Matches in Ghent University Academic Bibliography for { <https://biblio.ugent.be/publication/01J2DMKKDRGD481JMJCJKZR5RQ> ?p ?o. }
Showing items 1 to 18 of
18
with 100 items per page.
- 01J2DMKKDRGD481JMJCJKZR5RQ classification D1.
- 01J2DMKKDRGD481JMJCJKZR5RQ promoter 352760E4-F0EE-11E1-A9DE-61C894A0A6B4.
- 01J2DMKKDRGD481JMJCJKZR5RQ promoter 48DB552E-347F-11E4-8E38-EC53B5D1D7B1.
- 01J2DMKKDRGD481JMJCJKZR5RQ date "2024".
- 01J2DMKKDRGD481JMJCJKZR5RQ language "eng".
- 01J2DMKKDRGD481JMJCJKZR5RQ type dissertation.
- 01J2DMKKDRGD481JMJCJKZR5RQ hasPart 01J2DMSK1N3FS386V3WGP7P460.pdf.
- 01J2DMKKDRGD481JMJCJKZR5RQ subject "Technology and Engineering".
- 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.".
- 01J2DMKKDRGD481JMJCJKZR5RQ author A4882D60-27EC-11E4-AF8B-A2F1B4D1D7B1.
- 01J2DMKKDRGD481JMJCJKZR5RQ dateCreated "2024-07-10T06:17:03Z".
- 01J2DMKKDRGD481JMJCJKZR5RQ dateModified "2024-12-12T21:10:10Z".
- 01J2DMKKDRGD481JMJCJKZR5RQ name "Network-based data analytics for pathway driven target discovery".
- 01J2DMKKDRGD481JMJCJKZR5RQ pagination urn:uuid:03f35e3b-bd38-4750-93a6-c391ca209a41.
- 01J2DMKKDRGD481JMJCJKZR5RQ publisher urn:uuid:6a2560dd-2fa6-4306-bf0f-77291f1d0e99.
- 01J2DMKKDRGD481JMJCJKZR5RQ sameAs LU-01J2DMKKDRGD481JMJCJKZR5RQ.
- 01J2DMKKDRGD481JMJCJKZR5RQ sourceOrganization urn:uuid:f6cbac53-0036-4097-9579-f28e57fb3a96.
- 01J2DMKKDRGD481JMJCJKZR5RQ type D1.