- Author
- Pieter-Paul Strybol (UGent)
- Promoter
- Kathleen Marchal (UGent) and Tim Van den Bulcke
- Organization
- Abstract
- Het drug discovery proces duurt ongeveer 12 tot 15 jaar en kost ongeveer $2,8 miljard. Een van de belangrijkste fasen in dit proces is het identificeren van biologische targets of pathways die verantwoordelijk zijn voor veroorzaken van ziekten. Target discovery maakt daarbij vaak gebruik van loss-of-function assays met RNAi of CRISPR-Cas9 om genexpressie te onderdrukken, waardoor de functies van genen in relatie tot bepaalde ziektebeelden worden onthuld. Zowel RNAi als CRISPR-Cas9 kampen met problemen zoals een hoog aantal vals negatieven en off-target effecten. Dit proefschrift richt zich op het hoge faalpercentage in drug discovery, met name bij target identificatie, en heeft als doel AI-modellen te ontwikkelen die de nadelen van loss-of-function screenings gedeeltelijk verminderen. Genen en eiwitten functioneren meestal binnen netwerken van interagerende eiwitten. Een gen-gen interactienetwerk, geïntegreerd met RNAi- of CRISPR-Cas9-screeningresultaten, kan worden gemodelleerd met AI, specifiek 'Network or Graph representation learning'. Deze modellen kunnen relaties voorspellen tussen cellijnen en genen waarbij er een hoger percentage aan potentiele drug targets kan worden terug gevonden in vergelijking met de originele data. Initieel is er een ‘shallow encoder’ ontwikkelt op data van kanker cellijnen uit DepMap waarna het model toegepast is op fibrose en inflammatie met behulp van proprietaire data van Galapagos. Het laatste deel van dit proefschrift gaat over het aanpassen van dit model naar een ‘deep encoder’ dat ook de genomische achtergrond van de cellijnen in rekening brengt tijdens het voorspellen van relaties tussen genen celllijnen. Dit laat toe om meer nauwkeurige voorspellingen te maken alsook een hoog percentage aan relevante drug targets te prioritzeren.
Downloads
-
(...).pdf
- full text (Published version)
- |
- UGent only (changes to open access on 2029-07-04)
- |
- |
- 12.32 MB
Citation
Please use this url to cite or link to this publication: http://hdl.handle.net/1854/LU-01J2DMKKDRGD481JMJCJKZR5RQ
- MLA
- Strybol, Pieter-Paul. Network-Based Data Analytics for Pathway Driven Target Discovery. Ghent University. Faculty of Sciences, 2024.
- APA
- Strybol, P.-P. (2024). Network-based data analytics for pathway driven target discovery. Ghent University. Faculty of Sciences, Ghent, Belgium.
- Chicago author-date
- Strybol, Pieter-Paul. 2024. “Network-Based Data Analytics for Pathway Driven Target Discovery.” Ghent, Belgium: Ghent University. Faculty of Sciences.
- Chicago author-date (all authors)
- Strybol, Pieter-Paul. 2024. “Network-Based Data Analytics for Pathway Driven Target Discovery.” Ghent, Belgium: Ghent University. Faculty of Sciences.
- Vancouver
- 1.Strybol P-P. Network-based data analytics for pathway driven target discovery. [Ghent, Belgium]: Ghent University. Faculty of Sciences; 2024.
- IEEE
- [1]P.-P. Strybol, “Network-based data analytics for pathway driven target discovery,” Ghent University. Faculty of Sciences, Ghent, Belgium, 2024.
@phdthesis{01J2DMKKDRGD481JMJCJKZR5RQ, abstract = {{Het drug discovery proces duurt ongeveer 12 tot 15 jaar en kost ongeveer $2,8 miljard. Een van de belangrijkste fasen in dit proces is het identificeren van biologische targets of pathways die verantwoordelijk zijn voor veroorzaken van ziekten. Target discovery maakt daarbij vaak gebruik van loss-of-function assays met RNAi of CRISPR-Cas9 om genexpressie te onderdrukken, waardoor de functies van genen in relatie tot bepaalde ziektebeelden worden onthuld. Zowel RNAi als CRISPR-Cas9 kampen met problemen zoals een hoog aantal vals negatieven en off-target effecten. Dit proefschrift richt zich op het hoge faalpercentage in drug discovery, met name bij target identificatie, en heeft als doel AI-modellen te ontwikkelen die de nadelen van loss-of-function screenings gedeeltelijk verminderen. Genen en eiwitten functioneren meestal binnen netwerken van interagerende eiwitten. Een gen-gen interactienetwerk, geïntegreerd met RNAi- of CRISPR-Cas9-screeningresultaten, kan worden gemodelleerd met AI, specifiek 'Network or Graph representation learning'. Deze modellen kunnen relaties voorspellen tussen cellijnen en genen waarbij er een hoger percentage aan potentiele drug targets kan worden terug gevonden in vergelijking met de originele data. Initieel is er een ‘shallow encoder’ ontwikkelt op data van kanker cellijnen uit DepMap waarna het model toegepast is op fibrose en inflammatie met behulp van proprietaire data van Galapagos. Het laatste deel van dit proefschrift gaat over het aanpassen van dit model naar een ‘deep encoder’ dat ook de genomische achtergrond van de cellijnen in rekening brengt tijdens het voorspellen van relaties tussen genen celllijnen. Dit laat toe om meer nauwkeurige voorspellingen te maken alsook een hoog percentage aan relevante drug targets te prioritzeren.}}, author = {{Strybol, Pieter-Paul}}, language = {{eng}}, pages = {{XXXII, 176}}, publisher = {{Ghent University. Faculty of Sciences}}, school = {{Ghent University}}, title = {{Network-based data analytics for pathway driven target discovery}}, year = {{2024}}, }