Konferenciák

2025. november 14.

Letölthető program pdf formátumban

1. szekció - Bioinformatikai algoritmusok 1, Szerkezeti bioinformatika Elnök: Csikász-Nagy Attila

9:30 - 9:35: Köszöntő

    Pongor Sándor

09:35 - 09:50: LoCoHD: Lokális Fehérjekörnyezetek Kontrasztja a Kémiai Összetétel Vizsgálatán Keresztül

    Fazekas Zsolt (HUN-REN–ELTE Fehérjemodellező Kutatócsoport és Szerkezeti Kémia és Biológia Laboratórium)

Részletek

LoCoHD: Lokális Fehérjekörnyezetek Kontrasztja a Kémiai Összetétel Vizsgálatán Keresztül

×

• Kivonat

LoCoHD: Lokális Fehérjekörnyezetek Kontrasztja a Kémiai Összetétel Vizsgálatán Keresztül

Fazekas Zsolt¹, K. Menyhárd Dóra¹ és Perczel András^1
1 HUN-REN–ELTE Fehérjemodellező Kutatócsoport és Szerkezeti Kémia és Biológia Laboratórium
A fehérjék szerkezetének összehasonlítására, illetve a bennük kialakuló lokális környezetek összevetésére számos, már jól bevállt metrika és pontozási rendszer használható, úgy mint az RMSD, GDT_TS, vagy az LDDT. A legtöbb ilyen módszer pusztán az atomi koordináták felhasználásával, az atomok többi aspektusát elhanyagolva állítja elő a szerkezetek hasonlóságát vagy különbözőségét leíró számot. Mivel az atomok kémiai minősége határozza meg a kialakuló kölcsönhatások mennyiségét és minőségét, ezért ezen aspektus vizsgálata elengedhetetlen a fehérjék feltekeredésének és működésének megértéséhez. A csoportunkban kifejlesztett, LoCoHD (Local Composition Hellinger Distance) nevű módszer új megközelítést alkalmaz a lokális szerkezetek összevetésére, ami kémiai összetételvektorok statisztikai távolságának számításán keresztül nyilvánul meg. Bár az algoritmus az atomok elhelyezkedését is figyelembe veszi távolságok formájában, a módszer fő fókuszában az atomokhoz rendelt, kémiai minőséget jellemző címkék állnak. Így a szerkezetösszehasonlítás egy újfajta, eddigi megközelítésekre ortogonális módon történik. Az algoritmust és a segítségével előállított eredményeket több esettanulmányon keresztül is bemutatjuk.

09:50 - 10:05: Transzmembrán topológia predikció fehérjenyelvi beágyazáson alapuló rejtett Markov-modellel

    Altziebler Dániel (HUN-REN TTK, Molekuláris Élettani Intézet, Fehérje Bioinformatika Kutatócsoport)

Részletek

Transzmembrán topológia predikció fehérjenyelvi beágyazáson alapuló rejtett Markov-modellel

×

• Kivonat

Transzmembrán topológia predikció fehérjenyelvi beágyazáson alapuló rejtett Markov-modellel

Altziebler Dániel¹, Dobson László¹ és Tusnády E. Gábor^1
1 HUN-REN TTK, Molekuláris Élettani Intézet, Fehérje Bioinformatika Kutatócsoport
A transzmembrán fehérjék kulcsszerepet játszanak a sejtek anyagtranszportjában, energiatermelésében és jelátvitelében, azonban szerkezeti jellemzésük továbbra is korlátozott. Bár a fehérjék akár 30%-át is kiteszik a genomban, az ismert fehérjeszerkezeteknek kevesebb mint 5%-át alkotják, mivel kísérletes meghatározásuk számos nehézségbe ütközik. Az AlphaFold2, amely forradalmasította a fehérjék 3D szerkezetének előrejelzését, a transzmembrán fehérjék esetében nem veszi figyelembe a lipid kettősréteg jelenlétéből fakadó térbeli megkötéseket, és tanítószettjében viszonylag kevés transzmembrán fehérje szerepelt, ezért számos transzmembrán fehérje esetében még topológia szinten sem helyes az általa előrejelzett szerkezet. A jelen munka célja a transzmembrán fehérjék topológiájának pontosabb előrejelzése egy beágyazáson alapuló rejtett Markov-modell (Hidden Markov Model, HMM) segítségével. A fehérjenyelvi modellekből származó beágyazások gazdagon tartalmaznak szerkezeti és funkcionális információt, így nagyszerű bemenetként szolgálnak gépi tanulási modellek számára. Az általunk kifejlesztett HMM képes megkülönböztetni az extracelluláris, intracelluláris és a membránon átmenő régiókat, és a Baum–Welch algoritmus segítségével, teljes mértékben felügyelet nélküli módon tanul. A modell az alfa helikális fehérjék 89%-ánál és a béta hordó fehérjék 87%-ánál tökéletesen jelezte előre a transzmembrán topológiát, azonban a modell által számolt megbízhatósági érték alapján számos hibás predikció kiszűrhető. A modell így képes felvenni a versenyt a legjobb felügyelt tanítással működő modellekkel, mint a TMbed és a DeepTMHMM. Alfa-helikális fehérjék esetén szenzitivitás tekintetében túl is teljesíti az említett modelleket, béta-hordó fehérjék esetén pedig a specificitást leszámítva minden általunk használt mérőszám szerint a legjobb közöttük.

10:05 - 10:20: A genomikai nyelvmodellek: lehetőségek és korlátok

    Ligeti Balázs (PPKE ITBK)

Részletek

A genomikai nyelvmodellek: lehetőségek és korlátok

×

• Kivonat

A genomikai nyelvmodellek: lehetőségek és korlátok

Ligeti Balázs^1
1 PPKE ITBK
A genomikai és a fehérjenyelvmodellek már több éve meghatározó eszközök a bioinformatikában. Teljesítményük sok feladatban jelentősen meghaladja a hagyományos eszközökét, azonban sok feladatban meglepő módon nem.
A genomikai adatok nagy jelentőséggel bírnak számunkra. A különféle szekvenálási technológiák – melyeknek az elsődleges kimenete is ilyen típusú szekvenciaadat – elterjedtsége révén nagy mennyiségű genomikai információ áll rendelkezésünkre. Ezeknek a hatékony, megfelelő minőségű elemzése különösen komoly kihívás. A genomikai nyelvmodellek legnagyobb előnye, hogy közvetlenül képesek ezeket az adatokat feldolgozni és elemezni. Azonban ezeknek a modelleknek a használata jelentős költséget jelent. Vannak ugyanakkor olyan területek, amelyeken ez az átütő jellegű teljesítményjavulás nem figyelhető meg, a nyelvmodellek bizonyos korlátaiból fakadóan.
Bemutatjuk, milyen típusú feladatokban várható, hogy a nyelvmodellek könnyen alkalmazhatóak lesznek; valamint néhány gyakorlati példán keresztül ismertetjük, hogyan érdemes tesztelni a modellek teljesítményét, pl. az általánosító képességük korlátait.

10:20 - 10:35: Vírusazonosítás metagenomokban genomikai nyelvmodellek segítségével

    Filyó Bendegúz és Krizsán Dániel (PPKE ITBK)

Részletek

Vírusazonosítás metagenomokban genomikai nyelvmodellek segítségével

×

• Kivonat

Vírusazonosítás metagenomokban genomikai nyelvmodellek segítségével

Filyó Bendegúz¹, Krizsán Dániel¹ és Ligeti Balázs^1
1 PPKE ITBK
A metagenomikai mintákból való vírusazonosítás egyre nagyobb figyelmet kap. A metagenomikai adatok egyre könnyebben hozzáférhetőek, azonban jellemzően zajosak, fragmentáltak. Emellett az ismert bakteriális eredetű szekvenciák száma jelentősen meghaladja a vírusokét.
Erre a feladatra léteznek már megoldások, melyek homológiai vagy gépi tanulási megközelítést, vagy a kettő kombinációját alkalmazzák. Azonban ezen a területen is megjelentek a Nagy Nyelvmodell (LLM) alapú megoldások, amelyek nagy szekvenciahalmazokon előtanítva adatbáziskereséstől független módon, jól skálázhatóan képesek működni. Fontos felmérni ezen új szereplők képességeit a már meglévő megoldásokkal összevetve.
Több LLM-en alapuló Genomikai Nyelvmodellt (ProkBERT, Nucleotide Transformer, DNABERT-2, ViraLM) valamint hét hagyományos eszközt (VirSorter2, Genomad, DeepVirFinder, Seeker, MetaPhinder, PPR-Meta, VIBRANT) vetettünk össze, értékelve azok skálázhatóságát és hatékonyságát. A benchmarkingot valós adatbázisok felhasználásával végeztük, amelyek körülbelül egymillió metagenom szekvenciát tartalmaztak talajból, tengervízből és emberi bélből. Elemeztük az egyes eszközök és megközelítések erősségeit és korlátait.
Összességében tanulmányunk kiemeli ezeknek a megközelítéseknek a számítási hatékonyságát és skálázhatóságát. Az előre betanított Genomikai Nyelvmodellek robusztus, új megoldást jelentenek a vírusok azonosítására.

10:35 - 10:50: Minifehérje alapú precíziós terápiák fejlesztése mesterséges intelligencia-támogatott számítógépes fehérjetervezéssel

    Oroszlán Gábor (VRG Therapeutics Zrt.)

Részletek

Minifehérje alapú precíziós terápiák fejlesztése mesterséges intelligencia-támogatott számítógépes fehérjetervezéssel

×

• Kivonat

Minifehérje alapú precíziós terápiák fejlesztése mesterséges intelligencia-támogatott számítógépes fehérjetervezéssel

Oroszlán Gábor^1
1 VRG Therapeutics Zrt.
Az elmúlt években a mesterséges intelligencia (AI) betörése a gyógyszeriparba alapjaiban formálta át a fejlesztési folyamatokat, ez különösen igaz az úgynevezett minifehérje alapú terápiákra. Ezek a kisméretű, 30–60 aminosavas, stabil, jól definiált szerkezetű peptidek ötvözik az antitestek hatékonyságát a kismolekulák kedvező farmakológiai tulajdonságaival, miközben szerkezetük jól prediktálható számítógépes módszereket alkalmazva. Kompakt felépítésük révén jó szöveti penetrációt, alacsony immunogenitást és nagy affinitású, szelektív kötést biztosítanak.
A VRG Therapeutics egy technológia-vezérelt biotechnológiai vállalat, amely minifehérje-alapú precíziós terápiák fejlesztésére fókuszál kihívást jelentő gyógyszercélpontok ellen. Platformja egyesíti az AI-alapú in silico fehérjetervezést a legfejlettebb nagyáteresztőképességű kísérletes szűréssel.
A vállalat mesterséges intelligenciát és gépi tanulást integráló gyógyszerfejlesztési platformja lehetővé teszi potens és biztonságos minifehérje-terapeutikumok felfedezését, lefedve a teljes preklinikai fejlesztés folyamatát. Kampányaink során több tízezer de novo minifehérjét tervezünk, ezeket in silico metrikák alapján néhány száz ígéretes jelöltre szűkítjük, majd ezeket laboratóriumban validáljuk, végül a továbbfejlesztett molekulákat állatmodellekben teszteljük. A gépi tanuláson alapuló adatelemzési eszközünk tovább növeli a szűrési rendszerek hatékonyságát, lehetővé téve a tanuló, iteratív fejlesztést.
Célunk, hogy ezzel az integrált megközelítéssel új generációs, precíziós gyógyszereket fejlesszünk olyan célpontokra és mechanizmusokra, ahol a hagyományos megközelítések kudarcot vallottak.

10:50 - 11:05: A SARS-CoV-2 fő proteáz aktív hely: katalitikus aminosavak protonáltsági állapota

    Hoffka Gyula (DE, ÁOK, Biokémiai és Molekuláris Biológiai Intézet; Department of Chemistry, Lund University)

Részletek

A SARS-CoV-2 fő proteáz aktív hely: katalitikus aminosavak protonáltsági állapota

×

• Kivonat

A SARS-CoV-2 fő proteáz aktív hely: katalitikus aminosavak protonáltsági állapota

Hoffka Gyula^1,2, Tőzsér József¹ és Mótyán János András^1
1 DE, ÁOK, Biokémiai és Molekuláris Biológiai Intézet
² Department of Chemistry, Lund University
A súlyos akut légzőszervi szindróma koronavírus 2 (SARS-CoV-2) megjelenése óta ugyan endemikus vírussá vált és a védekezéshez is több vakcina áll rendelkezésre, a vírus által okozott fertőzések továbbra is jelentős egészségügyi kockázatot jelentenek, ami indokolja a fehérjéinek vizsgálatát. A vírus egyik legfontosabb fehérjéje a fő proteáz (Mpro), mely kulcsfontosságú a vírus életciklusában a virális poliprotein funkcionális egységekre hasítása révén. Az Mrpo validált gyógyszercélpont, a Pfizer által terveztett nirmatrelvir inhibitornak is célpontja. Az Mpro egy cisztein-proteáz, katalitikus diádját egy cisztein és egy hisztidin alkotja. A diád protonáltsági állapota még ma sem teljesen tisztázott, mind neutrális, mind töltéssel rendelkező diád jelenlétére utalnak tanulmányok. A diád konfigurációjának kritikus szerepe van a nagy hatékonyságú inhibitorok tervezésében, ezért vizsgálata különös jelentőséggel bír. Számítógépes munkánk során célul tűztük ki a katalitikus diád protonáltsági állapotának vizsgálatát a ligandot nem kötő Mpro esetében. A dinamikai tulajdonságokat klasszikus molekuladinamikai szimulációkkal vizsgáltuk, az energiakülönbségeket többféle hibrid QM/MM módszerrel (ONIOM és QM/MM/MD) is kiszámítottuk a neutrális vagy töltéssel rendelkező diádok esetében. Valamennyi alkalmazott módszer konzisztensen arra utal, hogy a katalitikus diád neutrális állapota kedvezőbb, mint a töltéssel rendelkező, mind energetikai, mind dinamikai szempontok alapján is.

11:05 - 11:25: Kávé szünet

    

2. szekció - Bioinformatikai algoritmusok 2

3. szekció - Rendszerbiológia, Öregedés, Proteomika

4. szekció - Orvosi bioinformatika