Livsvetenskaper

Beräknings- och systembiologi

Period: 2011
PI/kontaktperson: Johan Åqvist, Johan Elf
Lärosäte: Uppsala universitet

Forskningen inom programmet för beräkningsbiologi och bioinformatik fokuserar på strukturell biologi och biokemi, intracellulär kinetik samt bioinformatik. En central del av arbetet inom forskningsprogrammet är utveckling av metoder för datorsimuleringar och bioinformatik.

Programmet för molekylär systembiologi fokuserar på utveckling av metoder för att analysera bilder från spårning av enskilda molekyler i levande celler.

Leverage digital technology to unveil biological mechanisms in avian migration

Projektet har två huvudmål. För det första kommer vi att använda avancerade AI-algoritmer för att analysera migrerande fåglars beteende i en detaljrikedom som överträffar manuella metoder och möjliggör svar på centrala frågor inom migrationsforskning. Genom så kallade cue-conflict-experiment vill vi förstå hur fåglar synkroniserar sin inre klocka, bestämmer sin position och kalibrerar sina magnetiska och himmelsbaserade kompasser. För det andra kommer vi att utveckla en billig, öppen plattform för att studera fågelmigration direkt vid fångstplatsen – en portabel, datorstyrd enhet som för över labbanalysens möjligheter till fältet och ersätter dagens 50 år gamla manuella metoder.

Period: 2022–2025
PI/kontaktperson: Susanne Åkesson
Lärosäte: Lunds universitet

Diving deeper than ever into dolphin echolocation

Syftet med denna studie är att undersöka hur vävnaderna i huvudet på flasknosdelfinen (Tursiops truncatus) bidrar till att forma ekolokaliseringsklick till en framåtriktad, fokuserad ljudstråle. Detta kommer att göras genom flerfysikalisk tredimensionell (3D) finita element-modellering (FEM) av flasknosdelfinens huvud, baserat på unika in vivo-datortomografibilder (CT) av en tränad flasknosdelfin.

Period: 2022–2024
PI/kontaktperson: Josefin Starkhammar
Lärosäte: Lunds universitet

Establishing the link between prostate cancer microstructure and MRI

Syftet med detta projekt är att utveckla nya biomarkörer baserade på MRI för upptäckt och diagnostik av prostatacancer, samt att koppla dessa biomarkörer till egenskaper i prostatavävnadens mikrostruktur.

Våra mål är att:
I. Utveckla data­drivna analysverktyg för prostatavävnadens mikrostruktur baserade på multidimensionell MRI, för att ta fram relevanta parametrar och kandidater till biomarkörer.
II. Genomföra en longitudinell studie med multidimensionell MRI på möss implanterade med mänsklig prostatacancer som behandlas med extern strålbehandling. Cancersvulster prepareras för mål III.
III. Utveckla analysprogramvara för att koppla multidimensionella MRI-signaler/biomarkörer till underliggande cancerhistologi (3D) och immunhistokemi (2D).

Period: 2023–2024
PI/kontaktperson: Filip Szczepankiewicz
Lärosäte: Lunds universitet

Integrative tools for spatial and multi-omics data

Den tekniska utvecklingen leder till en snabb ökning av de data som kan erhållas från kliniska prover. I immunterapins tidevarv är det viktigt att förstå tumörens mikromiljö för att kunna välja effektiva behandlingar. Rumsliga molekylära data är viktiga, men det saknas fortfarande verktyg för att integrera data mellan olika modaliteter.

Mål: Utveckla arbetsflöden för att integrera rumslig metrik från bilder med rumslig omik, genomik och klinisk metadata för att stödja prediktiva modeller för val av behandling.

Vi strävar efter att:

• Extrahera spatiala mätvärden med hjälp av djupinlärning för segmentering av vävnadsbilder, cellklassificering och spatial karakterisering.

• Integrera multi-omikdata över rumslig proteomik, transkriptomik, klinisk metadata och genomik.

• Bygga prediktionsmodeller med maskininlärning för att vägleda patientstratifiering och kliniska beslut.
  
• Skapa användarapplikationer för interaktiv analys, visualisering och delning av integrerade spatiala data och omics-data.

Period: 2023–2024
PI/kontaktperson: Anna Sandström Gerdtsson
Lärosäte: Lunds universitet

Pollination eScience: Extending latent-variable modelling of plant-pollinator interactions

Pågående förändringar i klimat och markanvändning gör att växtpopulationer över hela världen utsätts för minskad förekomst av pollinatörer och förändringar i sammansättningen av pollinatörssamlingar. Dessa nya förhållanden innebär nya utmaningar för växter som är beroende av djurpollinatörer för sin fortplantning. Effektiva beslut och åtgärder som svar på dessa miljöförändringar är beroende av exakta prognoser för hur och när växtpopulationer anpassar sig evolutionärt till nya pollineringsmiljöer. Trots de senaste empiriska framstegen föreslår jag att ytterligare framsteg för närvarande hindras av bristen på lämpliga digitala verktyg, till exempel programvara som implementerar statistiska metoder som behövs för att analysera stora komplexa dataset från naturliga samhällen med flera arter. Detta projekt kommer att utveckla sådana verktyg och därmed underlätta den forskning som krävs för att ge mer exakta förutsägelser om framtiden för djurpollinerade växter och deras pollinatörer.

Period: 2023–2024
PI/kontaktperson: Øystein Opedal
Lärosäte: Lunds universitet

New sequence- and structure-based computational methods to find functional domains of proteins

Proteindomäner är diskreta, funktionella enheter inom proteiner och de spelar en central roll för att bestämma ett proteins övergripande struktur och funktion. Domänprediktion på dator är viktigt för att kunna förutsäga funktionen hos proteiner som kodas i sekvenserade genom, och därmed organismers metaboliska förmåga. De verktyg som finns tillgängliga i allmänt tillgängliga databaser representerar dock inte alla domäner, vilket gör att domänupptäckten vanligtvis inte är systematisk, och ovanliga proteiner som hittas i icke-modellorganismer går under radarn. Detta är viktigt eftersom dessa proteiner och deras domäner kan ha biomedicinskt eller bioteknologiskt viktiga funktioner. Projektet kommer att åtgärda situationen genom att utveckla ett nytt tillvägagångssätt för att systematiskt söka efter domäner och domängränser, över hela skalan av alla proteinsekvenser från livet på jorden i NCBI RefSeq-databasen.

Period: 2024–2025
PI/kontaktperson: Gemma Atkinson
Lärosäte: Lunds universitet

Microstructure imaging of the cortex by diffusion MRI

Detta projekt syftar till att utveckla metoder för att kartlägga hjärnbarkens mikrostruktur, vilket har potential att avsevärt förbättra den medicinska avbildningen vid tillstånd som epilepsi och Alzheimers sjukdom. Nuvarande avbildningsmetoder kan inte exakt kartlägga förändringar i mikrostrukturen i hjärnbarken - hjärnans yttre lager där nervcellerna finns. Detta gör det svårt att till exempel upptäcka tidiga tecken på Alzheimers sjukdom och ursprunget till de skador som orsakar epileptiska anfall. Vårt mål är att övervinna denna utmaning genom att utnyttja datoriserad bildbehandling med avancerade förvärvsstrategier för att förbättra bildens informationsinnehåll och bildupplösning.

Period: 2024–2025
PI/kontaktperson: Markus Nilsson
Lärosäte: Lunds universitet

Pandemic preparedness in the era of big data: Disease surveillance tools using individual-level register data and novel mobility data

Det övergripande målet med detta projekt är att utveckla nya analysmetoder för att snabbare och mer exakt identifiera, övervaka och hantera hälsorisker i samhället, till exempel en pandemisk sjukdom, med hjälp av en unik datainfrastruktur med rik registerdata på individnivå för hela Sverige länkad från olika källor tillsammans med data om mobilitetsmönster.

Period: 2024–2025
PI/kontaktperson: Dominik Dietler
Lärosäte: Lunds universitet

Breast cancer diagnostics in low-resource settings using point-of-care ultrasound and deep learning

I låg- och medelinkomstländer finns det inte tillgång till snabb diagnos av bröstcancer, vilket bidrar till den dåliga överlevnaden för bröstcancer. En lovande lösning för att tillhandahålla tillgänglig bröstdiagnostik i lågresursländer är patientnära ultraljud i kombination med en smartphone-baserad algoritm för artificiell intelligens (AI). En sådan algoritm utvecklades i projektet eSSENCE@LU 8:7. Uppgifterna i nästa fas inkluderar att göra algoritmen leverantörsneutral, komplettera den nuvarande algoritmen med en osäkerhetsuppskattning, utveckla en prototypapp och utföra kliniska studier i Sverige och Kenya.

Period: 2024–2025
PI/kontaktperson: Kristina Lång
Lärosäte: Lunds universitet

Development of methods to treat metal sites in ligand-binding calculations

Projektet kommer att försöka lösa ett viktigt problem för läkemedelsföretag. Vi kommer att testa en rad av metoder och avgöra vilken som är mest lovande när det gäller hastighet, noggrannhet, överförbarhet och grad av automatisering. De metoder vi utvecklar kommer även att vara användbara inom andra områden, till exempel för simuleringar av metalloproteiner i allmänhet, för att studera metallbindning, flexibilitet och konformationsförändringar. Vi förväntar oss att metoderna kommer att användas i stor utsträckning av andra forskargrupper inom biomolekylär modellering. Dessutom kommer metoderna att tillämpas på strategiska och intressanta mål som även är av intresse utanför universitetet och för andra läkemedelsföretag.

Period: 2025–2026
PI/contact: Ulf Ryde
University: Lunds universitet

Developing data-driven simulation of protein structural dynamics

Period: 2023–2024
PI/kontaktperson: Magnus Andersson
Lärosäte: Umeå universitet

Machine learning methods for parsing symptoms and treatment responses in Parkinson´s disease

Genom att utnyttja de unika inspelningsmöjligheter som finns tillgängliga vid Movement and Reality Lab (nyligen etablerat vid Lunds universitet1), strävar vi efter att utveckla maskininlärningsbaserade metoder för att upptäcka och kvantifiera olika rörelseavvikelser och svar på behandling vid Parkinsons sjukdom.

Period: 2025–2026
PI/contact: Angela Cenci Nilsson
University: Lunds universitet

Finite Element Methods for Modern Computing Architectures and Machine Learning Applications

Period: 2025–2026
PI/contact: Mats Larson (UMU), Karl Larsson (UMU) and Anna Persson (UU)
University: Umeå Univeristy