Mobiele menu

COMPUTE CANCER: CO-data Moderated Prediction Underpinning Therapy personalization and Early diagnostics of CANCER

Hoe maak je systematisch gebruik van big data om op basis van genetische profielen een accurate voorspelling te doen voor het succes van een behandeling? Of om een diagnostische genetische test te ontwikkelen op weefselmateriaal dat men van zichzelf kan afnemen? Het COMPUTE Cancer project ontwikkelt methoden waarmee m.b.v. big data beter de spelden in de hooiberg van de genetische profielen gevonden kunnen worden. Veel genetische voorspelmodellen reproduceren slecht in andere situaties dan waarin ze zijn ontwikkeld. Door meer databronnen te gebruiken beoogt het COMPUTE Cancer project dit te verbeteren. Denk hierbij aan genetische profielen van soortgelijke studies en aan data van cellijnmodellen voor kankertherapie. Deze vaak publiekelijk beschikbare big data worden als extra data meegewogen in het voorspelmodel. Zo lichten de spelden beter op in de hooiberg en worden betrouwbare genetische voorspellingsmarkers gevonden. Deze zijn dan de basis voor betere genetische testen voor kanker.

Producten

Titel: Flexible co-data learning for high-dimensional prediction
Auteur: Mirrelijn M. van Nee, Lodewyk F.A. Wessels, Mark A. van de Wiel
Magazine: Statistics in Medicine
Titel: Fast marginal likelihood estimation of penalties for group-adaptive elastic net
Auteur: Mirrelijn M. van Nee, Tim van de Brug and Mark A. van de Wiel
Magazine: Computational and Graphical Statistics
Titel: Designing DNA-based predictors of drug response using the signal joint with gene expression
Auteur: Soufiane M.C. Mourragui Marco Loog Mirrelijn van Nee Mark A van de Wiel Marcel J.T. Reinders Lodewyk F.A. Wessels
Magazine: BioRxiv
Titel: Predicting patient response with models trained on cell lines and patient-derived xenografts by nonlinear transfer learning
Auteur: Soufiane M. C. Mourragui Marco Loog Daniel J. Vis Kat Moore Anna G. Manjon Mark A. van de Wiel Marcel J. T. Reinders Lodewyk F. A. Wessels
Magazine: Proceedings of the National Academy of Sciences
Titel: Fast cross-validation for multi-penalty ridge regression
Auteur: Mark A. van de Wiel, Mirrelijn M. van Nee and Armin Rauschenberger
Magazine: Computational and Graphical Statistics
Titel: Identifying commonalities between cell lines and tumors at the single cell level using Sobolev Alignment of deep generative models
Auteur: Soufiane M.C. Mourragui Joseph C. Siefert Marcel J.T. Reinders Marco Loog Lodewyk F.A. Wessels
Magazine: BioRxiv
Titel: PRECISE: a domain adaptation approach to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Mourragui, S., Loog, M., Van De Wiel, M. A., Reinders, M. J., & Wessels, L. F.
Magazine: Bioinformatics
Link: https://academic.oup.com/bioinformatics/article/35/14/i510/5529136
Titel: Domain adaptation to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Mourragui S, Loog M, van de Wiel MA, Reinders MJT, Wessels LFW
Titel: Bayesian learning from omics co-data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: Co-data learning from omics
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: PRECISE: A domain adaptation approach to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Mourragui S, Loog M, van de Wiel MA, Reinders MJT, Wessels LFW
Titel: Co-data learning in ridge models for high-dimensional data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: Domain adaptation is an essential step to transfer predictors of drug response from cell lines to tumors
Auteur: Mourragui S, Loog M, van de Wiel MA, Reinders MJT, Wessels LFW
Titel: Learning from co-data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: Improving prediction by using co-data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: TrickleDown: Multi-omics integration for robust drug response prediction
Auteur: Soufiane Mourragui
Titel: PRECISE: a domain adaptation approach to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Mourragui S, Loog M, van de Wiel MA, Reinders MJT, Wessels LFW
Titel: Co-data learning in high dimensional prediction problems
Auteur: Mirrelijn van Nee, Magnus Münch, Mark van de Wiel
Link: https://cnc21.sciencesconf.org/resource/page/id/5
Titel: Improving prediction by using co-data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: Learning from co-data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: Squeezing sparsity from ridge
Auteur: Mirrelijn van Nee, Tim van de Brug, Mark van de Wiel
Titel: Learning from co-data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: A versatile non-linear transfer learning framework for correcting pre-clinical-based predictors of drug response
Auteur: Soufiane Mourragui
Titel: PRECISE: A domain adaptation approach to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Soufiane Mourragui
Titel: Co-data learning from omics
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: Domain adaptation is an essential step to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Mourragui S, Wessels LFW
Titel: Squeezing sparsity from ridge
Auteur: Mirrelijn van Nee, Tim van de Brug, Mark van de Wiel
Titel: PRECISE: a domain adaptation approach to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Mourragui S, Loog M, van de Wiel MA, Reinders MJT, Wessels LFW
Titel: Learning from co-data
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: How co-data take omics to the next level
Auteur: Mirrelijn van Nee, Mark van de Wiel
Titel: Identifying commonalities between cell lines and tumors at the single cell level using Sobolev Alignment of deep generative models
Auteur: Soufiane M.C. Mourragui Joseph C. Siefert Marcel J.T. Reinders Marco Loog Lodewyk F.A. Wessels
Titel: Domain adaptation is an essential step to transfer predictors of drug response from pre-clinical models to tumors
Auteur: Mourragui S, Loog M, van de Wiel MA, Reinders MJT, Wessels LFW
Titel: R-package squeezy
Auteur: Mirrelijn van Nee, Tim van de Brug, Mark van de Wiel
Link: https://cran.r-project.org/web/packages/squeezy/index.html
Titel: R-package multiridge
Auteur: Mark van de Wiel, Mirrelijn van Nee, Armin Rauschenberger
Link: https://cran.r-project.org/web/packages/multiridge/index.html
Titel: TRANSACT Python package
Auteur: Soufiane Mourragui
Titel: Percolate Python package
Auteur: Soufiane Mourragui
Link: https://github.com/saroudant/Percolate
Titel: co-data learning: R shiny app
Auteur: Magnus Münch, Mark van de Wiel
Link: https://magnusmunch.shinyapps.io/codata-app/
Titel: R-package ecpc
Auteur: Mirrelijn van Nee, Lodewyk Wessels, Mark van de Wiel
Link: https://cran.r-project.org/web/packages/ecpc/index.html
Titel: PRECISE Python package
Auteur: Soufiane Mourragui
Titel: Sobolev Alignment Python package
Auteur: Soufiane Mourragui
Link: https://github.com/saroudant/sobolev_alignment
Titel: Co-data learning
Auteur: Mirrelijn M. van Nee
Titel: COMPUTATIONAL MODELS FOR CLINICAL DRUG RESPONSE PREDICTION
Auteur: Soufiane Mourragui

Onderwerpen

Kenmerken

Projectnummer:
91216012
Looptijd: 100%
Looptijd: 100 %
2017
2023
Gerelateerde programma's:
Gerelateerde subsidieronde:
Projectleider en penvoerder:
Prof. dr. ir. M.A. van de Wiel
Verantwoordelijke organisatie:
Amsterdam UMC - locatie VUmc