BioHack 2017

Объект интереса — это бактериофаги. Иногда они переносят функциональные гены от бактерии к бактерии, таким образом вмешиваясь в их метаболизм. Нас интересуют не модельные бактериофаги, а совокупность всех существующих в природе. Самый очевидный способ их обнаружить — использовать метагеномные данные.

Цель исследования — найти последовательности бактериофагов, переносящих "чужеродные" гены, в метагеномных контигах. Существует несколько инструментов для поиска профагов, но у них есть недостатки. Мы попробуем их обнаружить своим способом (либо модифицировать алгоритмы, использующиеся в существующих инструментах).

Задачи
1. Предсказать белок-кодирующие последовательности в метагеномных контигах.
2. Определить фаговые и нефаговые гены с использованием HMM.
3. Выделить регионы с высоким содержанием фаговых генов.
4. Определить функциональные бактериальные гены в составе этих регионов.
5. (Опционально) Поискать в окружении полученных (про-)фагов сайты связывания.

Требования к участникам
Знания в области молекулярной биологии будут крайне полезны.
Умение работать с основными биоинформатическими инструментами.
Способность распарсить файл.
Знание статистики и R (не обязательно виртуозное).

Используя опубликованные базы данных, создать протеомную карту взаимодействий для инсулина: включая белки и небольшие молекулярные реакции, связанные с диабетом.

Задачи
1. Используя опубликованные базы данных (STRING, BIOGRID, PUBMED, UNIPROT и другие), создать протеомную карту взаимодействий для инсулина.
2. Проверить пересечение данных по различным базам данных.

Требования к участникам
Навыки парсинга баз данных (включая xml-файлы).
Знание BioPython.

Результаты этих проектов будут использованы при написании статей, участники проектов войдут в число соавторов.

Cуществует агрегатор библиографической информации медико-биологической направленности под названием pubmed (www.pubmed.com). Кроме непосредственно ссылок на статью и ее абстракт, сервис предоставляет набор ключевых слов, ассоциированных со статьей (например, термины MeSH), а также cписок химических веществ, упоминаемых в статье. Данные о веществах и описание интересующих терминов можно посмотреть в сервисе UMLS (словарь MeSH один из словарей, на которых построен UMLS).

Участникам нужно собрать данные о болезни Альцгеймера.

Задачи
1. Что находилось в фокусе внимания n лет назад и куда он сместился на данный момент.
2. Какие вещества и почему активнее всего изучались ранее, и каким веществам сейчас уделяется наибольшее внимание.

Требования к участникам
В команде желательно иметь как биологов (чтобы верифицировать полученные данные), так и программистов
(написание оболочки к ncbi api, UMLS api, знание xml/json парсеров).
Навыки написания оболочек под REST API.
Навыки парсинга (xml, json).

Демографическая история вида оставляет следы в геноме. Анализируя эти следы, можно пытаться реконструировать различные события и их последствия, которые сформировали геном животного в том виде, в каком мы его наблюдаем сейчас.

Задачи
1. Подготовка популяционных данных для работы.
2. Построение демографических моделей.
3. Сравнение наблюдаемых данных с тем, что предсказывает модель.

Требования к участникам
Знание Python, или желание освоить его на рудиментарном уровне =)

Предсказание сайтов посадки транскрипционных факторов в геноме — непростая задача, которую пытаются решать многие биоинформатические лаборатории. Тем не менее, чтобы предсказать, экспрессия каких генов изменится в ответ на транскрипционный фактор, нет необходимости рассматривать все гены организма. Многие гены в норме не транскрибируются в клетках взрослого организма.

Поэтому, чтобы получить данные, об уровне транскрипции конкретного гена, приходится принимать во внимание профиль экспрессии генов в данном типе клеток, знать расположение регуляторных элементов в геноме, где транскрипционные факторы взаимодействуют с ДНК, и т.п. А если интересно, какие гены отвечают на активацию известного транскрипционного фактора в малоизученном типе клеток, для которого имеется ограниченное число экспериментов? Очевидно, экстраполировать эти данные на новый тип клеток.

Участникам проекта предлагается реализовать алгоритм, который позволит использовать данные секвенирования для построения модели и последующего выдвижения биологических гипотез по уровню транскрипции генов.

Задача проекта — разработка программы для анализа данных секвенирования.
1. Получать на вход обработанные NGS-эксперименты в виде текстовых файлов (Chip-seq, RNA-seq, etc.).
2. Выявлять закономерности, влияющие на экспрессию генов в модельном типе клеток.
3. Предсказывать уровни транскрипции в экспериментальных клетках.

Требования к участникам
В команде должны обязательно присутствовать биологи и информатики.
Желательно знакомство с методами машинного обучения.

Международный проект «Протеом человека», о начале которого было объявлено 23 сентября 2010 года в Сиднее, является логичным продолжением проекта «Геном человека». Координатором выполнения российской части проекта «Протеом Человека» является Научно-исследовательский институт биомедицинской химии имени В.Н. Ореховича. Основная цель проекта «Протеом человека» — инвентаризация всех белков человека и выяснение взаимодействий между ними. Одним из результатов выполнения проекта должна стать карта интерактома белков человека.

Целью данного проекта является выявление сходства и различий между интерактомными профилями сплайс-вариантов одного белка. Источником данных для построения интерактомных профилей является протеомный ресурс GPMDB, среди прочего содерщащий результы идентификации белков, полученных методом аффинной очистки (AP-MS). В проекте предполагается использование так называемого метода виртуальной ко-преципитации (ВКП). Метод заключается в выявлении белков, совместно идентифицированных в наборе экспериментов, выполненных методом аффинной очистки в сочетании с масс-спектрометрией. В основе ВКП лежит гипотеза, что взаимодействующие белки должны чаще идентифицироваться совместно в масс-спектрометрических экспериментах, чем не взаимодействующие.

Задачи
1. Из базы данных GPMDB получить список экспериментов, выполненных методом аффинной очистки (AP-MS).
• Убедиться в специфичности экспериментов;
• Проверить, что эксперименты выполнены для белков человека.
2. Для каждого эксперимента получить список белков, детектированных в нем и перечень пептидов, по которым идентифицировали белки. Удалить белки, которые были идентифицированы по критериям, не удовлетворяющим требованиям HUPO (http://www.thehpp.org/guidelines/). Разделить идентифицированные белки на канонические изоформы, сплайс-изоформы и те, где невозможно определить изоформу.
3. Для каждого белка построить его интерактомный профиль: перечень белков, с которыми он был идентифицирован в одних и тех же экспериментах.
4. Выявить случаи, в которых интерактомный профиль канонической и сплайс-изоформы существенно отличаются. Предоставить гипотезу биологического значения этого различия.

Требования/пожелания к участникам
Навык работы с базами данных – формирование запросов в автоматическом режиме.
Владение языком программирования для автоматической обработки текста.
Понимание особенностей дизайна масс-спектрометрических экспериментов, в частности экспериментов с использованием афинной очистки (AP-MS).
Знание строения, структуры белков и методов их идентификации.
Понимание структуры и умение работать с такими ресурсами как UniProt, GPMDB.
Навык статистической обработки данных.

ПРЕЗЕНТАЦИЯ

Для определения риска перинатальных осложнений в акушерской практике используется шкала О. Г. Фроловой и Е. И. Николаевой в модификации В. Е. Радзинского, И. Н. Костина. Это позволяет врачам продумать тактику ведения беременности, дабы избежать серьезных патологий как у матери, так и у ребенка. Для расчета риска необходимо учитывать порядка 50 характеристик пациента, часть из которых постоянные (например, наличие абортов ранее), а часть меняются ежедневно (например, артериальное давление). В данный момент в большинстве государственных клиник эта работа проделывается вручную, на бумаге.

Участникам хакатона предлагается разработать программу, основная задача которой — на базе указанной шкалы высчитывать риск по текущим показателям пациента. Так как часть показателей меняются во время беременности, усовершенствованием программы будет создание функционала для отслеживания динамики состояния женщины. Графическое представление меняющихся параметров позволит наглядно оценить эффективность назначенных методов лечения.

Задачи
Создать программу для определения перинатального риска по вводимым параметрам пациента.
Добавить возможность просмотра истории параметров, измеренных в разные даты, в виде графиков.

Требования к участникам
В команде должен быть минимум один биолог/медик и программист.

Дополнительно
Пример системы расчета перинатального риска (шкала О. Г. Фроловой и Е. И. Николаевой)

При некоторых типах операций необходимо длительное наблюдение за пациентами после выписки. Поскольку пациенты наносят повторные визиты неохотно (особенно если приехали из другого города), можно проводить опросы о самочувствии автоматически, при надобности уведомляя лечащего врача. Важно удобство системы как для врача, так и для пациента.

Задачи
1. Реализация базы данных пациентов.
2. Создание удобного для врачей фронтенда.
3. Автоматизация опроса (возможны варианты: от телеграм-бота до обзвона роботом с ответами в тональном режиме).

Требования к участникам
Врач или человек из околомедицинской среды, понимающий процесс ведения пациента и желания других врачей;
3-4 программиста, желательно обладающие пониманием проблемы и чувством прекрасного (примерно по одному на задачу).

Дополнительно
Потребность в подобной системе высказали сотрудники НИИ детской онкологии, гематологии и трансплантологии им. Р.М. Горбачевой. Команда практически сформирована, но к предложениям открыта.