|
Bioinformatika
Doktorský program,
Fakulta chemické technologie
Cílem DSP programu Bioinformatika je vychovat odborníky ve stejnojmenné vědní disciplíně, která je skloubením molekulární a buněčné biologie, biochemie, statistiky a počítačové vědy. Bioinformatika se zabývá vývojem nástrojů pro správu biologických databází, algoritmů pro zpracování molekulárně-biologických dat a metod pro analýzu, interpretaci a vyhledávání vztahů v těchto datech. U většiny řešených projektů je kladen důraz na biologickou stránku věci a jejich cílem je pochopení komplexních souvislostí ve studovaných biologických jevech. Řešíme však i témata orientovaná informatickým směrem z oblasti vývoje algoritmů či metod zpracování dat. UplatněníKombinace přírodovědného a informatického vzdělání dává absolventům DSP Bioinformatika dobré předpoklady uplatnit se v interdisciplinárních týmech. Absolventi naleznou uplatnění v široké škále oblastí, kde se zpracovávají data získaná instrumentální analýzou biologického vzorku. Při odchodu do praxe se mohou absolventi též opřít o širokou znalost informatiky a uplatnit se při vývoji softwarových technologií především pro oblast datové analytiky. Další uplatnění naleznou absolventi ve vědeckých infrastrukturách budovaných v ČR v rámci evropských operačních programů. Vzhledem k trvajícímu nedostatku expertů s takto koncipovaným interdisciplinárním vzděláním i mimo ČR se absolventi dobře uplatní také v zahraničí. Typické pozice, jež může zastávat absolvent DSP Bioinformatika: - výzkumník základního či aplikovaného výzkumu veřejného či soukromého sektoru v oblasti biomedicíny, klinické medicíny, medicinální a farmaceutické chemie, potravinářství, zemědělství, biotechnologií či kriminalistiky. Typické pozice jsou postdoc, programátor, research associate, research fellow, project leader, project manager. - vysokoškolský pedagog v oblasti bioinformatiky, výpočetní biologie a chemie nebo aplikované informatiky. Typické pozice jsou odborný asistent, asistent, lektor. - softwarový vývojář či datový analytik v IT firmách. - odborné pracovní pozice, které vyžadují organizační a analytické schopnosti a odbornou expertizu nejenom v bioinformatických oborech. Typické pracovní pozice zahrnují státní správu na nejvyšších manažerských úrovních, organizace, které se metodicky a organizačně věnují vědě a výzkumu, případně neziskové a osvětové organizace. Detaily programu
Vypsané disertační práce pro rok 2025/26Bionformatika pro integrativní omiku v klinickém výzkumu
AnotacePropojení klinického a základního výzkumu má zásadní význam pro lepší pochopení a léčbu kardiovaskulárních onemocnění, včetně srdeční arytmie, hypertenze a dalších poruch vedoucích k srdečnímu selhání. Tento doktorský projekt se zaměřuje na vývoj výpočetních pipeline pro integraci genové exprese, proteomiky a metabolomických dat s využitím R, Pythonu a pokročilých statistických metod. Cílem je vytvořit uživatelsky přívětivé a robustní pracovní postupy, které umožní bezproblémovou analýzu a interpretaci souborů omických dat v klinickém prostředí. Tento projekt, založený na biopsiích, lidských vzorcích a rozsáhlých a unikátních souborech omických dat, představuje spolupráci mezi vědeckým ústavem (FGÚ) a centrem klinického výzkumu (IKEM) v Praze. Tato pozice na plný úvazek v FGU, financovaná konsorciem CarDia (https://cardia.ikem.cz/en/home ), nabízí příležitost přispět k translačnímu výzkumu s reálným klinickým dopadem. Integrované přístupy pro metabolomiku a lipidomiku založené na datech s využitím strojového učení a biochemických sítí
AnotaceTento doktorský projekt se zaměřuje na pokrok v integraci metabolomiky a lipidomiky za účelem odhalení regulací komplexních biochemických sítí a metabolické dynamiky. Studie využívá nejmodernější techniky zpracování dat, výpočetní nástroje a algoritmy strojového učení k získání užitečných poznatků z rozsáhlých fluxomických datových souborů. Budou vyvinuty pipelines v Pythonu, které standardizují předzpracování dat, extrakci informací o metabolitech a jejich analýzu, a zároveň zahrnují modely strojového učení pro shlukování sítí, klasifikaci a prediktivní modelování metabolických drah. Projekt klade důraz na mezioborové přístupy a spojuje odborné znalosti z biochemie, bioinformatiky a datové vědy s cílem vytvořit robustní nástroje pro pochopení metabolických systémů. Očekává se, že výsledky přispějí k personalizované medicíně, metabolickému inženýrství a systémové biologii a nabídnou vědecké komunitě nové metodiky a softwarové nástroje. Práce bude probíhat v FGÚ AV ČR, kde se nachází servisní laboratoř metabolomiky a proteomiky. Práce je finančně zajištěna materiálně i úvazkem. Předpokladem úspěchu je znalost programovacích jazyků pro práci s daty (Python), základy biochemie (metabolity, dráhy, buněčné kompartmenty) a přehled v oborech omiky. Modelování katalytických mechanismů terpensyntáz pomocí hlubokého učení
AnotaceCílem projektu je umožnit výpočetní charakterizaci a inženýrství terpensyntáz, důležité třídy biosyntetických enzymů, které vytváří chemické kostry největší známé skupiny přírodních látek, terpenoidů. Projekt má tři cíle: 1. Sestavení komplexní databáze popisující dosud charakterizované reakční mechanismy terpensyntáz. 2. Vývoj modelu hlubokého učení s využitím transformátorových neuronových sítí pro predikci substrátů, produktů a reakčních mechanismů terpensyntáz přímo z jejich aminokyselinových sekvencí. 3. Vývoj generativního algoritmu pro návrh umělých terpensyntáz s požadovanou funkcí. Modelování struktury, dynamiky a mechanických vlastností nukleových kyselin
AnotaceStruktura, konformační dynamika a mechanické vlastnosti molekul DNA a RNA mají klíčovou úlohu pro funkci těchto molekul v živých organismech a jejich znalost je rovněž nezbytná pro racionální návrh umělých nanostruktur založených na nukleových kyselinách. Strukturní a mechanické vlastnosti nukleových kyselin jsou determinovány sekvencí jejich bází a jsou modulovány vlivy prostředí. Přes značné výzkumné úsilí však stále není tato souvislost plně pochopena. Cílem práce je navrhnout vhodné modely struktury a mechaniky DNA a RNA, které přispějí k objasnění těchto souvislostí. V případě dvoušroubovic (dsDNA, dsRNA) půjde o mechanické modely reprezentující molekulu jak soubor interagujících tuhých těles. Ty budou představovat jednotlivé báze, eventuálně i další části molekuly (fosfátové skupiny, cukry) nebo skupiny těchto prvků. Předpokládá se přechod od harmonických modelů, kde interakční energie je kvadratickou funkcí vnitřních souřadnic, k modelům vícestavovým, reflektujícím strukturní polymorfismus studovaných molekul, a zobecnění modelů i na nehelikální struktury. Parametry modelů budou určeny na podkladě simulací molekulové dynamiky velkého souboru molekul v atomovém rozlišení. Pokročilý návrh léčiv pomocí umělé inteligence a nukleární magnetické rezonance
AnotaceTento průmyslový projekt propojuje cheminformatiku, umělou inteligenci (AI) a nukleární magnetickou rezonanci (NMR) s cílem posunout hranice vývoje nových léčiv. Kandidát bude zdokonalovat NMR-AI platformu společnosti AI|ffinity určenou pro virtuální screening, hit discovery a optimalizaci hit-to-lead. Jeho úkolem bude (1) vylepšit 2D molekulární reprezentace za pomoci 1D NMR spekter ke zvýšení přesnosti ligand-based virtuálního screeningu, (2) zpřesnit AI-řízené postupy strukturálního hit-to-lead pomocí omezení odvozených z 1D NMR spekter a (3) rozvinout nové metody de novo designu začleněním epitope ligandů identifikovaných v 1D NMR experimentech. Kandidát rovněž zapojí nástroje pro screening založený na hlubokém učení a de novo generování do rámce posilovaného učení, přičemž bude z 1D NMR dat získávat klíčové informace o ligandech a prohledávat komerční databáze. Perspektivní sloučeniny projdou experimentálním ověřováním, jež povede k iterativní optimalizaci a syntéze. Nejlepší sloučeniny postoupí do in vitro testů a všechny nově vyvinuté výpočetní metody se následně začlení do platformy pro objev léčiv společnosti AI|ffinity. Strojové učení pro predikci struktur proteinů
AnotaceDíky pokročilým technikám strojového učení se predikce proteinové struktury nedávno stala rychle se rozvíjejícím oborem výpočetní biologie s obrovským potenciálem umožňujícím nové poznatky o molekulárních funkcích a usnadnit vývoj léčiv. Nedávné pokroky, jako jsou AlphaFold, Boltz, Chai, ESMFold, OpenFold nebo RoseTTAFold, obohatili toto pole tím, že dosáhly bezprecedentní přesnosti při predikci 3D struktur proteinů založených výhradně na sekvencích aminokyselin. Nicméně přetrvávají omezení, jako je zpracování intrinsicky neuspořádaných oblastí, účinky mutací a modelování ligandem vázaných stavů. Tento projekt PhD si klade za cíl využít modely predikce proteinové struktury k řešení klíčových biologických otázek, zejména v charakterizaci nemocí a identifikaci cílů pro potenciální léčiva. Prozkoumá nové hypotézy pro pochopení mechanismů onemocnění a identifikaci terapeutických cílů. Dále bude výzkum hodnotit nové techniky objasnění proteinové struktury pro virtuální screening a predikci afinity biologicky aktivních ligandů, především s důrazem na jejich potenciál v návrhu léčiv založeném na proteinové struktuře. Projekt se také zaměří na hodnocení a zlepšení současných modelů tím, že identifikuje a navrhne řešení omezení v případě konformační flexibility nebo účinků mutací. Studium chování rybích populací pomocí biotelemetrických dat
AnotaceBiotelemetrie je moderní a efektivní metoda monitoringu rybích populací, jejíž hlavní výhodou je možnost získávání cenných dat o pohybu a chování ryb bez nutnosti jejich opětovného odlovu na konci měření. Tato metoda umožňuje sledovat dlouhodobé změny v populaci, avšak časové řady získané tímto způsobem často obsahují mezery způsobené omezenou dostupností signálu nebo jinými environmentálními faktory. Cílem této studie bude navrhnout a implementovat vhodné extrapolační metody založené na Markovovských procesech, které umožní doplnění chybějících dat a zajištění robustnější analýzy. Důležitou součástí bude také identifikace nepozorovaných stavů rybí populace pomocí skrytých Markovovských modelů (HMM), což umožní lépe pochopit dynamiku populace i v situacích, kdy přímé pozorování není možné. Záměrem této studie je přispět k lepšímu pochopení ekologických procesů ovlivňujících rybí populace a zároveň poskytnout užitečné nástroje pro optimalizaci chovných metod a efektivní řízení rybářského hospodaření. Výpočetní hmotnostní spektrometrie
AnotaceNaše laboratoř kombinuje experimentální (hmotnostní spektrometrie, metabolomika a RNA-seq) a výpočetní (bioinformatika a strojové učení) přístupy pro objevování nových bioaktivních molekul odvozených z rostlin. Cílem tohoto projektu bude vývoj výpočetních metod pro procesování a interpretaci dat z hmotnostní spektrometrie malých molekul, zejména automatických technik pro interpretaci hmotnostních spekter, pro anotaci molekul a pro generování a vizualizaci molekulárních sítí. Kandidáti na tuto pozici byl měli být schopni samostatného programování v jazycích Java a Python. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Aktualizováno: 3.2.2022 22:33, Autor: Jan Kříž