SPEED-XM: Spectrale evaluatie en verbeterde deconvolutie aan de hand van geavanceerde (statistische) modellering. (R-9966)

Een aantal belangrijke stappen in de geneesmiddelenontwikkeling berust op een correcte en snelle evaluatie van spectrale data: zo worden vloeistofchromatografie- massaspectrometrie (LC-MS) en solid state nucleaire magnetische resonantiespectroscopie (ssNMR) gebruikt om de structuur van werkzame bestanddelen te bepalen en wordt MS in een gasfaseomgeving gebruikt om de headspace van een chemische reactor te bewaken tijdens het productieproces van actieve farmaceutische ingrediënten. Tegenwoordig worden grote hoeveelheden data per tijdseenheid geproduceerd, maar nemen de grenzen van detectie en kwantificatie af. Er is dus een competitieve nood aan analytische tools met een hoge automatiseringsgraad én verbeterde statistische methoden. De nieuwe tools die we in dit project zullen ontwikkelen, zorgen dus voor: 1. Wetenschappelijke innovatie, want we ontwikkelen een generiek, op statistiek-gebaseerde deconvolutiemethode die op verschillende signalen, data types en foutenstructuren toepasbaar is, en slim gebruik maakt van voorafgaande (prior) informatie over de data. Een dergelijk nieuwe denkkader is vergelijkbaar met de ontwikkeling van de theorie van gegeneraliseerde lineaire modellen in de jaren '70 (Nelder & Wedderburn, 1972). 2. Toegepaste innovatie: dankzij de nieuwe methodologie kunnen de experts van Janssen de data sneller analyseren, m.a.w. het farmaceutische ontwikkelingsproces versnelt, én zal de betrouwbaarheid van de geïnterpreteerde data toenemen.

Trefwoorden:Farmaceutische analyse, Machinaal leren, Spectrale Deconvolutie

Disciplines:Computationele biomodellering en machine learning, Datavisualisatie en high-throughput beeldanalyse