedreven aanpak die generatieve deep learning, predictieve modellen en experimentele validatie integreert voor efficiënter CAR-ontwerp. We stellen eerst een CAR-T-database op die gebruikt zal worden om een generatief model, getraind op algemene eiwitsequenties, te finetunen en zo de-novo CAR's te genereren. Een predictief model evalueert deze CAR's en maakt een selectie voor in vitro testen. Experimentele feedback wordt continu geïntegreerd in het generatieve model, waardoor het na elke iteratie betere CAR's genereert. Door de expertise van het Laboratorium voor Experimentele Hematologie en het Adrem Data Lab te combineren, heeft dit interdisciplinaire project als doel om ons begrip van CAR-domeininteracties te verdiepen en de ontwikkeling van volgende generatie CAR-T-celtherapieën te versnellen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

AI-gestuurde metadata-annotatie en kwaliteitscontrole voor reproduceerbaar massaspectrometrie-gebaseerd omics-onderzoek. 01/11/2025 - 31/10/2026

Abstract

Massaspectrometrie (MS) is een essentiële technologie in proteomics en metabolomics, die grote hoeveelheden data genereert. Het hergebruik van data wordt echter belemmerd door onvolledige metadata en inconsistente kwaliteitscontrole (QC), waardoor onderzoekers beperkt zijn in het vinden, vergelijken en integreren van datasets. Ik zal deze barrières aanpakken door geavanceerde bioinformatica- en machine learning-oplossingen te ontwikkelen voor geautomatiseerde metadata-extractie en QC-beoordeling in MS-gebaseerde omics. Ten eerste zal ik workflows ontwerpen om metadata te extraheren uit ruwe MS-data en wetenschappelijke literatuur. Deze tools zullen worden geïntegreerd met publieke formaten en opslagplaatsen zoals SDRF-Proteomics en de PRIDE-database, waardoor gestructureerde annotatie van zowel technische parameters als biologische context voor openbare MS-data mogelijk wordt. Ten tweede zal ik een gestandaardiseerd QC-raamwerk implementeren dat zowel identificatievrije als -gebaseerde metrieken biedt, zodat onderzoekers in één oogopslag de betrouwbaarheid van data kunnen beoordelen. Een machine learning-gedreven dashboard zal de dataselectie verder mogelijk maken door afwijkende experimenten te markeren. Door de beschikbaarheid van metadata te verbeteren en transparante QC te garanderen, zal dit project hergebruik van openbare MS-datasets mogelijk maken, waardoor secundaire analyses, metastudies en AI-gestuurde toepassingen in MS-gebaseerde omics worden versneld.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Diep reinforcement leren voor massaspectrometriemetingen in metabolomics. 01/10/2025 - 31/07/2026

Abstract

Massaspectrometrie-gebaseerde metabolomics is een krachtige analytische techniek die wordt gebruikt om kleine moleculen in complexe biologische stalen te identificeren. De huidige methoden om data te meten zijn echter beperkt in het kunnen detecteren van alle relevante moleculen. Om dit probleem aan te pakken, zullen we artificiële intelligentie (AI) gebruiken om de massaspectrometriemetingen in realtime te optimaliseren, waardoor het aantal en de kwaliteit van geïdentificeerde moleculen kan worden geoptimaliseerd. Eerst zullen grote hoeveelheden publiekelijk beschikbare massaspectrometriegegevens gebruikt worden om een diep neuraal netwerk te ontwikkelen dat de kwaliteit van gegenereerde fragmentatiespectra kan voorspellen op basis van de actieve instrumentconfiguraties. Ten tweede zullen we offline reinforcement leren gebruiken om nieuwe instrumentconfiguraties te ontdekken die de massaspectrometriemetingen kunnen verbeteren. Een belangrijk aandachtspunt zal het definiëren van een geschikte beloningsfunctie zijn om de AI-agent zelfstandig te laten leren, waarbij rekening gehouden zal worden met de spectrumkwaliteit, de nieuwheid van de verworven spectra, en de instrumentsefficiëntie. Ten derde zullen we een virtuele massaspectrometrie-omgeving gebruiken om een fragmentatieproces te simuleren en de AI-agent te gebruiken om de metingen te besturen. Op basis hiervan zullen we de performantie van de AI-agent beoordelen en vergelijken met bestaande methoden. Eenmaal volledig getraind en gevalideerd, zal de AI-agent worden ingezet op een echte massaspectrometer om de metingen in realtime autonoom te besturen. Door AI te gebruiken om moleculaire ontdekkingen uit ongerichte metabolomicsexperimenten te optimaliseren, zullen we de identificatie van moleculen die momenteel over het hoofd worden gezien verbeteren en nieuwe waardevolle biologische inzichten verkrijgen. Deze vooruitgang zal transformatieve implicaties hebben voor precisiegeneeskunde, geneesmiddelenontdekking, en talloze andere gebieden van de levenswetenschappen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Nieuwe immunopeptidomics-afgeleide epitopen voor T celherkenning om Leishmania vaccinontwikkeling te versnellen (EPI4LEISH). 01/09/2025 - 31/08/2026

Abstract

Leishmaniasis is een ernstige, door vectoren overgedragen huidziekte die wordt veroorzaakt door de intracellulaire parasiet Leishmania. Ondanks een hoge wereldwijde last, geschat op 1,5 miljoen nieuwe gevallen per jaar, is er geen vaccin tegen leishmaniasis op de markt. Dit is deels te wijten aan beperkte gegevens over welke Leishmania-antigenen (binnen het grote parasiet proteoom) daadwerkelijk worden gepresenteerd aan de T-cellen van de gastheer. We hebben de eerste bevestigde MHC-gepresenteerde Leishmania-peptiden direct in laesies van patiënten met leishmaniasis geïdentificeerd. Deze lijst bevat een reeks potentieel immunogene peptiden en geassocieerde antigenen die nog niet zijn onderzocht voor de ontwikkeling van Leishmania-vaccins. Daarom willen we met dit IOF-POC CREATE project de immunogeniciteit, inclusief immunodominantie en immunoprevalentie, van deze nieuw geïdentificeerde Leishmania epitopen en antigenen grondig onderzoeken in verschillende cohorten van Leishmania-geïnfecteerde patiënten, door gebruik te maken van klassieke laboratorium- en geavanceerde in silico benaderingen binnen onze nieuwe immunomics pijplijn. Deze gegevens zullen het nodige bewijs leveren om de patentaanvraag van onze nieuwe Leishmania vaccin kandidaat antigenen tijdens het prioriteitsjaar van ons patentindiening te ondersteunen en zullen ons informeren over de beste kandidaten waarme we onze samenwerkingen met Vlaamse en internationale industriële spelers kunnen voortzetten om een nieuw Leishmania vaccinconcept te ontwikkelen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Accurate en schaalbare AI-gedreven de novo sequencing voor de ontdekking van immunopeptiden. 01/09/2025 - 31/08/2026

Abstract

Casanovo is een AI-gedreven softwareplatform voor de novo peptide sequencing, waarmee peptiden rechtstreeks kunnen worden geïdentificeerd op basis van tandem massaspectra, zonder afhankelijk te zijn van vooraf gedefinieerde eiwitdatabanken. Deze functionaliteit is cruciaal voor toepassingen zoals immunopeptidomics, waar standaard workflows het merendeel van de spectra niet kunnen interpreteren doordat de sequenties van de te beschouwen peptiden ongekend zijn en omwille van de aanwezigheid van post-translationele modificaties. Casanovo gebruikt een transformer neuraal netwerk om zeer sterke resultaten te leveren die bestaande academische en commerciële oplossingen aanzienlijk overtreffen. Dit project zal Casanovo verder ontwikkelen van een onderzoeksprototype tot een breed inzetbaar softwareplatform. We zullen ondersteuning voor post-translationele modificaties implementeren, de analyses versnellen via geoptimaliseerde cloud infrastructuur, en een intuïtieve webinterface aanbieden die AI-gedreven proteomics toegankelijk maakt voor een breed publiek. Tegelijkertijd zullen we eindgebruikers betrekken via gestructureerde pilootstudies en marktonderzoek doen om de positionering van het product te verfijnen, prijsmodellen te valideren, en een bedrijfsstrategie te definiëren. Door een cruciaal knelpunt in de interpretatie van massaspectrometriegegevens aan te pakken, positioneert dit project Casanovo als een innovatieve oplossing voor het ontdekken van peptiden binnen immunotherapie, vaccinontwikkeling, infectieziekteonderzoek, en andere belangrijke domeinen van biomedische innovatie.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

De Live Mouse Tracker (LMT) als een veelzijdig platform voor het screenen van drugs voor zeldzame neurologische ziekten. 01/01/2025 - 31/12/2025

Abstract

Het ontwikkelen van effectieve therapieën voor zeldzame neurologische ontwikkelingsstoornissen blijft één van de grootste uitdagingen binnen de moleculaire geneeskunde. Hoewel vooruitgang in next-generation sequencing-technologieën in het afgelopen decennium hebben geleid tot de ontdekking van honderden nieuwe genetische syndromen, blijft de ontwikkeling van gepersonaliseerde therapieën achter. Elk syndroom is individueel zeldzaam, maar collectief zijn meer dan 300 miljoen mensen op aarde aangedaan. Iedere aandoening wordt veroorzaakt door mutaties in verschillende genen en elk gen verstoort meerdere cellulaire pathways. Dit illustreert de complexiteit van de ontwikkeling van therapieën: immers voor ieder ziektebeeld moet een overweldigende hoeveelheid gegevens geanalyseerd worden om tot een doeltreffende therapie te komen. Het mag dan ook geen verrassing zijn dat de huidige behandelingen en therapieën slechts zeer beperkt succesvol zijn. Honderden miljoenen individuen op de aarde hebben dus geen toegang tot een rationele therapie voor hun ziektebeeld. De snelle opkomst van AI-technologieën heeft echter de potentie om dit landschap te transformeren. Door AI-gestuurde algoritmen kunnen enorme biomedische datasets steeds beter worden doorgenomen, wat leidt tot de versnelde ontdekking van kandidaat medicijnen voor zeldzame ziekten. Veel startups maken al gebruik van dit potentieel, waardoor er een overvloed aan drugs wordt geprioriteerd voor preklinische evaluatie. Deze toename in kandidaat-therapieën heeft echter de bottleneck verschoven van medicijnontdekking naar preklinische testen. Traditionele muistesten zijn arbeidsintensief, duur, en tijdrovend, wat de noodzaak onderstreept voor een gestandaardiseerd, schaalbaar, en efficiënt platform om te voldoen aan de groeiende vraag naar preklinische screening. Wij stellen hier de ontwikkeling en commercialisering van ons Live Mouse Tracker (LMT) platform voor, een baanbrekend systeem dat is ontworpen om aan deze kritieke behoefte te voldoen. Het LMT-systeem automatiseert gedragsanalyse en is in staat om tot 39 verschillende gedragingen te volgen bij groepen muizen over periodes van 24 uur. Deze high-throughput capaciteit biedt een snelle en uitgebreide beoordeling van de effectiviteit van medicijnen in preklinische modellen. Onze initiële validatie zal zich richten op het fragiele X-syndroom, een veel bestudeerde neurologische ontwikkelingsstoornis waarvoor momenteel geen effectieve behandeling bestaat. Door medicijnen te evalueren die meerdere getroffen routes tegelijkertijd aanpakken, streven wij ernaar een nieuwe benadering van preklinische screening voor zeldzame ziekten te pionieren. Tijdens dit project zullen we de robuustheid van het LMT-platform valideren en het uitbreiden naar een volledig geïntegreerde service, en verkennen we samenwerking met andere partners binnen de UA om uitgebreide en multidimensionale preklinische screeningsmethoden aan te bieden. Dit service platform heeft het potentieel om de preklinische screening te versnellen, zodat door AI gegenereerde kandidaat-medicijnen snel en betrouwbaar kunnen worden beoordeeld, wat het traject van laboratorium naar kliniek versnelt. Met dit initiatief willen we de kloof tussen medicijnontdekking en therapeutische toepassing overbruggen, waardoor miljoenen patiënten met zeldzame neurologische aandoeningen hoop wordt geboden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Fundamenten van bandit algoritmes voor aanbevelingssystemen. 01/11/2024 - 31/10/2026

Abstract

Aanbevelingssystemen gebaseerd op multi-armed bandit-algoritmen worden steeds vaker gebruikt. Echter, hun evaluatiemethoden weerspiegelen vaak niet goed de dynamische aard van aanbevelingsscenario's in de echte wereld en verwaarlozen aspecten zoals, rechtvaardigheid, diversiteit en gebruikerstevredenheid op lange termijn. Dit belemmert de ontwikkeling van algoritmen die goed presteren in de praktijk en heeft invloed op verschillende sectoren, waaronder nieuws, e-commerce en streamingdiensten. In dit project pakken we deze kritieke kwesties aan door een uitgebreid kader te creëren voor het evalueren van bandit-algoritmen in diverse aanbevelingsscenario's en het ontwikkelen van nieuwe algoritmen om huidige tekortkomingen aan te pakken. We stellen voor om de state-of-the-art bandit-algoritmen te beoordelen, hun beperkingen te identificeren en nieuwe methoden te introduceren die zich op die beperkingen richten. Het project zal gebruikmaken van publieke datasets en een nieuw simulatie-omgeving om realistische en reproduceerbare resultaten te waarborgen. Ons onderzoek zal leiden tot fundamentele tools en inzichten, waardoor de ontwikkeling mogelijk wordt van effectievere en verantwoordelijke aanbevelingssystemen die de tevredenheid van gebruikers verbeteren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Innovatieve mobiele monitoring van ziekteverwekkers: Eenvoudige en aanpasbare oplossingen voor sequencing analyse door LeapSEQ 01/10/2024 - 30/09/2026

Abstract

Het hoofddoel van dit VLAIO Innovatiemandaat is het creëren van LeapSEQ, een innovatief softwareplatform ontworpen voor de effectieve en realtime surveillance van virussen en bacteriële antimicrobiële resistentie (AMR) in afvalwater door het gebruik van draagbare nanopore technologie

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Automatisatie van ontwerpbeslissingen in de aanbevelingssysteem pijplijn. 15/07/2024 - 14/07/2025

Abstract

Aanbevelingssystemen zijn essentieel geworden in domeinen zoals streamingdiensten, sociale mediaplatforms en e-commerce websites. De ontwikkeling van een aanbevelingssysteem omvat echter een complexe pijplijn met voorverwerking, gegevenssplitsing, algoritme- en modelselectie, en nabewerkingsstadia. Elk stadium van de pijplijn van aanbevelingssystemen vereist ontwerpbeslissingen die de prestaties van het aanbevelingssysteem beïnvloeden. Ondanks het succes van automatisering in machine learning (AutoML) bij het vereenvoudigen van machine learning pijplijnen, blijft de adoptie ervan in aanbevelingssystemen beperkt, voornamelijk vanwege de complexiteit van de pijplijnen van aanbevelingssystemen. Bijgevolg streeft ons onderzoek ernaar om de automatisering van ontwerpbeslissingen in pijplijnen van aanbevelingssystemen te creëren en te verbeteren. We richten ons op het ontwikkelen van flexibele automatiseringstechnieken voor algoritmeselectie, modelselectie en nabewerkingsstappen. Door ontwikkelaars in staat te stellen geïnformeerde keuzes te maken en het ontwikkelingsproces van aanbevelingssystemen te vergemakkelijken, verlagen we de inspanning van de ontwikkelaar terwijl we de prestaties van de aanbevelingssystemen verbeteren. Bovendien willen we de kosten-batenverhouding van automatiseringstechnieken in aanbevelingssystemen analyseren, door de computationele overhead en de resulterende verbeteringen in voorspellende prestaties te evalueren. Ons doel is om automatiseringsconcepten te benutten om ontwerpbeslissingen in pijplijnen van aanbevelingssystemen te automatiseren, handmatige inspanningen te verminderen en de algehele prestaties en bruikbaarheid van aanbevelingssystemen te verbeteren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Data mining-benaderingen voor monitoring en beslissingsondersteuning van fotobioreactorprocessen. 01/06/2024 - 31/05/2025

Abstract

Dit doctoraatsproject, een samenwerkingsverband tussen de Universiteit (Adrem Data Lab) en Proviron NV, is onderdeel van het Europese Trainingsnetwerk initiatief "DigitAlgaesation". Het richt zich op de innovatieve productie van microalgen met een door Proviron ontwikkeld fotobioreactorsysteem. Het onderzoek streeft ernaar computationele, op data gebaseerde besluitvorming ondersteunende oplossingen te ontwikkelen en te implementeren om de processen van fotobioreactoren te optimaliseren door gebruik te maken van nieuwe 'data mining'- en 'machine learning'-technieken. In de beginfase heeft het project met succes een geïntegreerd dataminingplatform opgezet dat heterogene monitoringsgegevens samenbrengt om de uitkomsten van fotobioreactorprocessen nauwkeurig te kunnen voorspellen. Dit uitgebreide platform heeft de ontwikkeling mogelijk gemaakt van zowel superviserende regressie- als classificatiemodellen, die ontworpen zijn om eenvoudig, overdraagbaar en zeer nauwkeurig cultuurevoluties te voorspellen aan de hand van real-time monitoring gegevens. In de volgende fase werden de voorspellende modellen verder verfijnd om verschillende groeiomstandigheden te omvatten, waarbij deze als bruikbare kenmerken voor voorspellende analyses zijn geïntegreerd. Dit omvatte het optimaliseren van de integratie van gegevens en het inzetten van LSTM-modellen voor het voorspellen van de biomassaconcentratie en het analyseren van de groeisnelheid. Na het ontwikkelen van het 'data mining' platform en de voorspellende modellen, zal de aandacht in het vierde jaar uitgaan naar het implementeren en evalueren van deze modellen. Tegelijkertijd zal er gewerkt worden aan het ontwikkelen van een economisch haalbare fotospectrometersensor die bedoeld is om algengroei te monitoren en de biomassa met hoge precisie te voorspellen. Deze innovatieve sensor zal geïntegreerd worden in het bestaande op data gebaseerde framework, om zo de voorspellingsnauwkeurigheid van de fotobioreactorprocessen verder te verfijnen. Bovendien zal de promovendus zich inzetten op de publicatie van wetenschappelijke artikelen die de vorderingen presenteren in de ontwikkeling van 'machine learning'- modellen voor het voorspellen van algengroei en de ontwikkeling van de nieuwe fotospectrometersensor. Deze publicaties zullen bijdragen aan de academische en wetenschappelijke discussie over technologieën voor algenproductie en voorspellende modellering. De afronding van dit onderzoek zal resulteren in de thesis die de ontwikkeling, de uitdagingen en de doorbraken van dit veelzijdige project belicht, en die de praktische toepassing van 'machine learning' en sensortechnologie in het optimaliseren van microalgenproductie demonstreert.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

De novo massaspectrometrie peptide sequencing met een transformer groot taalmodel. 01/05/2024 - 30/04/2025

Abstract

De primaire uitdaging in proteomics is het identificeren van aminozuursequenties uit tandem-massaspectra, hetgeen traditioneel gedaan wordt door te zoeken in sequentiedatabanken. Echter, aangezien dit enkel bekende eiwitsequenties kan identificeren, biedt de novo peptide sequencing een interessant alternatief om onverwachte peptiden te ontdekken. Casanovo is een geavanceerd programma voor de novo peptide sequencing, hetgeen vergelijkbare technologieën gebruikt als in grote taalmodellen om massaspectra te vertalen naar aminozuursequenties. Het doel van dit project is om de capaciteiten van Casanovo voor de novo peptide sequencing verder te verbeteren. Dit zal worden bereikt door het samenstellen van een uitgebreide trainingsdataset uit diverse biologische stalen en massaspectrometrie-instrumenten en door het neurale netwerk van Casanovo op te schalen om zijn leercapaciteit te vergroten. Verder zullen we een aangepast model creëren voor de analyse van immunopeptidomics-gegevens door Casanovo te finetunen. Tot slot zullen we een gebruiksvriendelijke webinterface ontwikkelen, waardoor Casanovo gebruikt zal kunnen worden door vele onderzoekers zonder gespecialiseerde voorkennis en zullen hardwarebeperkingen vermeden worden door middel van cloud computing.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Eerste stappen in het in kaart brengen en karakteriseren van Leishmania-specifieke T-cellen in lesies van Ethiopische patiënten met cutane leishmaniose 15/02/2024 - 14/11/2024

Abstract

Leishmaniose is wereldwijd een ernstige ziekte waarvoor tot op heden nog geen vaccin is ontwikkeld. De complexe interactie tussen de Leishmania parasiet en de immuunrespons van de gastheer bepaalt de uitkomst van de ziekte. De verschillende klinische presentaties van cutane leishmaniose (CL) zijn bijvoorbeeld gekarakteriseerd door een beschermende, anergische of pathogene T-celrespons. Door de grootte en complexiteit van de parasiet is het echter nog onbekend hoe deze verschillende T-celresponsen ontstaan en het ziekteverloop sturen. T-cellen worden geactiveerd door herkenning van hun T-celreceptor (TCR) aan het Leishmania-antigeen dat wordt gepresenteerd door MHC-moleculen (aMHC) op antigeenpresenterende cellen (APC's). Wij veronderstellen dat verschillende Leishmania-specifieke aMHC-TCR interacties ten grondslag liggen aan de verschillende T-cel en CL presentaties. Dit is in lijn met onze recente immunopeptidomics data die de aanwezigheid van verschillende Leishmania-antigenen in verschillende CL presentaties aantoonden. In deze jPPP willen we onze pipeline om deze Leishmania-antigeenspecifieke T- cellen in huidbiopten te identificeren testen en demonstreren, en een nieuwe aanpak gebruiken om hun beschermende/pathogene functie ruimtelijk te karakteriseren. De verkregen gegevens zullen de haalbaarheidsscore aanzienlijk verhogen in de komende subsidieaanvragen waarin we de reikwijdte van het project willen vergroten en uitbreiden door de eerste Leishmania T-cel epitopenkaart te genereren en hoe deze het volledige ziektespectrum van leishmaniose beïnvloedt om daarna geïnformeerde antigeenselectie uit te voeren voor de ontwikkeling van vaccins en diagnostische assays.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Interpreteerbare regelgebaseerde aanbevelingssystemen. 01/11/2023 - 31/10/2026

Abstract

Aanbevelingssystemen helpen om de meest relevante items uit een enorme verzameling te identificeren. In recente onafhankelijke evaluatiestudies is aangetoond dat regelgebaseerde modellen even accuraat zijn dan complexere state-of-the-art modellen. Bovendien hebben op regels gebaseerde algoritmen interessante eigenschappen, zoals het potentieel van interpreteerbaarheid, het vermogen om lokale patronen te identificeren en de ondersteuning van context attributen. Ten eerste willen we bestaande aanbevelingsalgoritmen met verschillende biases en voorspellingsstrategieën onderzoeken en onafhankelijk evalueren. Naast nauwkeurigheid bestuderen we daarbij ook de diversiteit en structuur van de resulterende modellen, die belangrijk zijn voor het kaderen van de interpreteerbaarheid van de resultaten. Ten tweede slagen we een brug tussen aanbevelingssystemen en recente multi-label classificatie methoden die een optimale set van regels leren m.b.t. een verliesfunctie. We onderzoeken of een besluitvormingstheorie de identificatie van de optimale set van regels kan garanderen m.b.t. een verliesfunctie die rekening houdt met nauwkeurigheid, complexiteit en diversiteit. We houden daarbij ook rekening met de karakteristieken van aanbeveling datasets, zoals de ongelijke distributie, impliciete feedback en schaal. Ten slotte gebruiken we nieuwe, op regels gebaseerde algoritmen die nauwkeuriger zijn dan momenteel mogelijk voor intensive care monitoring en online voor e-commerce en nieuws.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

FWO Sabbatsverlof 2023-2024 (Prof. F. Geerts). 01/08/2023 - 31/01/2024

Abstract

In dit onderzoeksproject gaan we dieper in op de verbanden tussen graaf neurale netwerken en bevragingstalen voor gegevensbanken. Onlangs is namelijk aangetoond dat de meeste graaf neurale netwerkarchitecturen kunnen worden gezien als een bevraging ("query") in een bevragingstaal uitgebreid met zogenaamde numerieke aggregatie. Als gevolg hiervan kunnen resultaten over de expressieve kracht van deze bevragingstalen op natuurlijke wijze overgedragen worden naar resultaten over de expressieve kracht van graaf neurale netwerken. Deze brug, tussen database theorie en graaf "learning" opent vele interessante wegen voor verder onderzoek en voor de overdracht van technieken tussen deze twee gebieden. We belichten hier twee van dergelijke wegen die behandeld zullen worden in dit project. De eerste heeft betrekking op de vraag of recente ontwikkelingen in de evaluatie van queries (in het bijzonder optimale worst-case join-algoritmen) kunnen worden gebruikt om de efficiëntie te verbeteren van het leren van graaf neurale netwerken. De tweede heeft betrekking op het uitbreiden van neurale graafnetwerken over andere domeinen dan de reële getallen. Op deze manier kunnen ze ook op natuurlijke wijze berekeningen uitvoeren over, bijvoorbeeld, booleaanse waarden, "semirings" of andere algebraïsche structuren. Dit zou hun toepasbaarheid aanzienlijk vergroten. Door gebruik te maken van de brug met bevragingstalen voor gegevensbanken, waar dergelijke gegeneraliseerde semantiek reeds diepgaand is bestudeerd, streven we ernaar een gedetailleerd beeld te krijgen van hoe algebraïsche eigenschappen van het onderliggende domein de expressieve kracht van graaf neurale netwerken beïnvloeden. Het gezichtspunt van een graaf neuraal netwerk vanuit een dergelijk computationeel perspectief staat momenteel hoog op de agenda in de context van neuraal algoritmisch redeneren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

BOF Sabbatsverlof 2023 - Floris Geerts. 01/08/2023 - 31/01/2024

Abstract

Onderzoek naar uitwisseling van technieken tussen databasetheorie en graaf learning De nadruk zal liggen op de karakterisering van de expressieve kracht van het leren van grafieken in termen van op logica gebaseerde equivalenties

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Het mogelijk maken van mobiele en data-gestuurde monitoring van pathogenen door middel van een gekoppelde nanopore squiggle- en genoomsequentie database. 01/05/2023 - 31/12/2024

Abstract

Er is wereldwijd nood aan het monitoren van infectieziekten. De dreiging van bestaande en opkomende pathogenen vormt een grote uitdaging voor de volksgezondheid. Nanopore sequencing is een revolutionaire technologie die draagbare sequencing mogelijk maakt, en heeft zijn waarde bewezen tijdens de COVID-19-pandemie. Deze technologie zou bestaande laboratoria, die geen of beperkte capaciteit hebben voor het monitoren van infectieziekten, in staat kunnen stellen om over te stappen naar monitoring gebaseerd op sequencing. Dit potentieel hangt echter af van het potentieel om te werken in omgevingen met beperkte middelen, hetgeen tot op heden wordt belemmerd door de behoeften aan gegevensopslag en - verwerkingtechnieken. De onbewerkte gegevens, 'squiggles' genoemd, zijn omvangrijk en het decoderen ervan naar DNA-sequenties vereist grafische kaarten (GPU's) die aanzienlijke hoeveelheden energie verbruiken. In dit 'proof-of-concept-project pandemic preparedness' project zullen we voortbouwen op de vorderingen van ons IOF-SBO gefinancierde project LeapSEQ, om belangrijke hindernissen weg te nemen om mobiele en datagestuurde monitoring van pathogenen mogelijk te maken. Deze hindernissen omvatten: (1) een behoefte aan schaalbare data opslag oplossingen voor squiggles, (2) het gebrek aan beschikbare gegevens voor belangrijke pathogenen, en (3) verbeterde computationele oplossingen om met squiggle-gegevens te interageren. We zullen deze problemen aanpakken door een proof-of-concept database te ontwerpen bestaande uit gepaarde nanopore squiggle-genoomsequentiegegevens met behulp van ons draagbare LeapSEQ-lab en door efficiënte datagestuurde algoritmen te ontwikkelen voor snelle pathogeen monitoring. We zullen deze database ontwikkelen met strategische partners van het Instituut voor Tropische Geneeskunde in Antwerpen en de UAntwerpen, en het valorisatiepotentieel van LeapSEQ verder onderzoeken in de context van wereldwijde monitoring van pathogenen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Sub-kwadratische graaf neurale netwerken: de zoektocht naar een goed evenwicht tussen efficiëntie en uitdrukkingskracht. 01/10/2022 - 30/09/2026

Abstract

Dit project situeert zich in het gebied van graph learning, een steeds populairder wordend gebied in machine learning, en richt zich op de ontwikkeling van een theoretisch kader voor het ontwerpen en analyseren van expressieve, doch efficiënte, graaf neurale netwerken. Ondanks de vooruitgang in hardware, moet men bij het ontwerpen van graaf neurale netwerken rekening houden met efficiëntie overwegingen. Dit houdt bijvoorbeeld in dat de meeste graaf neurale netwerken gebruik maken van update-functies waarvoor een lineaire hoeveelheid berekening nodig is. Een gevolg is dat dergelijke netwerken alleen eenvoudige functies kunnen leren. Hoewel er meer geavanceerde graaf neurale netwerken zijn voorgesteld, die complexere functies kunnen leren, is hun toepasbaarheid beperkt. Dit komt door het feit dat kwadratisch (of meer) berekeningen nodig zijn, wat niet haalbaar is voor grote graaf data. In dit project willen we begrijpen wat graaf neurale netwerken kunnen wanneer we berekeningen toelaten *tussen* deze lineaire en kwadratische kost. We stellen dan ook voor om sub-kwadratische graaf neurale netwerken te formaliseren, bestuderen en analyseren. Dergelijk sub-kwadratische graaf neurale netwerken zijn nog steeds efficiënt (minder dan kwadratisch) en nog steeds krachtig (meer dan wat lineaire netwerken kunnen). Bovendien vallen een aantal zeer recente graaf neurale netwerken in deze sub-kwadratische categorie. Naast het ontwikkelen van een wiskundig raamwerk voor sub-kwadratische graaf neurale netwerken, bestuderen we ook hun capaciteiten, zowel theoretisch als praktisch.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Serendipity Engine: naar een verrassende en interessante stadsbeleving. 01/10/2022 - 30/09/2026

Abstract

Er wordt steeds vaker gewaarschuwd voor het sturende en beperkende karakter van aanbevelingssystemen. Hierbij wordt verwezen naar de trend om voornamelijk voorspelbare, populaire en homogene inhoud te promoten, ook wel bekend als "filter bubbels". In een stedelijke context heeft dit tot gevolg dat mensen niet meer worden blootgesteld aan de diversiteit van steden en van hun inwoners, wat negatieve gevolgen heeft voor het open en democratisch karakter van de stad. Dit actueel probleem heeft dringend aandacht nodig en er is dan ook een maatschappelijke vraag voor een transitie naar informatiesystemen die serendipiteit in de stad bevorderen. Vandaag mist er echter een duidelijk begrip van de betekenis en waarde van serendipiteit in stedelijke omgevingen en hoe digitale toepassingen kunnen ontwikkeld worden volgens dit principe. In dit project wordt de betekenis en waarde van serendipiteit uitgeklaard en wordt naar een beleidskader gewerkt om lokale besturen en beleidsmakers te ondersteunen in deze transitie. Daarnaast zal het project onderzoeken hoe ontwikkelaars dergelijke toepassingen kunnen ontwerpen op het vlak van data, algoritmes en design. Deze benadering is geïnspireerd op de theorie van de affordances en de bevindingen dat (digitale) omgevingen kunnen worden ontworpen om serendipiteit te stimuleren. Deze affordances (op het vlak van data, algoritmes en design) zullen worden ontworpen, ontwikkeld en getest aan de hand van de Living Lab methode in drie stedelijke pilootprojecten. Om deze methode te ondersteunen, wordt er tevens een nieuwe onderzoeksmethode ontwikkeld, specifiek gericht op het onderzoeken van de gebruikerservaring van serendipiteit.

Onderzoeker(s)

Onderzoeksgroep(en)

Project website

Project type(s)

  • Onderzoeksproject

Identificatie van T celreceptoren voor de ontwikkeling van nieuwe anti-leukemie therapieën 07/09/2022 - 31/10/2023

Abstract

Het doel van dit project is om een robuuste workflow the ontwikkelen voor de identificatie van veelbelovende T cell receptoren (TCRs) in de ontwikkeling van T cell gebaseerde immuuntherapieën. De focus ligt op het leukemie geassocieerde Willm's tumor-1 (WT1) antigen. Hiervoor is een unieke collectie van bloedstalen beschikbaar van patiënten met acute myeloïde leukemie (AML). Deze werden verzameld in de context van onze academische klinische onderzoeken die het effect van dendritische celvaccinatie (DC vaccinatie) onderzoeken waarbij de DCs geladen zijn met WT1 mRNA. Deze immuuntherapie is ontwikkeld om WT1-specifieke T cellen te activeren. Door gespecialiseerde cel sortering technieken te combineren met zelf ontwikkelde bioinformatica methoden zullen we single-cell TCR en RNA sequenering integreren met unieke computationele modellen ten einde de specificiteit en de transcriptomische profielen van deze T cellen te linken met de klinische response van de patiënten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Voorspellen en modelleren van vaccinatie geïnduceerde immuunresponsen door de ontwikkeling van geadvanceerde computationele modellen voor immunosequencing data. 04/07/2022 - 31/12/2022

Abstract

Hoge doorvoer sequenering laat toe het menselijk immuunsysteem te karakteriseren, maar de data die daaruit voortkomt kan niet zomaar vertaald worden naar klinische inzichten. We hebben daarom artificiële intelligentie modellen ontwikkeld die T-cel receptor- en gen-expressie data kunnen vertalen naar bruikbare inzichten over het immuunstatus van een individu. Zo hebben we het eerste online platvorm ontwikkeld om de epitopen van T-cellen te voorspellen. We hebben de kracht van hiervan aangetoond voor het voorspellen en modelleren van vaccinatie geïnduceerde immuunresponsen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Single cell T-cell receptor and Expression Grouped Ontologies (STEGO) 01/07/2022 - 31/12/2023

Abstract

Het menselijke immuunsysteem, en op zijn beurt zijn reactie op ziekteverwekkers, kanker en andere ziekten, wordt beheerst door een complexe interactie tussen verschillende soorten immuuncellen. T-cellen spelen een belangrijke rol in de afweer van het immuunsysteem omdat ze specifieke eliminatieroutes initiëren voor kanker en geïnfecteerde cellen. De opkomst van single-cell sequencing heeft nieuwe deuren geopend om het functionele T-celrepertoire te bestuderen door de T-celsubtypen in immuunrepertoires in kaart te brengen. Interpretatie van single cell gegevens ontbreekt is een complex probleem en er zijn geen methoden beschikbaar om T-celfunctionaliteiten te koppelen aan hun werkelijke pathogene doelwitten. Dit project heeft tot doel de rijkdom aan single cell gegevens te benutten om belangrijke wisselwerkingen tussen T-cel-subtypen en andere immuuncellen te visualiseren. Hiertoe zal het team een ​​gebruiksvriendelijke tool ontwikkelen om groepen ziekterelevante T-cellen functioneel te annoteren binnen eencellige gegevens die zowel klinisch relevant als direct bruikbaar zijn. Na identificatie van de belangrijkste actieve T-cellen, zal integratie met single cell transcriptomics van andere immuunceltypen de verklaring van hun activiteit ondersteunen. Dit zal helpen bij het begrijpen van het functionele immuuncompartiment bij verschillende pathologieën, waaronder kanker, infecties en auto-immuunziekten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Het ontrafelen van de link tussen HLA-presentoom en de verschillende klinische presentaties van cutane leishmaniasis met Nanopore HLA genotypering. 01/04/2022 - 31/03/2023

Abstract

Infectie met Leishmania parasieten kan een divers spectrum aan klinische manifestaties veroorzaken. Deze kunnen gaan van diverse cutaneuze presentaties tot een dodelijke viscerale ziekte, elk geassocieerd met een specifieke set van Leishmania species. Tot nu toe is onze kennis over de gastheer-pathogeen interacties achter dit divers klinische spectrum erg beperkt. In ons recente werk hebben we een link aangetoond tussen het HLA-genotype en de susceptibiliteit om leishmaniasis te ontwikkelen. Daarom stellen we in dit project de hypothese naar voor dat differentiële T cel antigeen presentatie - gedreven door HLA diversiteit - een belangrijke mechanisme zou kunnen zijn voor de ontwikkeling van verschillende klinische presentaties van leishmaniasis. Specifiek wil dit project ontrafelen of en hoe differentiële antigeen presentatie en HLA diversiteit geassocieerd is met de verschillende cutaneuse presentaties van de ziekte. Concreet zal het project gebruik maken van Oxford Nanopore sequencing voor HLA genotypering met state-of-the-art in silico antigen presentatie predicties. Stalen zullen afgenomen worden van Ethiopische patiënten geïnfectreerd met L. aethiopica, omdat deze soort alle verschillende vormen cutaneuze leishmaniasis kan veroorzaken.

Onderzoeker(s)

  • Promotor: Cuypers Bart

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Vector-inbeddingmethoden gezien als "views" op gegevensbanken. 01/01/2022 - 31/12/2025

Abstract

In het afgelopen decennium zijn vector-inbeddingmethoden ontwikkeld om machine learning mogelijk te maken over gestructureerde gegevens zoals grafen of, meer in het algemeen, relationele gegevensbanken. Hoewel de empirische effectiviteit van vector-inbeddingen voor specifieke leertaken en toepassingsdomeinen goed is onderzocht, is het minder duidelijk welke informatie van de gestructureerde gegevens is bevat in inbeddingen. In dit project postuleren we dat, door naar inbeddingen te kijken door de lens van gegevensbankonderzoek, we meer inzicht kunnen krijgen in welke informatie inbeddingen bevatten. Concreet stellen we voor om bevragingstalen te ontwerpen waarin vector-inbeddingmethoden op natuurlijke wijze kunnen worden uitgedrukt. In deze setting kunnen vragen met betrekking tot het soort informatie dat is gecodeerd in de ingebedde vectoren worden geformuleerd als het herschrijven van een query als een query over "views", en zullen we dit probleem bestuderen. Door rekening te houden met de structurele eigenschappen van inbeddingsqueries, openen we bovendien de deur naar een overdracht van methoden in gegevensbanken naar vector-inbeddingen en terug. In het bijzonder kunnen gegevensbankmethoden voor incrementele query-evaluatie en query-sampling worden toegepast voor het efficiënt leren van de parameters in inbeddingen, terwijl omgekeerd vector-inbeddingen kunnen worden benut voor gegevensbank-indexering.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

LeapSEQ: Efficiënte data processing oplossingen voor adaptieve en mobiele genoom sequencing, toegepast op monitoring van infectieziekten. 01/10/2021 - 30/09/2023

Abstract

Infectieziekten worden wereldwijd een steeds grotere uitdaging voor de volksgezondheid, met verstedelijking, toegenomen reizen, klimaatverandering, vernietiging van habitats en ontbossing die lokale uitbraken en wereldwijde verspreiding aanwakkeren. Metagenomische sequentiebepaling biedt een aantrekkelijke oplossing om al het genomische materiaal dat aanwezig is in een patiëntenmonster te identificeren zonder voorafgaande kennis van het doelwit. Terwijl metagenomische sequencing tot dusverre was gebaseerd op grote, dure en operationeel veeleisende DNA-sequencers die gereserveerd waren voor deskundige laboratoria, biedt de recente introductie van nanopore sequencing apparaten op USB-stick-formaat een aantrekkelijke draagbare en betaalbare oplossing voor metagenomische sequentiebepaling in low-cost omgevingen over de hele wereld. Voor de context van pathogeendetectie heeft deze technologie echter nog steeds te kampen met enkele roadblocks op het vlak van data interpretatie. In dit strategische basisonderzoeksproject willen we belangrijke obstakels wegnemen die staan tussen nanopore sequencing en de implementatie ervan voor draagbare detectie, karakterisering en monitoring van pathogenen. Deze roadblocks omvatten: (1) de afhankelijkheid van deskundige bioinformatica-vaardigheden om de sequencing gegevens om te zetten in interpreteerbare resultaten; (2) het ontbreken van real-time interactie met het lopende sequencingproces; en (3) de selectiviteitsproblemen van detectie van pathogenen met een lage abundantie tussen zeer abundant gastheer-DNA. We zullen deze problemen aanpakken door een Lean and Adaptive bioinformaticaoplossing voor Portable Sequencing ("LeapSEQ") te implementeren op basis van intern ontwikkelde gegevensverwerkingstechnieken. We zullen deze tool optimaliseren en valideren met zeer relevante use cases voor infectieziekten samen met strategische partners van ITM en UA, en het valorisatiepotentieel ervan onderzoeken in de context van wereldwijde identificatie van pathogenen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Methodologische ontwikkeling om het myeline-specifieke T-cel receptor data ruimte in kaart te brengen. 01/04/2021 - 31/03/2022

Abstract

T-celimmuniteit is een belangrijke speler bij de ontwikkeling en progressie van multiple sclerose (MS). De T-celreceptor (TCR) die tot expressie wordt gebracht op het celoppervlak van T-cellen is een van de belangrijkste determinanten van gezonde tegenover abberante cellen. De samenstelling van de TCR-sequentieruimte die zich richt op MS-betrokken antigenen, zoals myeline, is momenteel slecht gekarakteriseerd. Onze hypothese is dat de TCR-ruimte onschatbare kennis bevat die de moleculaire mechanismen van zelfantigeenreactiviteit kan ontsluiten. Daarom streven we ernaar om de MS-antigeen-specifieke TCR-ruimte in kaart te brengen met de modernste immuno-informatica datamining-modellen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Declaratieve Methoden in de Informatica 01/01/2021 - 31/12/2025

Abstract

Een onderzoeksnetwerk ter promotie van samenwerking tussen vlaamse onderzoeksgroepen met interesse en expertise in declaratieve methoden in de informatica. Dit netwerk bevat ook internationale partners die rond dit thema werkzaam zijn.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

MIMICRY – Microbioom en Immuun Modulatie voor effectieve CRC Immuuntherapie. 01/01/2021 - 31/12/2024

Abstract

Een belangrijke fundamentele biologische vraag is hoe ons lichaam de balans behoudt tussen inflammatie en immuuntolerantie, en hoe dit kan ge(mis)bruikt of gemodifieerd worden door kankers. In een gezond colon wordt deze homeostase bewaard in aanwezigheid van voedselantigenen en het microbioom. In deze tolerogene omgeving kunnen darmpolypen en tumoren ontstaan die niet door het immuunsysteem verwijderd worden, ondanks therapie met immuun checkpoint inhibitoren. We vermoeden dat de lesies de tolerogene toestand misbruiken en bijkomende immunosuppressieve mechanismen ontwikkelen. Het ontcijferen van deze complexe interactie tussen epitheel, immuunsysteem en microbioom vergt een getalenteerde groep van onderzoekers met uiteenlopende expertise. De unieke samenstelling van het MIMICRY consortium combineert kennis van humane stalen met state-of-the-art immunologie, nieuwe technieken en in vivo modellen om de verschillende facetten van colorectale kankers te bestuderen. Deze kennis en tools zullen gebruikt worden om uiteindelijk nieuwe therapeutische strategieen te ontwikkelen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Contextual anomaly detection for complex industrial assets (CONSCIOUS). 01/01/2021 - 30/06/2023

Abstract

CONSCIOUS (Contextual aNomaly deteCtIon for cOmplex indUstrial aSsets) focust op het detecteren van contextuele anomalieën in industriële machines en processen. In deze complexe omgevingen blijft het detecteren van anomalieën een grote uitdaging omwille van de zeer dynamische omstandigheden waarin deze assets opereren. De algemene doelstelling van dit voorstel bestaat erin effectieve oplossingen te vinden om anomalieën op een meer nauwkeurige, robuuste, tijdige en interpreteerbare wijze te detecteren in complexe, heterogene data uit industriële assets, waarbij rekening wordt gehouden met contextuele factoren die tot verwarring kunnen leiden. De resultaten zullen worden gevalideerd aan de hand van meerdere concrete use cases in verschillende domeinen. Voor dit project zal Sirris samenwerken met Skyline Communications, Duracell Batteries, I-care, Yazzoom, KU Leuven en de Universiteit Antwerpen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een framework om de epitoop hiërarchie en het ingewikkelde repertoire van de menselijke T cel respons in kaart te brengen voor viscerale leishmaniasis. 01/11/2020 - 31/10/2025

Abstract

Viscerale leishmaniasis (VL) is een van de ernstigste parasitaire infectieziekten met 0.4 miljoen nieuwe gevallen per jaar. Er zijn momenteel geen vaccins tegen VL, maar er is wel bewijs voor verworven T cel-gemedieerde immuniteit en resistentie tegen herinfectie. Ontwikkeling van een succesvol vaccin tegen VL wordt nu geremd door het ontbreken van een goed diermodel, en het grote aantal Leishmania antigenen die nog niet gekarakteriseerd zijn, aangezien de huidige screening methoden erg low-throughput zijn. Hierdoor is er een groot gebrek aan inzicht in de epitoop reactiviteit, de epitoop dominantie hiërarchie en de antigenische variatie. Dit project wil deze status quo doorbreken door een patiëntgericht framework te implementeren, dat in silico epitoop voorspellingen integreert met in vitro immunopeptidomics, om zo de epitoop hiërarchie te bepalen. Daarnaast willen wij ook de menselijke Leishmania-specifieke T cel respons en repertoire karakteriseren tijdens het volledige verloop van de ziekte. Dit zal gedaan worden aan de hand van single-cell RNAseq, single-cell TCRseq en CITE-seq. Deze state-of-the-art technieken zijn in staat om met een ongekende resolutie een zeer diepe profilering van de immuun respons uit te voeren. Wij verwachten dat dit framework direct gebruikt kan worden voor de ontwikkeling van diagnostische tools, om de ontwikkeling van een vaccin tegen Leishmania te versnellen en om als proof-of-concept dienen voor andere vergelijkbare complexe pathogenen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Machine learning framework voor T-cell receptor repertoire-gebaseerde virale diagnostiek. 01/11/2020 - 31/10/2024

Abstract

De huidige standaarden in virale diagnostiek zijn gebaseerd op in-vitro methoden die het pathogeen genoom of pathogene eiwitten detecteren. Dit heeft tot gevolg dat verschillende analyses noodzakelijk zijn wanneer een staal voor meerdere virussen gescreend wordt, wat het process tijdrovend en duur maakt. Daarenboven falen sommige methoden bij acute en latente infecties. Met dit FWO-SB project zal ik het potentieel van T cell receptor (TCR) repertoires onderzoeken om deze tekortkoming te overwinnen en een nieuwe methodologie introduceren dat de simultane diagnose van verschillende virale infecties toelaat. Ten einde de TCR eigenschappen te vinden die verschillen tussen geïnfecteerde en niet-geïnfecteerde individuen, zal ik zoeken naar pathogeen-geassocieerde patronen in TCR repertoires via state-of-the-art machinaal lerende methoden. De bekomen resultaten zullen vervolgens gecollecteerd worden in een classificatiemodel dat op basis van het TCR repertoire de virale status van een individu kan voorspellen. De inzichten van dit project zullen onze kennis over pathogeen-geïnduceerde TCR repertoire veranderingen uitbreiden en als basis dienen voor de ontwikkeling van een computationeel diagnostisch kader. Dit zal een grote invloed hebben op het breder diagnostisch veld daar het TCR repertoire een belangrijke rol speelt in verschillende niet-infectieuze ziekten zoals kanker en auto-immuunziekten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Kwalitatieve Evaluatie van Automatisch Geleerde Modellen. 01/11/2020 - 31/10/2024

Abstract

Een veelvoorkomend en recent algemeen geaccepteerd probleem op het gebied van automatisch leren, is de black box-aard van veel algoritmen. In de praktijk kunnen deze algoritmen bekeken worden in termen van hun invoer en uitvoer, maar zonder enige kennis van hun interne werking. De meest beruchte voorbeelden in deze context, zijn artificiële neurale netwerken en deep learning technieken, maar ze zijn zeker niet de enige technieken die aan dit probleem lijden. Matrixfactorisatie modellen voor gepersonaliseerde aanbevelingen lijdt bijvoorbeeld aan hetzelfde gebrek aan interpreteerbaarheid. Ons onderzoek focust zich op het toepassen en aanpassen van pattern mining technieken om betekenisvolle inzichten te krijgen in big data algoritmen door hun invoer en uitvoer te analyseren, wat ons ook toestaat om verschillende algoritmen te vergelijken en de verborgen fenomenen te vinden die tot de verschillen leiden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een computationale kijk op multiple sclerose door middel van bio-informatica analyse van het T-cel-repertoire. 01/11/2020 - 31/10/2024

Abstract

Recente ontwikkelingen op het gebied van sequencing technologie bieden de mogelijkheid om immuunreceptor repertoires met ongeëvenaard detail te karakteriseren. T-cel receptor (TCR) sequencing technologie is veelbelovend voor het begrijpen hoe componenten van het adaptief immuunsysteem betrokken zijn bij auto-immuunziekten. Dit onderzoeksveld is zeer snel aan het evolueren, van pre-processing van TCR-seq data naar de functionele analyse ervan. Daarom biedt dit veld nieuwe kansen voor de ontwikkeling van benaderingen voor de post-analyse van adaptieve immuunprofielen. Zulke benaderingen bieden gefundeerde oplossingen voor vraagstukken binnen het onderzoeksveld rond autoimmuniteit. Het vraagstuk rond multiple sclerose (MS), een neuro-inflammatoire ziekte in het centraal zenuwstelsel, is hiervan een belangrijk voorbeeld. Zo is er weinig geweten over de betrokkenheid van specifieke T-cel klonen in de pathogenese van MS. Door het analyseren van repertoires van MS patiënten kunnen belangrijke T-cel klonen, die geassocieerd zijn met het ziekteprocess, in kaart gebracht worden. Zulke klonen bieden toepassingen in verbeterde diagnostiek en therapie-ontwikkeling. Dit translationeel onderzoeksproject zal leiden tot het ontdekken van nieuwe benaderingen voor het identificeren van MS-geassocieerde T-cel klonen, tot de ontwikkeling van betrouwbare technieken voor het opvolgen van MS-therapieën en tot een model om het verloop van MS te voorspellen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Diagnose door middel van gesorteerde immuunrepertoires (DiagnoSIR) 20/10/2020 - 19/07/2021

Abstract

Diagnostische laboratoriumtests voor infectieziekten zijn nog steeds gebaseerd op gerichte testmethoden (Ag-detectie, PCR, ELISA, agglutinatie, ELISPOT, enz.). Snelle evoluties in sequentietoepassingen kunnen onze diagnostische algoritmen echter binnenkort drastisch veranderen. Metagenomische sequenering is bijvoorbeeld een ongericht diagnostisch hulpmiddel voor directe (in theorie elke) detectie van infectieuze pathogenen zonder veronderstellingen over de veroorzaker. Acute infectieuze pathogenen verdwijnen echter snel van het geïnfecteerde individu (waardoor diagnostische methoden op basis van directe detectie van pathogenen mislukken) maar laten wel een immuunafdruk achter (B- en T-cellen). Met dit project, willen we aantonen dat sequenering van het immuunrepertoire (een nieuwe techniek dat high-throughput mapping van variabele domeinen van B- en T-celreceptoren mogelijk maakt) gericht op recent geactiveerde immuuncellen een indirect, niet-gericht diagnostisch instrument is voor de detectie van acute infectieuze pathogenen. Deze methode zou een mogelijk ​​alternatief zijn voor de huidige indirecte gerichte assays (serologie en T-celassays). Om dit concept te bewijzen, zullen we recent verzamelde acute COVID-19-patiëntstalen gebruiken.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Interpreteerbare kwalitatieve evaluatie van online aanbevelingssystemen. 01/10/2020 - 30/09/2021

Abstract

Individuen vertrouwen vaak op aanbevelingen van anderen bij het nemen van routinematige, dagelijkse beslissingen. Aanbevelingsalgoritmen die dit gedrag nabootsen, zijn essentieel voor het succes van e-commerce. Een open vraag is waarom algoritmen deze aanbevelingen doen. Dit is problematisch gezien dat de meest nauwkeurige algoritmen voor machine learning black-box-modellen zijn en we een dynamische omgeving hebben waarin mogelijk meerdere modellen worden geïmplementeerd en periodiek opnieuw worden getraind. Aangezien elke organisatie menselijk toezicht en besluitvorming nodig heeft, is er behoefte aan inzicht in gebruikersgedrag en interacties met aanbevelingen van black-box machine learning-algoritmen. Traditioneel worden twee aanbevelingssystemen vergeleken op basis van één statistiek, zoals de click-through-rate na een A/B-test. We zullen de prestaties van online aanbevelingssystemen kwalitatief beoordelen door patronen bloot te leggen die kenmerkend zijn voor de verschillen in beoogde gebruikers en items. We stellen voor om interpreteerbare machine learning toe te passen, waarbij het doel is om verklaringen te produceren die kunnen worden gebruikt om menselijk begrip en beslissingen te ondersteunen. Aan de hand van ontdekte interpreteerbare associatieregels en, mogelijk gegroepeerde, counterfactual verklaringen, genereren we waarom aanbevelingssysteem A beter (of slechter) presteert dan aanbevelingssysteem B.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Het ontrafelen van de post-transcriptionele regulatieketen in Leishmania door multi'omic integratie. 01/01/2020 - 31/12/2022

Abstract

Het genexpressiesysteem van Trypanosomatiden vertoont opmerkelijke verschillen met dat van andere Eukaryote organismen. Het systeem wordt niet gecontroleerd door transcriptiefactoren, maar genen worden constitutief afgeschreven in lange arrays van tientallen tot honderden functioneel ongerelateerde genen. In deze studie trachten we te begrijpen hoe trypanosomatiden er met dit polycistronisch genexpressiesysteem toch in slagen om de grote variatie in transcript en proteïne-niveaus te genereren en te reguleren, die typisch geobserveerd wordt tijdens hun levenscyclus. We gebruiken daarbij Leishmania donovani als een modelsysteem om de eerste diepe karakterisatie uit te voeren van transcript isovormen (gebruikmakend van long-read PacBio sequencing) en hun graad van translatie ('translatoom'), op verschillende punten in de levenscyclus van de parasiet. Door gebruik te maken van state-of-the art pattern mining en machine learning methoden zullen we de sequentie en structurele patronen trachten te identificeren in het mRNA, die een rol spelen in het moduleren van transcript stabiliteit en/of translatie-efficiëntie. Het eindoel van het project is te komen tot een integratief, systeembiologisch model van proteïneproductie en de post-transcriptionele regulatie hiervan in Leishmania, gevalideerd met reeds eerder verzamelde multi-'omics data.

Onderzoeker(s)

  • Promotor: Cuypers Bart

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Transfereerbare deep learning om moleculaire interacties te voorspellen aan de hand van sequenties. 01/10/2019 - 30/09/2023

Abstract

Machine learning kan worden gebruikt om de aanwezigheid of afwezigheid van interacties te voorspellen. Voor biomedisch onderzoek is de voorspelling van moleculaire interacties die ten grondslag liggen aan de mechanica van cellen, pathogenen en het immuunsysteem, een ​​probleem van grote relevantie. In dit project, zullen we een fundamenteel nieuwe technologie ontwikkelen die onbekende interacties kan voorspellen met modellen die zijn getraind in de enorme hoeveelheid moleculaire interactiegegevens die tegenwoordig beschikbaar is dankzij hoge doorvoer experimentele technieken. Dit zal worden bereikt met behulp van een machine learning model dat de patronen in moleculaire sequenties kan leren die bepalend zijn voor de interacties. We zullen dit probleem op een generaliseerbare manier aanpakken met behulp van de nieuwste generatie neurale netwerken, door een generieke codering voor moleculaire sequenties te bepalen die gemakkelijk kan worden vertaald naar verschillende biomedische problemen. Deze codering zal worden ingevoerd in een geavanceerd diep neuraal netwerk om algemene moleculaire interacties te modelleren, die vervolgens kunnen worden afgestemd op specifieke interactietypes. De attributen die voorspellend zijn zullen vervolgens worden vertaald in nieuwe visualisaties om interpretatie door levenswetenschappers mogelijk te maken. We zullen de performantie van dit model valideren met behulp van zowel computationeel gesimuleerde als echte experimentele sequentie- en interactiegegevens uit een breed scala aan relevante interactietypes.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Francqui Leerstoel 2019-2020 Prof. Luc De Raedt (KULeuven). 01/10/2019 - 30/09/2020

Abstract

Op voorstel van de Universiteit, kent de Francqui-Stichting elk jaar twee Francqui-Leerstoelen toe aan de UAntwerpen. Deze zijn bedoeld om de uitnodiging mogelijk te maken van een Professor van een andere Belgische Universiteit of uit het buitenland, voor een reeks van tien lesuren. De Francqui-Stichting betaalt aan de titularis van een Francqui-Leerstoel het honorarium voor deze tien lessen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Biomina infrastructuur. 01/07/2019 - 31/12/2019

Abstract

Om tegemoet te komen aan de enorme toevloed aan data binnen de life sciences en bijgevolg de nood aan bioinformatica ondersteuning, werd in Antwerpen het biomina consortium opgestart (biomina = biomedical informatics network Antwerpen), een samenwerkingsverband dat life scientists en data scientists over faculteiten heen verenigt rond biocomputing. Vanuit dit biomina initiatief wordt technische en administratieve support van de UA bioinformatica initiatieven geconsolideerd.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

iNNOCENS: datagestuurde klinische inzichten ter verbetering van neonatale zorg. 01/05/2019 - 30/04/2020

Abstract

De analyse van vitale parameters die continu gemeten worden bij een opgenomen patiënt op neonatale intensieve zorgen biedt de mogelijkheid om computationele modellen op te stellen ter predictie van complicaties. Dit project heeft als doel een machine learning model te ontwikkelen om verworven hersenschade van de prematuur te voorspellen. Dit model kan ingezet worden om bedside visualisatie aan te sturen binnen een zelflerend digitaal waarschuwingssyteem.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Patroon gebaseerde aanbevelingssystemen 01/04/2019 - 31/03/2023

Abstract

Het doel van dit project is om nieuwe algoritmes te onderzoeken voor aanbevelingssystemen die in het Froomle platform gebruikt kunnen worden. Meer specifiek zal men zich toeleggen op onderzoek naar nieuwe methodes die gebruik maken van recente ontwikkelingen in pattern mining.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

T Cell receptor sequence mining platform MinTR. 01/04/2019 - 31/03/2020

Abstract

Het T-cell repertoire is een sleutelspeler in het adaptieve immuunsysteem en is dus belangrijk bij verdediging tegen infectie ziekten, bij het ontwikkelen van vaccins, bij auto-immuun aandoeningen en bij oncologische immuuntherapieën. T-cell receptor sequencing laat toe het ganse repertoire te karakteriseren in een enkel experiment, maar de data die daaruit voortkomt kan niet zomaar vertaald worden in een medische actie. Met artificiële intelligentie modellen kunnen we T-cel receptor sequencing data vertalen naar een bruikbaar inzicht in de immuunstatus van een individu.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

De rol van alternative trans-splicing in mRNA abundantieregulatie van Leishmania. 01/04/2019 - 30/03/2020

Abstract

Leishmania is een genus van protozoaire parasieten die de ziekte leishmaniasis veroorzaakt in mensen en in een aanzienlijk aantal gewervelde diersoorten. De parasiet heeft een opmerkelijk genexpressiesysteem waarbij genen geen individuele RNA polymerase II promotoren hebben en daardoor niet individueel reguleerbaar zijn met transcriptiefactoren. In plaats daarvan worden genen getranscripteerd in grote polycistronische eenheden van functioneel onverwante genen en co-transcriptioneel geprocessed tot individuele mRNAs per gen tijdens een process dat trans-splicing heet. Tijdens trans-splicing ontvangen mRNAs een 39 nucleotide lange sequentie aan hun 5'-uiteinde dat 'spliced leader' genoemd wordt. De locatie waar deze spliced-leader wordt toegevoegd is variabel, wat resulteert in verschillende mogelijke lengtes voor het mRNAs afkomstig van één gen (alternatieve trans-splicing). De hoeveelheid mRNA per gen blijkt volledig post-transcriptioneel gereguleerd te worden, maar het is momenteel niet duidelijk hoe dit gebeurt. Het doel van dit project is om de rol van alternatieve trans-splicing te bepalen in deze mRNA abundantie regulatie. Omdat alternatieve trans-splicing de lengte van het transcript bepaalt, stellen we de hypothese dat het de abundantie van transcripten kan bepalen door hun stabiliteit te beïnvloeden en/of hun (geïncludeerde) regulatorische motieven. We zullen hierbij voor de eerste keer gebruik maken van long read mRNA sequencing (PacBio) om de veranderingen in transcriptrepertoire tijdens verschillende levensstadia van Leishmania donovani te bepalen. Bovendien zullen we trachten de motieven en structurele patronen in het mRNA te identificeren die de locatie en gebruiksfrequentie van alternatieve trans-splicing en polyadenylatiesites reguleren. Dit zal onderzocht worden door gebruik te maken van state-of-the-art pattern finding- en classificatiemethoden.

Onderzoeker(s)

  • Promotor: Cuypers Bart

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Ontgrendelen van het TCR repertoire voor gepersonaliseerde kanker immuuntherapieën. 01/01/2019 - 07/10/2023

Abstract

Kanker is wereldwijd een van de belangrijkste doodsoorzaken. In de afgelopen decennia zijn nieuwe therapieën ontwikkeld die gericht zijn op het immuunsysteem van de patiënt om een ​​antitumorreactie op te zetten. De effectiviteit van deze immunotherapieën is al in verschillende klinische onderzoeken aangetoond. Niettemin vertonen deze therapieën een grote variatie in hun werkzaamheid, zodanig dat sommige patiënten goed reageren op de therapie, terwijl andere dat niet doen. In dit project gaan we de verschillen tussen de T-celreceptor (TCR) repertoires van responders en niet-responders onderzoekers naar mogelijke merkers die een voorspellende waarde hebben voor de klinische response van de therapie. We zullen dataminingmethoden en nieuw ontwikkelde immuno-informatica software toepassen om die eigenschappen bloot te leggen die van een patiënt een klinische responder of non-responder maken. Dit zal het onderliggende mechanisme van DC-gebaseerde vaccinreactiviteit onthullen. Dit kan de algemene gezondheidszorg in termen van gepersonaliseerde geneeskunde mogelijk versnellen en op termijn kosten besparen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Gepersonaliseerde zoekmachines. 01/01/2019 - 31/12/2022

Abstract

Het is onze ambitie om een fundamentele bijdrage te leveren aan state-of-the-art gepersonaliseerde zoekmachines - met een focus op e-commerce, e-news en video - door het bestuderen en ontwikkelen van nieuwe gepersonaliseerde zoek-algoritmes die zowel de gebruikte zoektermen alsook de volledige online en offline gebruikerservaring van de bezoeker in rekening nemen. Concreet zullen we dit doen door volgende onderzoeksthema's te behandelen: Eerst, in de context van gepersonaliseerde zoekmachines, hoe meten en evalueren we succes? Gepersonaliseerde zoekmachines zijn een relatief recent onderzoeksdomein en aldus bestaat er nog geen gestandaardiseerd kader en een benchmark dataset op basis waarvan succes gemeten kan worden. In andere, meer mature, onderzoeksdomeinen bestaan deze wel, e.g. LETOR (learning-to-rank) of MovieLens (recommender systems). Het is ons doel om zulk een gestandaardiseerd kader en een benchmark dataset te ontwikkelen die kan gebruikt worden om de prestaties van verschillende algoritmes met elkaar te vergelijken. Concreet is het ons doel om een live test uit te voeren voor retail, voor video en voor nieuws, waarbij we de resultaten evalueren volgens de ontwikkelde KPI's voor het corresponderende domein. Ten tweede, hoe kan gedrag-gebaseerde relevantie en op zoektermen gebaseerde relevantie gecombineerd worden om een optimale ordening van items te bepalen die gepersonaliseerd is voor elk individu? Om de gebruiker relevante zoekresultaten te tonen gerangschikt volgens hun persoonlijke voorkeuren dienen we (minstens) twee "maten" voor relevantie te combineren: relevantie op basis van de zoekterm en relevantie voor de gebruiker als persoon. Beiden kunnen opnieuw samengesteld zijn uit verschillende delen, e.g. pagina's bezocht, items gekocht, etc. als we spreken over persoonlijke relevantie en overeenkomst met de zoekterm, autoriteit of "versheid" van elk van de zoekresultaten voor zoek-gerelateerde relevantie. Het is ons doel te identificeren welke van de voornoemde delen (of "features" in de terminologie) relevant kunnen zijn in het aanbieden van een optimale gepersonaliseerde zoekervaring, bv. bezochte pagina's en versheid, maar niet autoriteit en gekochte items. Dan behandelen we een volgende probleem: hoe moeten we deze scores nu combineren? Dit is allesbehalve een triviaal probleem en statische combinatie van persoonlijke en zoek-gerelateerde relevantie is niet genoeg. Om dit probleem op te lossen dienen we ten minste één ordenings-algoritme te ontwikkelen die verschillende inputs kunnen vertalen in een optimale ranking, gepersonaliseerd op het niveau van het individu. Dit vereist dan ook dat we nieuwe objectieven moeten definiëren die dit persoonlijke aspect van een ordening in rekening kunnen brengen. Ten derde, kunnen we een geïntegreerde ordenings-oplossing ontwikkelen die het gepersonaliseerde zoekprobleem herleidt tot het optimaal bepalen van de intentie van de gebruiker, eerder dan het optimaal combineren van de zoekterm met historisch gedrag? Dit alles leidt dan tot de laatste onderzoeksvraag. In plaats van verder te bouwen op het bestaande kader binnen het learning-to-rank onderzoeksdomein - i.e. een tweestaps aanpak voor ordening: eerst ophalen, dan ordenen -, kunnen we in de plaats hiervan het probleem kaderen als een aanbevelings probleem, waar een zoekterm niet meer is dan een extra indicatie van het onderliggende doel van de gebruiker? Het ontwikkelen van deze nieuwe algoritmes voor gepersonaliseerde zoekmachines en een kader voor evaluatie zal Froomle toestaan om gepersonaliseerde zoekmachines toe te voegen aan hun bestaande aanbod aan aanbevelingssystemen. Dit is een belangrijke stap voorwaarts in het dichten van de kloof tussen de grote technologie giganten en meer traditionele offline bedrijven.


Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een studie van de plasmodium vivax reticulocyt invasie-pathways en ligand kandidaten, met speciale aandacht voor de veelbelovende PvTRAg en PvRBP multigen families. 01/01/2019 - 31/12/2022

Abstract

Plasmodium vivax is een van de 5 soorten die verantwoordelijk is voor malaria in de mens, en de voornaamste oorzaak van malaria buiten Afrika. Een essentiële stap tijdens de infectie door P. vivax is de invasie van reticulocyten (jonge rode bloedcellen) door de parasiet. Deze invasie wordt mogelijk gemaakt door verschillende interacties tussen gastheer receptoren (op de reticulocyt membraan) en parasietliganden. Hoewel deze interacties zeer goed bestudeerd zijn in Plasmodium falciparum, is er maar weinig geweten (en zijn ze niet vergelijkbaar) in P. vivax, omdat een cultuursysteem voor lange termijn culturen in P. vivax ontbreekt. Nochtans is de identificatie van parasietliganden en het karakteriseren van pathways die de parasiet gebruikt om de reticulocyt te invaderen essentieel voor de ontwikkeling van geneesmiddelen en vaccins, wat daarom de vraag is die aan de basis ligt van dit project. Om P. vivax te kunnen elimineren is een beter begrip van de invasieliganden nodig. Onze hypothese stelt dat verschillende pathways gebruikt worden door P. vivax om reticulocyten te invaderen, en dat de PvTRAg en PvRBP multigenische families belangrijke invasieliganden bevatten. Dit zal daarom de eerste studie worden die nieuw gekarakteriseerde P. vivax invasiefenotypes met transcriptoom en (epi-) genomische data zal integreren in isolaten uit het veld. Dit project zal een grote vooruitgang betekenen voor de kennis over de rol en regulatie van de PvTrag en PvRBP families tijdens P. vivax invasie en de mogelijkheid geven om nieuwe liganden te ontdekken. Kandidaatliganden zullen worden gevalideerd met ex vivo invasieassays, en zullen ons finaal helpen om de meest geschikte geneesmiddel en vaccinkandidaten te identificeren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Coördinatie Biomina support. 01/01/2019 - 31/12/2021

Abstract

Om tegemoet te komen aan de enorme toevloed aan data binnen de life sciences en bijgevolg de nood aan bioinformatica ondersteuning, werd in Antwerpen het biomina consortium opgestart (biomina = biomedical informatics network Antwerpen), een samenwerkingsverband dat life scientists en data scientists over faculteiten heen verenigt rond biocomputing. Vanuit dit biomina initiatief wordt technische en administratieve support van de UA bioinformatica initiatieven geconsolideerd.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een multi-omic benadering om gendosering in Leishmania te karakteriseren. 01/10/2018 - 30/09/2021

Abstract

Leishmania is een protozoaire parasite met een opmerkelijke toleratie voor aneuploïdie. Dit staat in scherp contrast met andere organismen, waar aneuploidy meestal zeer nadelige effecten heeft. Het gevolg van aneuploïdie is dat alle genen van een geaffecteerd chromosoom een abnormale 'gene dosage' (aantal kopieën van een gen) hebben, vergeleken met de (normale) euploïde situatie. In een vorige studie toonden we reeds aan dat de meerderheid van transcripten en proteinen deze gene dosage veranderingen volgen. Voor een beperkt aantal transcripten en proteinen is dit echter niet het geval en deze 'compensatie' treedt op door een nog onbekend mechanisme. Dit project onderzoekt (i) of gene dosage compensatie optreedt door veranderingen in transcript stabiliteit, translatie-efficientie, en/of proteïne stabiliteit en door welke bio-moleculaire eigenschappen dit gemedieerd wordt. (ii) of gene dosage compensatie regulatie gemoduleerd wordt tussen verschillende levensstadia van de parasiet. Hiervoor zullen we eerst de relatieve bijdrage van elke regulatielaag bepalen tot de totale compensatie en met deze informatie een conceptueel model opstellen van dosage compensatie in Trypanosomatiden. Dit is de eerste integratieve multi-omic studie die dosage compensatie onderzoekt in Leishmania, maar ook in Trypanosomatiden in het algemeen. Deze studie zal leiden tot nieuwe inzichten in hoe compensatie gereguleerd wordt in aneuploïde cellen, en zal onderzoeken of er een levens-cylus specifieke component aanwezig is die deze mechanismen moduleert. Omdat deze fundamentele mechanismen nog onvolledig gekend zijn in alle Eukaryoten kan deze studie mogelijk ook leiden tot het ontrafelen van (mogelijk nog onbekende) regulatiemechanismen in Eukaryoten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Datamining van multi-omics interactiedata om de determinanten en evolutie van gastheer-pathogeeninteracties bloot te leggen. 01/10/2018 - 30/09/2020

Abstract

De relatie tussen ziekteverwekkers en hun gastheer is vaak complex en hun evolutionaire wapenwedloop ingewikkeld. Subklinische infecties komen vaak voor; host-organismen worden geïnfecteerd door een normaal ziekteverwekkende pathogeen, maar er worden geen symptomen vertoond. Op deze manier beschikken ziekteverwekkers over natuurlijke reservoirs van asymptomatische dragers die kunnen helpen in de transmissie naar gevoelige gastheren. Het doel van dit fundamentele onderzoek is inzicht te verwerven in de algemene moleculaire mechanismen die ten grondslag liggen aan waarom sommige diersoorten - of zelfs sommige individuen - na infectie met specifieke ziekteverwekkers meestal asymptomatisch blijven, terwijl anderen evolueren naar een symptomatische ziekte. Hiertoe zal een grote collectie van pathogeen-gastheer interactie netwerken worden opgezet voor zowel symptomatisch als asymptomatisch gastheren. State-of-the-art datamining methoden zullen worden toegepast om de regels en patronen te ontdekken in de interactie netwerk die geassocieerd zijn met ziektegevoeligheid. Tot slot zullen deze patronen worden gefilterd en gevalideerd met behulp van geïntegreerde multi-level 'omics informatie afkomstig van zowel de ziekteverwekker en de gastheer soorten. De resultaten van dit project zullen leiden tot zowel nieuwe methodologie om eerder gekarakteriseerde gastheer-pathogeen interacties te bestuderen, alsook tot fundamentele nieuwe inzichten in de biologische drivers van ziektegevoeligheid.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Opzetten van een computationeel raamwerk voor tumor-specifieke T-cellen. 01/04/2018 - 31/03/2019

Abstract

Het doel van dit project is een computationeel model op te bouwen dat kan voorspellen welke T-cellen er kunnen reageren op een tumor-geassocieerd epitoop. De focus binnen dit project ligt bij de manier waarop we T-cell eigenschappen kunnen weergeven in een performant classificatie model. Dit raamwerk zal getest worden op een unieke dataset aangemaakt door het combineren van een tetrameer assay en single cell sequencing.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Betrouwbare on-the-fly voorspelling van toekomstige gebeurtenissen in datastromen. 01/04/2018 - 31/03/2019

Abstract

In dit project, behandelen we het probleem van patroon-mining in datastromen. Ten eerste willen we algoritmen ontwikkelen die rijke patroonnypes, zoals episodes, in datastromen kunnen ontdekken. Ten tweede willen we onderzoeken hoe we de ontdekte patronen kunnen gebruiken om betrouwbare voorspellingen van toekomstige gebeurtenissen in de stroom te maken.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Systeembiologische analyse van niche adaptatie bij resistent en virulente Salmonella pathogenen. 01/01/2018 - 31/12/2021

Abstract

Het doel van dit PhD-project is om het proces van niche adaptatie bij Salmonella te bestuderen vanuit een systeembiologisch perspectief. Momenteel wordt niche adaptatie vooral bestudeerd op het niveau van het genoom, met de focus op coderende genen. Dit doctoraat zal zich toespitsen op het transcriptoom, en meer bepaald op de integratie van beide niveaus. Finaal zullen de bevindingen gemodelleerd worden met machine-learning technieken, hetgeen ons zal toelaten niche adaptatie veel breder te bestuderen. De methodologie zal getest worden op een specifiek Salmonella serotype, genaamd Salmonella Concord, dat we als paradigma gebruiken voor het huidige probleem van bloedstroominfecties met multiresistente Salmonellae in Sub-Sahara Africa.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Het ontdekken en exploiteren van interactie patronen in netwerken. 01/01/2018 - 31/12/2021

Abstract

De meeste werken in netwerk analyse concentreren zich op statische graafstructuren en zoeken naar patronen om bijvoorbeeld de meest invloedrijke nodes in het netwerk te vinden. Weinig bestaande werken bestuderen dynamische netwerken met herhaalde interacties tussen nodes. Het doel van dit project is om deze lacune weg te werken door nieuwe methoden te ontwikkelen om patronen te ontdekken in de interacties tussen netwerk nodes. Deze interactie patronen kunnen bijvoorbeeld karakteriseren hoe informatie zich verspreidt in sociale netwerken, of geldstromen in financiële netwerken in kaart brengen. In het project beschouwen we drie orthogonale dimensies. De eerste dimensie is het patroon type. We beschouwen onder andere temporele paden, informatie cascades en cycles. Om een gemotiveerde keuze te maken betreffende patroontype om te bestuderen, laten we ons leiden door drie cases: twee interactie netwerken met betaaldata, een met een marketing doel en een ander om betalingsproblemen bij leningen te voorspellen, en een sociaal netwerk met een toepassing in micro-financiering. De tweede dimensie betreft hoe we het patroon type gaan zoeken: is het de bedoeling alle voorkomens van een bepaald patroontype te vinden, of zoeken we top-patronen die vaker voorkomen dan andere. De derde en laatste dimensie betreft het computationele model dat we gebruiken: batch met random access, one-pass, of streaming. Het is belangrijk dat de methodes schaalbaar zijn en kunnen werken met data van grote interactie netwerken. De belangrijkste bijdrage van dit project ligt in de combinatie van streaming technieken, pattern mining en sociaal netwerk analyse, gevalideerd in drie echte use cases.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een interdisciplinaire studie waarbij we de rol van HLA genen en T-cel diversiteit als risicofactoren voor herpes zoster bestuderen. 01/01/2018 - 31/12/2021

Abstract

Een interdisciplinaire studie waarbij we de rol van HLA genen en T-cel diversiteit als risicofactoren voor herpes zoster bestuderen. Chickenpox is a consequence of primary infection of varicella-zoster virus (VZV). Afterwards, VZV remains latent in neural ganglia until symptomatic reactivation called herpes zoster (HZ, shingles). In this project, we will first develop a novel computational framework that will allow us to estimate the probability that a pathogen-derived antigen is adequately recognised by the major histocompatibility complexes (MHC) encoded by HLA genes. Antigen bounding by MHC molecules is a necessary step prior to recognition (and further management) of infected cells. Next, we will obtain HLA data from 150 HZ patients and 150 matched controls. This will allow us to estimate whether and which HLA A/B/C genes are enriched or depleted in HZ patients. Our computational framework will allow us to estimate which VZV proteins are most likely of importance in controlling VZV. We will assess whether the HLA data is readily translated into the diversity of the T-cell receptor (TCR) against VZV, and against which of the most important VZV proteins. Finally, we will differentiate blood-derived inducible pluripotent stem cells (iPSC) into neuronal cells, infect these neuronal cells with VZV and study whether depletion of VZV-specific T-cells affects VZV proliferation, thereby confirming our earlier obtained HLA-TCR predictions.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Efficiënte vaccinontwikkelilng met immuno-inormatica en immuno-sequenering. 01/01/2018 - 31/10/2020

Abstract

Vaccins worden gebruikt om het immuunsysteem te stimuleren in de verdediging tegen pathogenen en kanker. Een belangrijke stap in het ontwikkelen van nieuwe vaccins is een grootschalig klinisch onderzoek naar de werkzaamheid en veiligheid van het vaccin door het volgen van de veranderingen in antilichaamconcentraties en immuuncelpopulaties na het toedienen van het vaccin. Dit is vaak een omvangrijk en kostelijk proces, met een hoog percentage mislukkingen. Dit project heeft tot doel een computationeel raamwerk te ontwikkelen voor gebruik binnen vaccin klinische studies dat het ontwikkelingsproces efficiënter, sneller en nauwkeuriger moet maken. Dit raamwerk is gebaseerd op de nieuwe immunologische en moleculaire inzichten die zijn opgedaan door de komst van immuno-sequencing en immuno-informatica technologieën, en het bouwt verder op een succesvolle samenwerking tussen immunologen en data wetenschappers.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Legaat Rosa Blanckaert - Prijs Robert Oppenheimer 2017 01/12/2017 - 31/12/2018

Abstract

Dr. ir. Pieter Meysman is sinds 1 Januari 2013 verbonden aan het Biodata Mining labo (onder leiding van Prof. Kris Laukens) van de ADReM onderzoeksgroep in het Department Wiskunde-Informatica als postdoctoral navorser. Zijn specialiteit is het samenbrengen van de nieuwste informatica technologieën in de 'data mining' wereld met biomedische problemen, onder de noemer van de bioinformatica. In zijn iets meer dan vier jaar aan de UA, heeft hij 31 papers gepubliceerd waaronder 8 als eerste auteur en 3 als laatste auteur. Deze publicaties bevonden zich vaak in top biomedische of bioinformatica tijdsschriften (Nucleic Acid Research, Bioinformatics, Mass Spectrometry Reviews) of op top informatica congressen (IEEE BIOKDD).

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Fundamenten van aanbevelingssystemen. 01/10/2017 - 30/09/2021

Abstract

Aanbevelingssytemen zijn algoritmes die vooral bekend zijn voor hun toepassingen in e-commerce. Gegeven een specifieke klant en een groot aantal producten, vinden zij automatisch de meest relevante producten voor die specifieke klant. Hun mogelijkheden gaan echter veel verder. Zo kunnen ze bijvoorbeeld ook genen aanbevelen die met een grote waarschijnlijkheid verantwoordelijk zijn voor bepaalde ziektes, of woorden die relevant zijn voor bepaalde documenten, tags voor een foto, cursussen voor een student, etc. Huidig onderzoek naar aanbevelingssystemen wordt bijna volledig gestuurd door de (publiek) beschikbare datasets. Daarom blijft de volgende fundamentele vraag grotendeels onbeantwoord:"Gegeven twee datasets, hoe kunnen we bepalen dewelke van de twee kwalitatief de beste aanbevelingen genereert?" Daarenboven is de hoeksteen van aanbevelingssystemen onderzoek de evaluatie van de aanbevelingen die gegenereerd worden. Het meeste bestaande onderzoek is volledig afhankelijk van historische data om de kwaliteit van de aanbevelingen te meten. Er is echter geen overtuigend bewijs dat de performantiemeting van de aanbevelingen op historische data een goede plaatsvervanger is voor hun performantie in real-life situaties. Een tweede fundamentele vraag blijft dus ook tot nu toe onbestudeerd:"In hoeverre zijn real-life performantiemetingen van aanbevelingssystemen gecorreleerd met de metingen die berekend kunnen worden op historische data?" Met dit projectvoorstel willen wij deze twee fundamentele vragen bestuderen en kunnen beantwoorden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Intelligente kwaliteitscontrole voor massaspectrometriegebaseerde proteoomanalyse 01/10/2017 - 31/07/2021

Abstract

De afgelopen jaren is er een steeds grotere nadruk gelegd geworden op kwaliteitscontrole voor massaspectrometrie-gebaseerde proteoomanalyses, hetgeen een noodzakelijke factor is om de validiteit van de experimentele resultaten te verifiëren. Massaspectrometrie is een zeer complexe analytische techniek. Doordat de resultaten hiervan onderhevig zijn aan een grote variabiliteit zijn aangepaste technieken voor kwaliteitscontrole noodzakelijk om de invloed van de variabiliteit op de experimentele data te modelleren. Dit is momenteel echter nog niet mogelijk omdat informatie met betrekking tot de kwaliteit onvoldoende beschikbaar is: deze informatie wordt zelden gerapporteerd samen met de eigenlijke data en indien het toch aanwezig is, is het zeer moeilijk om dit correct te interpreteren. Om het volle potentieel te benutten van massaspectrometrie-gebaseerde proteoomanalyses is het noodzakelijk om op een systematische manier aan kwaliteitscontrole te doen. Daarom zullen we de technische infrastructuur voorzien om als integraal deel van een massaspectrometrie-experiment kwaliteitsmetrieken te genereren. We zullen het qcML standaard bestandsformaat voor kwaliteitsinformatie verder ontwikkelen. Op basis van dit bestandsformaat zullen we ervoor zorgen dat gedetailleerde kwaliteitsinformatie aanwezig is voor alle datasets die in PRIDE, een voorstaande databank voor publieke proteoomdata, zijn opgeslagen. Verder zullen we geavanceerde machine learning algoritmes gebruiken om op basis van deze waardevolle nieuwe kwaliteitsdata nieuwe kennis over de performantie van een massaspectrometrie-experiment te ontdekken. Dit zal ertoe leiden dat experimentele opstellingen verbeterd kunnen worden om de acquisitie van spectra te maximaliseren, het vertrouwen in de gegenereerde resultaten te verhogen, en de toepassingsmogelijkheden van massaspectrometrie-onderzoek uit te breiden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Datamining en continue spraak: Het modelleren van spraakverwerving bij kinderen door het blootleggen van bouwstenen en patronen in gesproken taal 01/10/2017 - 30/09/2019

Abstract

Complex gebruik van taal, en met name spraak, is een van de bepalende kenmerken van mensen, waardoor we ons onderscheiden van dieren. In de afgelopen decennia heeft spraakherkenning veel toepassingen gevonden en is nu bijvoorbeeld een standaardfunctie op moderne smartphones. De flexibele en krachtige leercapaciteiten van menselijke baby's zijn echter nog steeds niet geëvenaard door een machine. Jonge kinderen vinden een manier om alle spraak die ze horen te begrijpen en te generaliseren op een manier dat de patronen in de spraakklanken kunnen worden ontward, begrepen en herhaald. In een aparte onderzoekslijn, op het gebied van machine learning en datamining, zijn algoritmen ontwikkeld om patronen in data te ontdekken. De informatie die uit alle beschikbare gegevens kan worden gehaald, is een belangrijk aspect van het bedrijfsleven geworden, als we kijken naar video-aanbevelingssystemen of de financiële sector. Het idee van mijn onderzoek is het ontwikkelen en bestuderen van technieken die zijn geïnspireerd door deze datamining-algoritmen, om patronen uit spraak te halen. De inherente problemen van continue en luidruchtige spraak moeten worden overwonnen, omdat het niet alleen op dezelfde manier kan worden verwerkt als discrete en exacte gegevens. Na het aanpassen van deze methoden en het toepassen ervan op spraak, zal ik ze gebruiken in het wetenschappelijk onderzoek naar de bouwstenen van spraak, waarbij ze hun relevantie en validiteit evalueren. Verder zal ik, met behulp van deze, onderzoeken welke aspecten van spraak kinderen nodig hebben en vervolgens gebruiken om meer te weten te komen over deze bouwstenen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Sturing van lot netwerken, interactie tussen datascience en modellering. 01/01/2017 - 31/12/2021

Abstract

Netwerken van onderling verbonden autonome rekeneenheden ondersteunen hoe langer hoe meer onze maatschappij, en interageren en beinvloeden mekaar in complexe en op soms onverwachte manieren. Voorbeelden hiervan zijn smart grids, intelligente verkeerslichten, of meer algemeen het zogenaamde Internet of Things. Het bestuderen en verstaan van de karakteristieken en dynamiek van deze systemen, zowel op lokale als op globale schaal, is cruciaal om ze te kunnen sturen in de richting van een gewenste toestand. De partners in dit WOG voorstel bestuderen elk cruciale eigenschappen van zulke complexe systemen, of ze zijn experts in gerelateerde gebieden die complementaire technieken aanbieden om de gigantische hoeveelheden data die gegenereerd worden te analyseren. Het samenbrengen van deze orthogonale expertisegebieden in een onderzoeksgemeenschap belooft tal van opportuniteiten te creëren voor kruisbestuiving en de ontwikkeling van nieuwe analyse en controle technieken.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Ontwikkelen van een Belgische Elixir Node. 01/01/2017 - 31/12/2019

Abstract

Consolideren van VariantDB als collaborative variant interpretation platform binnen ELIXIR. Given the rapid implementation of next-generation sequencing in various domains, we believe that one of the major bottlenecks will become the interpretation of the resulting data. We are convinced that a structural solution should support distributed big data storage, coupled to centralized and intelligent querying. Today, due to dispersed data, investigators resort to multiple databases and ad- hoc communication with collaborators to assess variant pathogenicity. Considering today's challenges, we aim at providing an integrated platform offering researchers intelligent decision support and seamless collaboration options. First, phenotypic information is coupled to interpretation and ranking of individual variants in the context of a single sample. Second, we integrate the ELIXIR service NGS-Logistics, to enable platform wide analysis of variant prevalence. Third, we provide automatic selection of similar patients and matched control cohorts from the available samples, to perform valid enrichment analysis. Within ELIXIR, NGS-Logistics already adheres to the philosophy of distributed storage and centralized analysis, on the level of variant calling. By implementing the features proposed above, VariantDB could complement this service at the level of variant interpretation. As a service, it will be an asset in both routine and research applications. Finally, the proposed platform is made available to all institutions, bringing new collaboration opportunities to ELIXIR partners.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Efficiënte mining naar onverwachte patronen in complexe biologische data. 01/10/2016 - 30/09/2020

Abstract

De afgelopen jaren werden de life sciences steeds meer overspoeld en gedreven door grote hoeveelheden complexe gegevens. Dankzij baanbrekende nieuwe technologieën neemt de snelheid waarmee biomoleculen (zoals DNA, metabolieten of eiwitten) van een levend systeem worden geanalyseerd al een aantal jaren sneller toe dan de capaciteit van computer processoren en harde schijven. Deze trend betekent dat "traditionele technieken" om biomoleculaire gegevens te analyseren en interpreteren steeds minder geschikt worden in dit huidige tijdperk. Het extraheren van relevante kennis uit deze gegevens is nu grotendeels gebaseerd op een reeks van speciale 'big data' technieken, die vallen onder de termen "data mining" en "machine learning". Dit project richt zich op "pattern mining", een specifiek type technieken dat zeer relevant is voor life science. "Pattern mining" staat voor het ontdekken van nooit eerder gekende, interessante patronen in complexe data. Frequent pattern mining staat voor het vinden van de meest voorkomende sets van items in een dataset. Er zijn echter belangrijke problemen met dergelijk resultaten, die we zullen aanpakken in dit project. Ten eerste zijn die patroon lijsten vaak enorm lang, en geen domein expert is meestal in staat om elk patroon in zo'n lijst te onderzoeken laat staan te interpreteren. Bovendien zijn vele van de patronen in dergelijke lijst niet interessant voor de domein-expert of zelfs triviaal. In dit project ontwikkelen we een generiek formeel en statistisch raamwerk om patroon interestingness opnieuw te definiëren aan de hand van de specifieke life science context. Na het definiëren van nieuwe patroon interestingness criteria, zullen we efficiënte algoritmen ontwikkelen om dergelijke patronen te minen uit complexe data. De algoritmes zullen worden gevalideerd op toy datasets en gouden standaard data. Tenslotte zullen we deze methoden gebruiken om nieuwe kennis te extraheren uit grootschalige microbiële genexpressie compendia, een enorme set van menselijke genoomsequenties en drug-doelwit interactienetwerken, met de bedoeling fundamenteel nieuwe biologische of biomedische inzichten te genereren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Datamining van multi-omics interactiedata om de determinanten en evolutie van gastheer-pathogeeninteracties bloot te leggen. 01/10/2016 - 30/09/2018

Abstract

De relatie tussen ziekteverwekkers en hun gastheer is vaak complex en hun evolutionaire wapenwedloop ingewikkeld. Subklinische infecties komen vaak voor; host-organismen worden geïnfecteerd door een normaal ziekteverwekkende pathogeen, maar er worden geen symptomen vertoond. Op deze manier beschikken ziekteverwekkers over natuurlijke reservoirs van asymptomatische dragers die kunnen helpen in de transmissie naar gevoelige gastheren. Het doel van dit fundamentele onderzoek is inzicht te verwerven in de algemene moleculaire mechanismen die ten grondslag liggen aan waarom sommige diersoorten - of zelfs sommige individuen - na infectie met specifieke ziekteverwekkers meestal asymptomatisch blijven, terwijl anderen evolueren naar een symptomatische ziekte. Hiertoe zal een grote collectie van pathogeen-gastheer interactie netwerken worden opgezet voor zowel symptomatisch als asymptomatisch gastheren. State-of-the-art datamining methoden zullen worden toegepast om de regels en patronen te ontdekken in de interactie netwerk die geassocieerd zijn met ziektegevoeligheid. Tot slot zullen deze patronen worden gefilterd en gevalideerd met behulp van geïntegreerde multi-level 'omics informatie afkomstig van zowel de ziekteverwekker en de gastheer soorten. De resultaten van dit project zullen leiden tot zowel nieuwe methodologie om eerder gekarakteriseerde gastheer-pathogeen interacties te bestuderen, alsook tot fundamentele nieuwe inzichten in de biologische drivers van ziektegevoeligheid.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Validatie van de ADReM personaliseringsalgoritmes als basis van een spin-off. 01/05/2016 - 30/04/2017

Abstract

Personaliseringstechnologie laat een bedrijf toe om aan elke individuele klant een gepersonaliseerde selectie van relevante producten te tonen uit een gigantische catalogus. Als gevolg van hun onderzoek in het domein van recommender systemen, heeft de ADReM onderzoeksgroep kennis en expertise verzameld over personaliseringstechnologie. Dit project is gericht op het oprichten van een spin-off bedrijf om deze kennis en expertise te valoriseren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Ontwikkeling van immunoinformatica tools voor het opstellen van epitoop herkenningsregels door T-cellen. 01/02/2016 - 31/01/2020

Abstract

Herpesvirussen zijn alom aanwezig in onze samenleving en liggen aan de oorsprong van een aantal veelvoorkomende ziekten zoals koortsblaasjes (Herpes simplex) en waterpokken (Varicella). Alle acht humaan infecterende herpesvirussen presenteren klinisch relevante ziektebeelden en bij minstens vijf van deze virussen ligt de seroprevalentie bij de algemene bevolking rond 90%. Niet alle individuen zijn echter even vatbaar voor dezelfde virale pathogenen. Sommige individuen ondergaan een asymptomatische infectie, terwijl anderen ernstige complicaties vertonen. Zo kunnen de meestal onschuldige waterpokken levensbedreigend zijn in een klein percentage van de geïnfecteerde individuen. Hoewel het zeer waarschijnlijk is dat deze verschillen in individuele ziektesusceptibiliteit deels hun oorsprong vinden in de diversiteit binnen het humaan immuunsysteem, blijven deze tot op heden grotendeels onbekend. Een van de belangrijkste stappen in de activatie van het adaptieve immuunsysteem is de presentatie van virale epitopen, gewoonlijk peptiden (p), door het majeur histocompatibiliteitscomplex (MHC) en de daaropvolgende herkenning van dit complex door een T-cel receptor (TCR). Er bestaan vele allelische varianten van de genen die coderen voor de MHC-genen, elks met een eigen karakteristieke specificiteit om bepaalde immunogene (virale) peptiden te herkennen. Deze variatie is een van de onderliggende factoren die leiden tot verschillen in ziektesusceptibiliteit. Voorgaand onderzoek heeft uitgewezen dat het mogelijk is om op basis van machine learning algoritmes modellen te creëren die op een accurate manier de bindingsaffiniteit tussen de MHC-moleculen en peptiden kunnen voorspellen. De resulterende modellen laten toe om de bindingsaffiniteit te voorspellen tussen bijna alle MHC-allelen en een arbitrair peptide. Echter, de herkenning van virale peptiden door de MHC-moleculen zijn slechts een deel van het verhaal, aangezien elk individu ook een uniek repertoire aan T-cellen bezit dat wordt gekenmerkt door een enorme diversiteit. Deze enorme diversiteit speelt ook een belangrijke factor bij het tot stand komen van individuele immuunreacties en de verschillen hiertussen. In tegendeel tot MHC-peptidemodellen bestaan er echter zeer weinig TCR-herkenningsmodellen en worden de bestaande modellen geplaagd door een gelimiteerde toepasbaarheid en accuraatheid. Het opzet van dit project omvat dan ook de ontwikkeling, evaluatie en toepassing van state-of-the-art computationele methoden die ons moeten toelaten om complexe MHC-p-TCR interactiedata te interpreteren en de patronen te ontdekken binnen dit systeem. Binnen deze opzet zal het modelleren van de moleculaire interactie tussen het MHC-complex, de antigenspecifieke TCR en het peptide-antigen zelf een van de belangrijkste focuspunten vormen. Deze modellen en methoden moeten uiteindelijk resulteren in het opstellen van enkele computationele tools die in staat zijn om gepersonaliseerde immuunreacties op herpesvirussen te voorspellen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Declaratieve methoden in de informatica. 01/01/2016 - 31/12/2020

Abstract

Om tegemoet te komen aan de nood om steeds grotere en complexere software systemen te bouwen is er een groeiende vraag naar declaratieve methoden, die abstractie maken van onnodige details en zich toespitsen op de functionaliteit van de systemen. De onderzoeksgemeenschap heeft als doel de ontwikkeling van declaratieve methoden te bevorderen, in het bijzonder deze die voortspruiten uit onderzoek in gegevensbanken en functioneel en logisch programmeren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Updates en Provenance in Data- en Kennisbanken. 01/01/2016 - 31/12/2019

Abstract

Dit project omvat systemen die data en kennis opslaan, beheren, herstructureren, en toegang verschaffen. Een standard systeem in deze context is een database systeem. Meer recentere systemen bestaan echter uit verschillende applicaties die samenwerken in een gedistribueerde omgeving. Zelfs het World Wide Web kan gezien worden als een globaal data en kennis databank. In dit project bekijken we hoe veranderingen in de data kunnen worden getraceerd, door middel van provenance (oorsprong) data. Meer bepaald willen we provenance integreren tezamen met de gewone data in een uniform geheel.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Studie naar de oorzaak van leishmaniasis recidief na behandeling met miltefosine via untargeted proteomics. 26/11/2015 - 31/12/2016

Abstract

De protozoaire parasiet Leishmania donovani is verantwoordelijk voor de ziekte viscerale leishmaniasis (VL) in het Indisch subcontinent. Elke jaar krijgen ongeveer 200 000-400 000 mensen te maken met VL, wat bijna altijd fataal afloopt indien de ziekte onbehandeld blijft. Sodium stibogluconate (SSG) werd gedurende decennia gebruikt voor de behandeling van leishmaniasis, maar omwille van wijdverspreide resistentie wordt dit geneesmiddel nu vervangen door miltefosine (MIL) en amfotericine B. Recente rapporten melden echter aan dat de efficiëntie van miltefosine na enkele jaren reeds aan het dalen is, waarbij 20% van de patiënten hervielen, 12 maanden na behandeling. Recidieven konden niet worden gerelateerd aan herinfectie, geneesmiddelkwaliteit of resistentie van parasieten. In een voorgaande studie werd wel aangetoond dat parasieten geïsoleerd uit hervallen patiënten een ander fenotype (verhoogde infectiviteit) hebben vergeleken met parasieten uit patiënten die de infectie klaarden. Het is echter onduidelijk wat de moleculair basis is van deze verschillen, of het causaal is of niet, en of er andere mechanismen een rol zouden kunnen spelen. Het doel van deze studie is daarom om de moleculaire oorzaken te vinden die aan de basis liggen van MIL relapse en toename aan infectiviteit. Untargeted 'omics studies zijn bijzonder geschikt om dit probleem aan te pakken, aangezien er weinig of geen voorkennis is van de mogelijke mechanismen die aan de basis liggen van de MIL relapse. Van alle functionele niveaus (genoom, transcriptoom, proteoom en metaboloom) is het proteoom het niveau dat genomische variatie vertaalt in metabolische en functionele veranderingen. Deze studie zal daarom de proteomische verschillen tussen MIL en MIL relapse Leishmania isolaten karakteriseren om uit te zoeken welke mechanismen aan de basis liggen van deze MIL relapse.

Onderzoeker(s)

  • Promotor: Cuypers Bart

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Hypermodelling strategies on multi-stream time-series data for operational optimization (HYMOP). 01/10/2015 - 30/09/2019

Abstract

Het doel van het HYMOP project is de optimalisatie van de operaties en het onderhoud (O&M) van een vloot van industriele machines. Daarbij worden innovatieve modellerings-, dataverwerkings- en analysetechnieken gerealiseerd die in staat zijn om met grote hoeveelheden complexe data om te gaan in reële tijd. Dit zal toelaten om de steeds toenemende hoeveelheid sensors en communicatie tussen industriële toestellen beter te benutten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Datamining en continue spraak: Het modelleren van spraakverwerving bij kinderen door het blootleggen van bouwstenen en patronen in gesproken taal; 01/10/2015 - 30/09/2017

Abstract

Het complexe gebruik van taal, en in het bijzonder spraak, is een van de bepalende kenmerken van de mens, waardoor we ons onderscheiden van dieren. In de afgelopen decennia heeft spraakherkenning veel toepassingen gevonden en is nu bijvoorbeeld een standaardfunctie op moderne smartphones. De flexibele en krachtige leercapaciteiten van menselijke zuigelingen zijn echter nog steeds niet door een machine geëvenaard. Jonge kinderen vinden een manier om een alle spraak die ze horen te ordenen en te generaliseren op een manier dat de patronen in de spraakgeluiden kunnen worden onderscheiden, begrepen en herhaald. In een aparte lijn van onderzoek, het veld van machine leren en data mining, werden algoritmes ontwikkeld om patronen in data te ontdekken. De informatie die uit alle beschikbare gegevens kan worden geëxtraheerd, is uitgegroeid tot een belangrijk aspect van het bedrijfsleven, als we kijken naar videorecommandation systems of de financiële sector. Het idee van mijn onderzoek is het ontwikkelen en bestuderen van technieken die geïnspireerd zijn door deze data mining algoritmes, om patronen uit spraak te extraheren. De inherente moeilijkheden van voortdurende en lawaaierige spraak moeten overwonnen worden, omdat het niet alleen kan worden verwerkt als discrete en exacte gegevens. Nadat deze methoden zijn aangepast en toegepast op spraak, zal ik ze gebruiken in het wetenschappelijk onderzoek over de bouwstenen van spraak, waarbij hun relevantie en validiteit worden beoordeeld. Daarnaast zal ik, met behulp hiervan, onderzoeken welke aspecten van spraak kinderen nodig hebben en vervolgens gebruiken om te leren over deze bouwstenen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Onderzoek in het domein van de pattern mining. 01/10/2015 - 30/09/2016

Abstract

Verder bouwend op mijn expertise, en die van mijn onderzoeksgroep wil ik samen met de onderzoeksgroep van Geoff Webb de principes bestuderen van verschillende conditional pattern set mining technieken. Karakteristiek voor bestaande pattern mining technieken is dat men zoekt naar lokale patronen, wat betekent dat elk patroon onafhankelijk getest wordt van alle andere patronen, en dat het resultaat van de zoekopdracht vaak een (grote, ongestructureerde) verzameling patronen is. Voor gebruikers van datamining systemen is deze situatie alles behalve ideaal, omdat veel tijd en moeite gestopt moet worden in het naverwerken van de patronen om tot een kleinere verzameling patronen te komen die de verworven kennis interpreteerbaar samenvat, en toegepast kan worden voor clustering of voorspellingstechnieken. Veel hedendaagse data mining technieken bieden echter te weinig ondersteuning voor deze naverwerkingstaak.Het onderzoek dat ik wil opstarten tijdens dit project heeft als doel verbetering te brengen in deze situatie door nieuwe technieken te ontwikkelen en te bestuderen voor conditional pattern set mining.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Integratie van patroonherkenning in een bedrijf-gerelateerde omgeving. 01/07/2015 - 30/06/2016

Abstract

In dit project willen we het prototype van MIME, een tool voor interactieve patroonanalyse die werd ontwikkeld aan de Universiteit Antwerpen, verder ontwikkelen tot een professioneel inzetbare tool. Op deze manier willen we pattern mining toegankelijk maken voor bedrijven, die door middel van de tool op een snelle manier op zoek kunnen gaan naar interessante patronen die nuttig zijn bij het maken van belangrijke stategische beslissingen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Identificatie van de HLA-afhankelijke gevoeligheid op de ontwikkeling van Herpes Zoster in de Belgische bevolking. 01/02/2015 - 31/12/2015

Abstract

Herpes zoster (zona) word veroorzaakt door het varicella zoster virus. Vooral bij ouderen kan deze ziekte leiden tot een drastische verlaging van de levenskwaliteit. In dit project willen we de HLA allelen identificeren in de Belgische bevolking die de kans op herpes zoster verhogen of verlagen. Computationele modellen kunnen dan gebruikt worden om de link te ontcijferen tussen affiniteit voor virale peptiden en herpes zoster vatbaarheid.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Efficiënte inferentie voor probabilistische programma's en databanken. 01/01/2015 - 31/12/2018

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Interactoom van levende cellen in contact met nanodeeltjes. 01/05/2014 - 20/08/2014

Abstract

Dit project kadert in een onderzoeksopdracht tussen enerzijds UA en anderzijds VITO. UA levert aan VITO de onderzoeksresultaten genoemd in de titel van het project onder de voorwaarden zoals vastgelegd in voorliggend contract.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Computationele modellen voor big data algoritmen. 01/03/2014 - 31/07/2015

Abstract

Het ontwerp van efficiënte algoritmen is een centraal thema in de informatica. Echter, recente experimenten tonen aan dat vele algoritmen aan efficiëntie inboeten wanneer grote hoeveelheden aan data ("Big Data") aanwezig zijn. Dit geldt met name voor query-evaluatie methoden in de context van databanken. Helaas kunnen de bestaande theoretische technieken voor het analyseren van algoritmen niet onderscheiden of een algoritme al dan niet efficiënt is op big data. Inderdaad, algoritmen die beschouwd worden als efficiënt in de klassieke zin blijken dat niet meer te zijn wanneer het big data betreft. Dit vraagt om een grondige herziening van de klassieke complexiteitstheorie. Het hoofddoel van dit project is dan ook de ontwikkeling van dergelijke theoretische fundamenten met bijhorende computationele complexiteitsanalyse die de efficiëntie van algoritmen in de context van big data kunnen karakteriseren.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Datafusie en gestructureerd input- en output- machinaal leren technieken voor geautomatiseerde klinische codering. 01/01/2014 - 31/12/2017

Abstract

Dit project kadert in een onderzoeksopdracht tussen enerzijds UA en anderzijds IWT. UA levert aan IWT de onderzoeksresultaten genoemd in de titel van het project onder de voorwaarden zoals vastgelegd in voorliggend contract.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een schaalbare gedistribueerde infrastructuur voor probabilistische gegevensbanken. 01/11/2013 - 30/04/2017

Abstract

Het onderzoek in probabilistische gegevensbanken situeert zich in het raakvlak van gegevensbanken en probabilistische grafische modellen. Ons eerder werk in dit gebied startte meer dan 6 jaar geleden aan de Universiteit van Stanford met de ontwikkeling van het probabilistische gegevensbanksysteem "Trio". Tot op de dag van vandaag vormen probabilistische gegevensbanken een rijk onderzoeksdomein met tal van interessante en nog onderkende aspecten. Met dit projectvoorstel willen we de verkenning motiveren van een nieuwe, gedistribueerde en schaalbare infrastructuur voor probabilistische gegevens. We beginnen bij het ontwikkelen van een dergelijke volledige infrastructuur echter niet van nul. Inderdaad, de rode draad in dit project is te bekijken hoe bestaande methoden (inclusief door onze eerder ontwikkelde methoden) kunnen worden aangepast tot gedistribueerde scenario's, en om op deze manier gegevensbeheer en probabilistische inferentie te versnellen door middel van parallelle query evaluatie voor een SQL-gebaseerde omgeving. Op dit moment zijn dergelijke gedistribueerde probabilistische gegevensbanksystemen niet voorhanden. We merken echter op dat in "Machine Learning" reeds methoden zijn ontwikkeld voor gedistribueerde probabilistische inferentie. Spijtig genoeg ondersteunen deze methoden SQL niet. Omgekeerd zijn huidige gedistribueerde gegevensbanksystemen niet voorzien van probabilistische inferentie en ze laten geen onzekere gegevens toe. Het doel van dit project is om een brug te slaan tussen methoden in gegevensbanken en machine learning. Dit is nog nooit eerder onderzocht, voor zover geweten, in de literatuur. We zijn ervan overtuigd dat het voorgestelde onderzoek tal van intrigerende en uitdagende aspecten bevat voor een doctoraatsthesis, zowel vanuit een theoretisch als vanuit een systeemontwikkeling perspectief.

Onderzoeker(s)

  • Promotor: Geerts Floris
  • Promotor: Theobald Martin
  • Mandaathouder: Blanco Hernan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Exascience Life Pharma. 01/07/2013 - 31/12/2015

Abstract

Dit project kadert in een onderzoeksopdracht tussen enerzijds UA en anderzijds Janssen. UA levert aan Janssen de onderzoeksresultaten genoemd in de titel van het project onder de voorwaarden zoals vastgelegd in voorliggend contract.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Fraudedetectie met behulp van data mining. 17/05/2013 - 30/09/2013

Abstract

Met behulp van data mining technieken zal getracht worden om patronen te ontdekken in fraude data. De data bevat onder meer geanonimiseerde transacties en fraude-labels. Hierbij zullen reeds ontworpen technieken getoetst worden aan grote datasets.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een geïntegreerd informatica-platform voor op massaspectrometrie gebaseerde eiwitanalyse (InSPECtor). 01/03/2013 - 28/02/2017

Abstract

Verschillende computationele uitdagingen verhinderen momenteel de ruime inzetbaarheid van proteoomanalyses in een industriële en klinische omgeving. De doelstellingen van dit project bestaan uit het aanpakken van deze uitdagingen door het ontwikkelen van nieuwe data-analyse methoden en data mining algoritmen zodat massaspectrometrie gebaseerde eiwitanalyse een volwaardige analytische discipline kan worden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Queryen van gedistribueerde dynamische gegevens. 01/01/2013 - 31/12/2016

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Evoluerende netwerk patronen. 01/01/2013 - 31/12/2016

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een probabilistische aanpak voor het verbeteren van gegevenskwaliteit. 01/01/2013 - 31/12/2016

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Ontwikkeling van een geautomatiseerd software platform voor ondersteuning en kwaliteitsverhoging van het coderen van klinische informatie. 01/01/2013 - 31/12/2013

Abstract

In dit project ontwikkelen we algoritmes en software om de kwaliteit van het coderen van klinische informatie in ziekenhuizen te verhogen en werken we een valorisatieplan uit. De algoritmes gebruiken state-of-the-art machine learning om inconsistenties te identificeren en codes te suggereren. We ontwerpen een business development strategie, trekken potentiële klanten aan en zoeken vervolgfinanciering.

Onderzoeker(s)

  • Promotor: Van den Bulcke Tim
  • Co-promotor: Goethals Bart
  • Co-promotor: Luyckx Kim
  • Co-promotor: Luyten Leon
  • Co-promotor: Smets Koen

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Verifieerbare uitzonderingen vinden. 01/10/2012 - 30/09/2015

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Instant Interactieve Data Exploratie. 01/01/2012 - 31/12/2015

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

  • Promotor: Goethals Bart
  • Co-promotor: Tatti Nikolaj
  • Co-promotor: Vreeken Jilles

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

BIOMINA 01/01/2012 - 30/06/2015

Abstract

Biomina (Biomedical Informatics Expertise Centre Antwerpen) is een interdisciplinaire onderzoekssamenwerking tussen UA en UZA. Het project heeft tot doel innovatieve technieken te ontwikkelen voor de analyse en interpretatie van heterogene biomedische gegevens. Biomina situeert zich op het integratiepunt van klinische data en 'omics gegevens (genoom, transcriptoom, proteoom, …). Het structureren, integreren en analyseren van deze data vormt de kernactiviteit. Als centraal expertisecentrum en onderzoeksplatform, maakt het systeem biologie en translationele systeem geneeskunde onderzoek mogelijk.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een principiële benadering voor het verbeteren van datakwaliteit: het overbruggen van theorie en praktijk. 01/09/2011 - 31/08/2021

Abstract

De verbetering van de kwaliteit van gegevens is erkend als een van de belangrijkste uitdaging voor het beheren van gegevens. De behoefte aan effectieve methoden om fouten in de data te detecteren, om objecten te identificeren van mogelijk onbetrouwbare gegevensbronnen, en om deze fouten te herstellen is evident. Inderdaad, er is een toenemende vraag naar dergelijke methoden vanuit verscheidene hoeken in onze huidige digitale samenleving en vanuit de industrie in het bijzonder. Om tegemoet te komen aan deze vraag, is meer fundamenteel onderzoek in data quality vereist en de praktische mogelijkheden hiervan dienen te worden gerealiseerd. Meer specifiek, voortbouwend op eerder onderzoek, een uniforme theorie zal worden ontwikkeld om de kwaliteit van gegevens te verbeteren in een verscheidenheid van toepassingsgebieden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Een principiële benadering voor het verbeteren van datakwaliteit: het overbruggen van theorie en praktijk. 01/09/2011 - 31/08/2014

Abstract

Dit project kadert in een onderzoeksopdracht toegekend door de Universiteit Antwerpen. De promotor levert de Universiteit Antwerpen de onderzoeksresultaten genoemd in de titel van het project onder de voorwaarden zoals vastgelegd door de universiteit.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Data mining voor privacy in sociale netwerken. 01/01/2011 - 31/12/2014

Abstract

Online sociale netwerken en het uitwisselen van informatie zijn een onderdeel geworden van het dagelijkse leven, wat resulteert in een groot aantal mensen die de meest intieme details van hun privéleven delen op social networking sites zoals Facebook, Netlog of Twitter. Hoewel het onderzoek over Social Network Analysis en privacy aanzienlijk gegroeid is in de afgelopen jaren, blijven veel fundamentele computationele vragen onbeantwoord. Specifiek: Sociale netwerken worden over het algemeen gemodelleerd als grafen waarvan de knopen natuurlijke personen voorstellen, en waarvan de zijden "vriendschap" links vertegenwoordigen. Privacy wordt verondersteld te worden gerespecteerd wanneer bepaalde informatie niet toegankelijk is of indien die kan worden overgedragen tussen knopen zonder verder onthuld te worden. Dit eenvoudige model voldoet echter niet, zowel conceptueel als algoritmisch, het houdt geen rekening met de onderlinge afhankelijkheden tussen individuen als een kernelement van het Social Web, en houdt geen rekening met informatie van derden. Dit project beoogt deze lacune te vullen. We bestuderen: (1) privacy design types, (2) lokaal-globaal dynamiek; (3) intelligente micro-identity management, en (4) privacy voor groepen. We zullen de ontwikkeling van nieuwe technieken voor (i) verkeersanalyse om social-network-gebaseerde interacties en gebruikersgedrag te analyseren; (ii) metrieken om lekken van prive-informatie te meten; (iii) pattern mining om realistische resultaten te identificeren op basis van simulatiemodellen gevalideerd in het toepassingsgebied van web-gebaseerde sociale netwerken.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Redeneren met Incomplete RDF Databases in het Semantic Web 01/01/2011 - 31/12/2012

Abstract

Met dit project beogen we het probleem van het voorstellen van en redeneren met incomplete informatie voor RDF voor de semantic web vision aan te pakken. Het betreft een onverkende maar belangrijke vraagstuk voor zowel het onderzoek naar databases als naar het onderzoek van het semantic web. We beogen ons onderzoeksprogramma op te splitsen in drie autonome maar met elkaar gerelateerde modules met elk hun eigen uitkomsten. Ten eerste bestuderen we de semantiek van onvolledige RDF databases; ten tweede bestuderen we het probleem van query answering en de complexiteit hiervan en ten derde leggen we efficiënte mechanismen en methodes voor voor het verkrijgen van antwoorden van onvolledige RDF documenten. We menen dat we door het behandelen van deze kwesties een belangrijke/ substantiële bijdrage kunnen leveren aan de uitvoering van Tim Berners-Lee's semantic web vision. De verzochte fondsen zullen voornamelijk aangewend worden voor het bezoeken van gerenommeerde onderzoekscentra en/of het uitnodigen van gerennomeerde professoren met het oog op samenwerking. Ten slotte zullen de fondsen toegekend door het BOF 'Klein Project' het de promotor mogelijk maken om de internationale aantrekkingskracht en visibiliteit van de Universiteit Antwerpen, en van de ADREM-groep in het bijzonder, te versterken.

Onderzoeker(s)

  • Promotor: Cortés Calabuig Álvaro

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Karakteristieke patroonverzamelingen vinden via compressie. 01/10/2010 - 30/09/2013

Abstract

Bestaande patroonvorsingsalgoritmen genereren met gemak zeer grote aantallen patronen, waardoor de resultaten onhandelbaar en niet te interpreteren zijn. In dit project stellen wij voor om theorie te ontwikkelen om via compressie karakteristieke patroongroepen uit eender welke databank te extraheren. Dit opdat resultaten voor de gebruiker direct te interpreteren en vooral zeer bruikbaar zijn.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Het verbinden van bestaande kennis over gegevens voor het vorsen van significante en interessante patronen 01/01/2010 - 31/12/2011

Abstract

Patroon mining is een onderdeel van data mining waarbij men interessante stukjes kennis poogt te extraheren uit bestaande verzamelingen van gegevens. Bestaande technieken gaan uit van het slechtst denkbare scenario. In de praktijk bestaat er echter vaak al kennis over deze gegevens welk tot betere technieken en resultaten kunnen leiden. Het doel van dit project is om te bestuderen hoe bestaande kennis in patroon mining geintegreerd kan worden.

Onderzoeker(s)

  • Promotor: Tatti Nikolaj

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Gegevens comprimeren om de meest interessante patronen te vinden. 01/01/2010 - 31/12/2011

Abstract

We stellen voor om technieken te ontwikkelen en te bestuderen die compressie te gebruiken om compacte groepen van patronen te vinden die zeer karakteristiek zijn voor de te bestuderen gegevens. Het is een poging om een van de meest belangrijke open vraagstukken binnen data mining te beantwoorden: hoe vinden we de meest interessante en bruikbare patronen?

Onderzoeker(s)

  • Promotor: Vreeken Jilles

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Database Summarizatie 01/01/2010 - 31/12/2011

Abstract

In dit onderzoek beogen we de ontwikkeling van verschillende technieken om databanken samen te vatten, gebruik makende van de patronen die in de databank voorkomen. Aan de hand van state of the art data mining technieken trachten we kleine verzamelingen patronen te vinden die de data zo goed mogelijk karakteriseert.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Theoretische fundamenten van het vinden van significanten patronen in data mining. 01/10/2009 - 30/09/2012

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Analyse van high-throughput data door middel van support vector machines en kernel-gebaseerde technieken: feature selectie en adaptieve modelbouw. 01/10/2009 - 30/09/2011

Abstract

In vele real-life toepassingen is informatie afkomstig van metingen onmisbaar om de kwaliteit van eindproducten te garanderen en controle uit te oefenen op het productieproces. Deze metingen zijn veelal afkomstig van online hardware analysers (bijvoorbeeld thermometers, stroommeters . . . ). Er zijn echter vele karakteristieken die men niet met online apparatuur kan verkrijgen en waarvoor tijdrovende en/of computationeel intensieve analyse noodzakelijk is. Voor die karakteristieken worden vaak modellen gehanteerd om de resultaten van de analyse te voorspellen vanuit de proces variabelen. De analyse wordt nadien gebruikt als bevestiging van het gekozen model. Modellen worden soms ook gebruikt om online hardware analysers te voorspellen, deze laatste zijn immers onderhevig aan corrosie of kunnen gaan afwijken van de optimale configuratie. In dit project willen we een aantal onderzoeksproblemen bestuderen die optreden bij de constructie van modellen met behulp van Support Vector Machines. Onze interesse in het bouwen van modellen met SVMs heeft verschillende redenen. - Het is algemeen geweten dat SVMs hoog dimensionale data aankunnen zonder te lijden aan de "curse of dimensionality". - Het inpluggen van kernels laat toe niet-lineaire modellen op te stellen. - SVMs kunnen ongevoelig gemaakt worden voor ruis en outliers. - Ten slotte, de bekwaamheid van SVMs om "abnormale" data punten te identificeren, maakt ze nuttig in detectie van outliers en anomalieën. De problemen die we in dit project willen onderzoeken zijn de volgende. I. Feature selectie en integratie van domeinkennis Het doel is te onderzoeken of we gelijkaardige resultaten kunnen boeken bij Support Vector Regressie (SVR) en hoe goed deze technieken zich laten vertalen naar single-class problemen. II. Adaptieve modelbouw Technieken die het mogelijk maken de inferentie sensor aan te passen in alle mogelijke gevallen van novelty detectie, en voornamelijk wanneer het wiskundige model deels moet worden heropgebouwd, staan nog steeds in de kinderschoenen en vormen het tweede luik van het onderzoek.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Karakteristieke patroonverzamelingen vinden via compressie. 01/10/2009 - 30/09/2010

Abstract

Bestaande patroonvorsingsalgoritmen genereren met gemak zeer grote aantallen patronen, waardoor de resultaten onhandelbaar en niet te interpreteren zijn. In dit project stellen wij voor om algemene technieken te ontwikkelen die compressie gebruiken om kleine karakteristieke patroongroepen te vinden die gezamenlijk de te analyseren gegevens goed beschrijven, en door de gebruiker direct te interpreteren zijn.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Fundamenten van Pattern Set Mining voor Gestructureerde data. 01/07/2009 - 31/12/2013

Abstract

In dit project stellen we voor algemene technieken te ontwikkelen en te bestuderen voor het direct zoeken naar verzamelingen van patronen. Zulke verzamelingen moeten alleen hogekwaliteitspatronen bevatten die van belang zijn voor de gebruiker en de toepassing. Door pattern set mining technieken te ontwikkelen hopen we deze technieken van het lokale naar het globale niveau te brengen, wat bijdraagt aan een beter begrip van de rol van pattern mining techieken in datamining en machine learning.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Intelligente analyse en data-mining van massa-spectrometrische proteoom-gegevens. 01/07/2009 - 30/06/2013

Abstract

Massa spectrometrie (MS) is een krachtige analytische techniek om de structuur van moleculen, zoals eiwitten, op te helderen. Tot op heden blijft een aanzienlijke fractie van de gegevens die daaruit voortkomen oninterpreteerbaar. In dit project worden state-of-the-art data mining technieken toegepast op een zeer grote MS dataset, met de bedoeling nieuwe patronen terug te vinden die kunnen wijzen op onbekende structuurmodificaties.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Machine learning technieken voor datamining en hun toepassingen. 01/01/2009 - 31/12/2013

Abstract

De onderzoeksgemeenschap streeft naar de versterking en de coordinatie van het Vlaamse onderzoek op het gebied van machine learning voor datamining in het algemeen, en bepaalde belangrijke toepassingen zoals bioinformatica en tekstmining in het bijzonder. Vlaamse participanten: Computational Modeling Lab (VUB), CNTS (UA), ESAT-SISTA (KU Leuven), DTAI (KU Leuven), ADReM (UA).

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Principes van het ontginnen van patroonverzamelingen. 01/01/2009 - 31/12/2012

Abstract

De algemene doelen van dit project zijn 1) het bepalen van een computationeel raamwerk voor pattern set mining, 2) het bestuderen van de computationele eigenschappen van verschillende selectiepredikaten, 3) het ontwikkelen van algoritmen en systemen voor pattern set mining, 4) het onderzoeken van het gebruik van constraint programmeringstechnieken voor pattern set mining, 5) het evalueren van pattern set mining voor het oplossen van standaard datamining en machine learning taken, zowel conceptueel als experimenteel, en 6) het bestuderen van de representatie- en toepassingsaspecten van pattern set mining.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Saneren van databases. 01/01/2009 - 29/02/2012

Abstract

Het project beoogt de ontwikkeling van nieuwe databasetechnieken ter ondersteuning van sanering van data, metadata en datatransformaties. Saneren in deze context duidt op het identificeren en corrigeren van onvolledigheden, inconsistenties, onnauwkeurigheden en fouten.

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

DB-QueriDO: onderzoek naar het gebruik van database-technieken bij het opslaan en opvragen van gedistribueerde Semantic Web data. 01/01/2008 - 31/12/2011

Abstract

De specifieke onderzoeksvragen die het project wil beantwoorden zijn: 1. Hoe kunnen we effeciënte reasoning-ondersteuning bieden bij distributie? 2. Wat si een efficiënte manier om ontologie-gebaseerde data te modulariseren en distribueren?

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Database summerisatie. 01/01/2008 - 31/12/2009

Abstract

In dit onderzoek beogen we de ontwikkeling van verschillende technieken om databanken samen te vatten, gebruik makende van de patronen die in de databank voorkomen. Aan de hand van state of the art data mining technieken trachten we kleine verzamelingen patronen te vinden die de data zo goed mogelijk karakteriseert.

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Mampaey Michael

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Analyse van high-throughput data door middel van support vector machines en kernel-gebaseerde technieken: feature selectie en adaptieve modelbouw. 01/10/2007 - 18/01/2010

Abstract

In vele real-life toepassingen is informatie afkomstig van metingen onmisbaar om de kwaliteit van eindproducten te garanderen en controle uit te oefenen op het productieproces. Deze metingen zijn veelal afkomstig van online hardware analysers (bijvoorbeeld thermometers, stroommeters . . . ). Er zijn echter vele karakteristieken die men niet met online apparatuur kan verkrijgen en waarvoor tijdrovende en/of computationeel intensieve analyse noodzakelijk is. Voor die karakteristieken worden vaak modellen gehanteerd om de resultaten van de analyse te voorspellen vanuit de proces variabelen. De analyse wordt nadien gebruikt als bevestiging van het gekozen model. Modellen worden soms ook gebruikt om online hardware analysers te voorspellen, deze laatste zijn immers onderhevig aan corrosie of kunnen gaan afwijken van de optimale configuratie. In dit project willen we een aantal onderzoeksproblemen bestuderen die optreden bij de constructie van modellen met behulp van Support Vector Machines. Onze interesse in het bouwen van modellen met SVMs heeft verschillende redenen. - Het is algemeen geweten dat SVMs hoog dimensionale data aankunnen zonder te lijden aan de "curse of dimensionality". - Het inpluggen van kernels laat toe niet-lineaire modellen op te stellen. - SVMs kunnen ongevoelig gemaakt worden voor ruis en outliers. - Ten slotte, de bekwaamheid van SVMs om "abnormale" data punten te identificeren, maakt ze nuttig in detectie van outliers en anomalieën. De problemen die we in dit project willen onderzoeken zijn de volgende. I. Feature selectie en integratie van domeinkennis Het doel is te onderzoeken of we gelijkaardige resultaten kunnen boeken bij Support Vector Regressie (SVR) en hoe goed deze technieken zich laten vertalen naar single-class problemen. II. Adaptieve modelbouw Technieken die het mogelijk maken de inferentie sensor aan te passen in alle mogelijke gevallen van novelty detectie, en voornamelijk wanneer het wiskundige model deels moet worden heropgebouwd, staan nog steeds in de kinderschoenen en vormen het tweede luik van het onderzoek.

Onderzoeker(s)

  • Promotor: Goethals Bart
  • Promotor: Verdonk Brigitte
  • Mandaathouder: Smets Koen

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Mining Relational Databases. 01/01/2007 - 31/12/2008

Abstract

Patronen ontdekken in willekeurige relationele databanken blijft een interessant probleem waarvoor slechts weinig effiente methoden voor bestaan. Wij bestuderen het framework waarin paren van queries over de data gezien worden als patronen en trachten er interessante associaties tussen te vinden. Meer bepaald, we onderzoeken kleine deelklassen van conjunctieve queries die ons nog steeds toelaten om interessante patronen efficient te kunnen vinden.

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Le Page Wim

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Normalisatie voor Xquery-optimalisatie. 01/10/2006 - 31/03/2007

Abstract

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Hidders Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Fundamenten van inductieve databases voor data mining. 01/01/2006 - 31/12/2009

Abstract

Het project beoogt de ontwikkeling van een inductief database systeem voor de ondersteuning van het iteratieve data mining proces. Bij de realisatie van dit project identificeren we volgende stappen : 1) De ontwikkeling van een adequate theorie voor data mining in de vorm van een representatietaal om zowel data als inductief verkregen kennis op te slaan. Hierbij willen we focussen op eerste-orde logica fragmenten (bvb. conjunctive queries); 2) Het inpassen van bestaande data mining patroon types in dit model, zoals associatie regels, klassificatie, clustering; 3) Het ontwerpen van efficiënte implementaties van de voorgestelde modellen. Hierbij dient onder andere nagegaan te worden in hoeverre bestaande optimalisatietechnieken voor specifieke data mining probelemen en relationele databases veralgemeend kunnen worden naar inductieve databases.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Update faciliteiten voor virtuele XML views. 01/01/2006 - 31/12/2007

Abstract

In de context van Content Management Systemen is het integreren van verschillende soorten data een belangrijk probleem. Men wenst immers verschillende soorten gegevens op een uniforme manier te ondervragen. We gaan in dit onderzoek nader in op het integreren van relationele databases en XML. Dit doen we door XML views voor relationele databases te introduceren, welke niet enkel kunnen ondervraagd worden, maar ook aangepast. Deze aanpassingen of updates kunnen echter niet steeds zonder problemen uitgevoerd worden op de respectievelijke tabellen van de relationele databases. We zullen daarom onderzoeken wanneer dit wel en wanneer dit niet mogelijk is en zullen daarnaast ook trachten het relationele schema om te zetten naar een schema voor de XML view.

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Vercammen Roel

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Gebruik van statische analyse voor XML-Queryoptimalisatie. 01/01/2006 - 31/12/2007

Abstract

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Michiels Philippe

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

XML Pattern Mining. 01/10/2005 - 30/09/2006

Abstract

Tussen het data minen van eenvoudig gestructureerde databanken en complex gestructureerde databanken bevindt zich een groot onontgonnen gebied. In dit project zullen wij trachten dit gebied te karakteriseren vanuit een X ML perspectief. Meer bepaald, we zullen onderzoeken in welke mate een verandering aan de striktheid van het X ML schema een effect heeft op de complexiteit van de mogelijke patronen en het data minen ervan.

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Le Page Wim

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Inductive queries for mining patterns and models (IQ). 01/09/2005 - 31/08/2008

Abstract

Gelieve aan te vullen a.u.b

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Volledige en heuristische methodes voor het garanderen van privacy in data mining. 01/01/2005 - 31/12/2007

Abstract

Data Mining heeft tot doel uit grote hoeveelheden gegevens nuttige informatie zoals trends en patronen te destilleren. Vaak bevatten de data waarop data mining technieken worden toegepast confidentiële persoonlijke gegevens. Het is daarom belangrijk om na te gaan in welke mate het toepassen van data mining technieken de privacy schendt. In dit project willen we methodes ontwikkelen om in te schatten in welke mate een bepaalde data mining operatie de privacy van de gegevens schendt. Omdat volledige methodes waarschijnlijk heel hoge complexiteit hebben, zal er ook aandacht besteed worden aan benaderende, heuristische methodes.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Semi-supervised leertechnieken voor Informatie Extractie. 01/10/2004 - 31/12/2005

Abstract

Informatie Extractie (IE) heeft als doel het extraheren van relevante data uit een verzameling meer of minder gestructureerde documenten. Huidige systemen werden steeds ontwikkeld op basis van geannoteerde data die echter duur en moeilijk te verkrijgen zijn. Daarom wil dit project IE systemen ontwikkelen door middel van semi-supervised leertechnieken, waarbij gebruik wordt gemaakt van grote verzamelingen niet-geannoteerde gegevens, die gemakkelijk te verkrijgen zijn.

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Update- en query-talen voor semigestructureerde data. 01/01/2004 - 31/12/2007

Abstract

In dit project worden talen beschouwd voor het manipuleren en bevragen van semigestructureerde data zoals bijvoorbeeld XML data. Deze talen worden onderzocht op hun theoretische en praktische eigenschappen zoals hun expressieve kracht en geschiktheid voor query optimalizatie. Als een database server van semigestructureerde data dergelijke talen efficient wil ondersteunen dan zullen daarvoor speciale technieken op het gebied van locking en indexeringsstructuren. Daarom wordt ook onderzocht in hoeverre hiervoor oude technieken aangepast kunnen worden.

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Onderbouwing van nieuwe ontwikkelingen in database-systemen. 01/01/2004 - 31/12/2007

Abstract

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Update faciliteiten voor XML views van relationele databases. 01/01/2004 - 31/12/2005

Abstract

In de context van Content Management Systemen is het integreren van verschillende soorten data een belangrijk probleem. Men wenst immers verschillende soorten gegevens op een uniforme manier te ondervragen. We gaan in dit onderzoek nader in op het integreren van relationele databases en XML. Dit doen we door XML views voor relationele databases te introduceren, welke niet enkel kunnen ondervraagd worden, maar ook aangepast. Deze aanpassingen of updates kunnen echter niet steeds zonder problemen uitgevoerd worden op de respectievelijke tabellen van de relationele databases. We zullen daarom onderzoeken wanneer dit wel en wanneer dit niet mogelijk is en zullen daarnaast ook trachten het relationele schema om te zetten naar een schema voor de XML view.

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Vercammen Roel

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Studie van de databses voor Bioinformatica. 01/01/2004 - 31/12/2005

Abstract

Grote sommen geld worden geinvesteerd om informatie te bekomen over genomen, genen, proteinen en andere moleculaire eigenschappen van verschillende organismes. Men hoopt dat het zinvol zal blijken om te beschrijven hoe cellen werken, om zo de filogenetische relaties tussen verschillende species uit te leggen en nieuwe geneesmiddelen en therapien te ontwikkelen om momenteel ongeneeslijke ziekten te kunnen genezen. Deze belangrijke gegevens worden opgeslagen in databases die volgens geen enkel algemeen aanvaard ontwerpprinciepe zijn opgebouwd, die geen standaard ondervragingsmechanisme hebben en die vooral geen interface voor interoperatability hebben. Het probleem is dat er geen algemeen aanvaarde ontwerp- en ondervragingstools voor databases in de bioinformatica bestaan. Daarenboven laten databases meestal niet toe alle informatie die ze bevatten te ondervragen. Een voorbeeld hiervan is de COG database (http://www.ncbi.nlm.nih.gov/COG/). COG's zijn 'Clusters of Ortologous Genes', waar elk van deze clusters een verzameling van rijtjes van homologe proteine is van momenteel 73 verschillende orgamismes. Voor elk van de 3300 COG's wordt een filogenetische boom geconstrueerd, gebaseerd op vergelijkingsanalyses van de proteine in de cluster. Deze bomen bevatten een enorme hoeveelheid informatie die opgeslagen zit in een database. Eigenaardig genoeg bevat de database van de COG's geen mechnisme dat toelaat vragen te stellen over de informatie over de bomen in de database, zoals: 'zoek alle paartjes van organismen, waarvan de proteines dezelfde ouder hebben in tenminste twee bomen waar ze tenminste drie takken van elkaar verwijderd zijn.'. Het spreekt vanzelf dat de familie van COG-bomen de stastus moeten hebben van materialized views, die vaak voorkomt in traditionele databases, om zo de gebruiker toe te laten op een eenvoudige manier er vragen over te stellen. Daarom is een mechanisme hoogst nodig om alle informatie die bekend is in de moleculaire biologie beschikbaar te maken op een zo eenvoudig mogelijke manier.

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Gebruik van statische analyse voor XML-Queryoptimalisatie. 01/01/2004 - 31/12/2005

Abstract

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Mandaathouder: Michiels Philippe

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Database ondersteuning voor interactieve data mining. 01/10/2003 - 30/09/2006

Abstract

Dit project heeft als doel de mogelijkheden voor een overkoepelend systeem voor data mining, een zogenaamde data mining database, te onderzoeken. Het ontwerp van een database systeem voor data mining brengt vele fundamentele vragen met zich mee. Hoe representeren we de data? Op welke manier integreren we de verschillende algoritmes in een bevragingstaal? Hoe kunnen we de bevragingen optimaliseren? Een theoretische en fundamentele benadering van deze vragen staat in dit project centraal.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Ontwikkeling van ad-hoc software en hardware voor personen met een verstandelijke handicap. 01/01/2003 - 31/12/2004

Abstract

Internationaal worden er grote inspanningen geleverd om verstandelijke gehandicapten toegang te bieden tot de moderne technologieën. Sinds 1990 werken de drie betrokken centra samen wat betreft het ad hoc ontwikkelen en aanpassen van software en hardware voor deze doelgroep. Dit veldwerk dient op een wetenschappelijke wijze ondersteund te worden. Enerzijds zal een database worden opgebouwd in verb and met de beschikbare producten en anderzijds zullen via de bestaande expertise belangrijke hiaten in het aanbod worden opgevuld.

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Integratie van nieuwe gegevensbankmodellen en -technieken. 01/01/1998 - 31/12/2003

Abstract

Een recente ontwikkeling in het gegevensbank onderzoek, namelijk het verschuiven van de aandacht voor 'general~purpose' modellen naar 'special-purpose' of meer semantische modellen, heeft het bestaan aan het licht gebracht van een aantal concepten die gemeenschappelijk zijn aan deze nieuwe modellen. Dit project heeft als doel een algemeen en theoretisch kader te scheppen voor verder onderzoek in moderne gegevensbank toepassingen, door recente bevindingen in drie van zulke toepassingen (geometrische en tekst-gebaseerde gegevensbanken en OLAP-systemen) te integreren.

Onderzoeker(s)

  • Promotor: Paredaens Jan
  • Co-promotor: Gyssens Marc

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Declaratieve methoden in de informatica. 01/01/1996 - 31/12/2015

Abstract

Om tegemoet te komen aan de nood om steeds grotere en complexere software systemen te bouwen is er een groeiende vraag naar declaratieve methoden, die abstractie maken van onnodige details en zich toespitsen op de functionaliteit van de systemen. De onderzoeksgemeenschap heeft als doel de ontwikkeling van declaratieve methoden te bevorderen, in het bijzonder deze die voortspruiten uit onderzoek in gegevensbanken en functioneel en logisch programmeren.

Onderzoeker(s)

  • Promotor: Paredaens Jan

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject