DeeBOP: Deep Batch Bayesian Optimization für das Design von Sequenzen in der Biologie

Name des Teilnehmers: Erik Kubaczka

Projekttitel: DeeBOP: Deep Batch Bayesian Optimization für das Design von Sequenzen in der Biologie

Beschreibung des IT-Forschungsprojektes:

Sequenzen sind in der Biologie die Grundlage für die vielfältigsten Funktionen. Ob Regulation der Genexpression, die Funktionen von Proteinen oder die Identifikation von krankhaften Zellen. All dies wird auf der Basis von DNA-, RNA- oder Aminosäure-Sequenzen gesteuert. Durch die Veränderung bestehender Sequenzen oder das Entwerfen neuer Sequenzen können wir neue Funktionen in Zellen programmieren oder bestehende Mechanismen an neue Aufgaben anpassen.

In meinem Projekt DeeBOP kooperieren wir an der TU Darmstadt mit der Merck KGaA um mittels künstlicher Intelligenz Sequenzen zu designen. Grundlage dafür ist ein Ansatz, der den Entwurf neuer Sequenzen mit deren experimentellen Charakterisierung abwechselt und so unserer Methode erlaubt aus vorherigen Designs zu lernen. Die neuen Sequenzen werden mit Bayesscher Optimierung vorgeschlagen. Dabei untersuchen wir, wie die eigentlich sequenzielle Methode der Bayesschen Optimierung mit modernen High-Throughput Ansätzen in der Biologie kombiniert werden kann. Diese High-Throughput Ansätze können gleichzeitig hunderte bis tausende Konstrukte charakterisieren. Dies stellt allerdings hohe Anforderung an die Auswahl geeigneter Sequenzen, da diese einerseits die optimale Funktion realisieren sollen und andererseits möglichst divers den Sequenzraum abdecken sollen. In dem Projekt DeeBOP entwickeln wir neue Strategie für Bayessche Optimierung im High-Throughput Bereich, sodass der erfolgreiche Einsatz in der Biologie der Zukunft möglich wird

Software Campus Partner: Technische Universität Darmstadt & Merck KGaA

Umsetzungszeitraum: 01.03.2025 – 28.02.2027