Machine learning framework voor T-cell receptor repertoire-gebaseerde virale diagnostiek.

De huidige standaarden in virale diagnostiek zijn gebaseerd op in-vitro methoden die het pathogeen genoom of pathogene eiwitten detecteren. Dit heeft tot gevolg dat verschillende analyses noodzakelijk zijn wanneer een staal voor meerdere virussen gescreend wordt, wat het process tijdrovend en duur maakt. Daarenboven falen sommige methoden bij acute en latente infecties. Met dit FWO-SB project zal ik het potentieel van T cell receptor (TCR) repertoires onderzoeken om deze tekortkoming te overwinnen en een nieuwe methodologie introduceren dat de simultane diagnose van verschillende virale infecties toelaat. Ten einde de TCR eigenschappen te vinden die verschillen tussen geïnfecteerde en niet-geïnfecteerde individuen, zal ik zoeken naar pathogeen-geassocieerde patronen in TCR repertoires via state-of-the-art machinaal lerende methoden. De bekomen resultaten zullen vervolgens gecollecteerd worden in een classificatiemodel dat op basis van het TCR repertoire de virale status van een individu kan voorspellen. De inzichten van dit project zullen onze kennis over pathogeen-geïnduceerde TCR repertoire veranderingen uitbreiden en als basis dienen voor de ontwikkeling van een computationeel diagnostisch kader. Dit zal een grote invloed hebben op het breder diagnostisch veld daar het TCR repertoire een belangrijke rol speelt in verschillende niet-infectieuze ziekten zoals kanker en auto-immuunziekten.

Trefwoorden:BIO-INFORMATICA, IMMUNOLOGIE

Disciplines:Bio-informatica en computationele biologie niet elders geclassificeerd, Computationele biomodellering en machine learning, Adaptieve immunologie, Toegepaste immunologie

Project type:Samenwerkingsproject