Семинар Научно-учебной лаборатории искусственного интеллекта для вычислительной биологии
В Научно-учебной лаборатории искусственного интеллекта для вычислительной биологии состоится семинар, на котором сотрудники лаборатории - Бурмак Карина Сергеевна и Шинкарев Елисей Сергеевич представят свои исследования.
Семинар состоится 24 мая в 16:00.
Научно-учебная лаборатория искусственного интеллекта для вычислительной биологии: Стажер-исследователь
Тема: "Идентификация нанопластиков методом масс-спектрометрии "
Докладчик: Бурмак Карина Сергеевна, стажёр-исследователь НУЛ икусственного интеллекта для вычислительной биологии.
Аннотация: В настоящее время микро- и нанопластики вызывают беспокойство у научного сообщества. Помимо того, что они способны накапливаться в тканях и органах человека, они могут вызывать серьезные заболевания. Поэтому все большее внимание уделяется методам поиска нанопластиков в биологических жидкостях человека. Одним из таких методов является масс-спектрометрия, которая позволяет точно определять количественный и качественный состав пробы даже в низких концентрациях. Однако на настоящий момент не существует вычислительных алгоритмов и методов идентификации и аннотации нанопластиков. Данный семинар посвящен разработаннной и реализованной библиотеке на языке Python, предназначенной для идентификации нанопластиков полистиролсульфоната и перфторалкильных соединений методом масс-спектрометрии.
Тема: "Методы глубинного обучения для предсказания времени удержания пептидов"
Докладчик: Шинкарев Елисей Сергеевич
Аннотация: В данной исследовательской работе анализируется применение методов глубинного обучения для предсказания времени удержания пептидов (retention time), рассматриваются существующие модели: AutoRT и DeepLC. Эти модели играют ключевую роль в повышении точности и надежности идентификации пептидов. Они используют техники глу- бинного обучения и обучения на больших наборах данных с аннотированными спектрами пептидов, что позволяет им захватывать сложные шаблоны и особенности в спектрах, обес- печивая более точные предсказания рассматриваемого признака - времени удержания. В рамках работы будут поставлены эксперименты на нашем датасете, будут рассматриваться 3результаты работы вышеупомянутых моделей на пептидах, а также их модификациях с последующим сравнением распределений и анализом результатов. То есть, чем предсказания у пептида и его модификации отличаются в зависимости от используемой модели.