Stage: Paralellizazione algoritmo di Simulated Annealing per inferenza di progressioni tumorali

Descrizione

Recenti sviluppi riguardanti terapie specializzate per il trattamento di tumorali si basano su una accurata inferenza della progressione della malattia. Riuscire a capire l’ordine e la frequenza con cui le variazione somatiche vengono acquisite durante una progressione tumorale può aiutare a meglio definire strategie specifiche di trattamento della malattia.

Recentemente il laboratorio di ricerca AlgoLab ha sviluppato e proposto un algoritmo di Simulated Annealing in grado di ricostruire la storia evolutiva dei tumori partendo da dati di sequenziamento Single Cell. Tale algoritmo risulta essere molto competitivo ed é in grado di superare alcune delle limitazioni presenti nei metodi attualmente disponibili nella letteratura.

L’obiettivo di questo stage è di migliorare l’algoritmo esistente permettendo una computazione parallela della fase di ricerca ed esplorazione dell’insieme delle possibili soluzioni.

Obiettivi

L’obiettivo principale dello stage è lo studio e l’analisi dei metodi disponibili in letteratura per parallelizare algoritmi di Simulated Annealing.

Lo stage prevede inoltre l’implementazione ed il testing di uno di essi come estensione di un algoritmo già esistente nel contesto di ricostruzione di progressioni tumorali.

Requisiti

  1. Interesse per la definizione ed implementazione di algoritmi.
  2. Conoscenza del linguaggio di programmazione C.

Stage: Ottimizzazione algoritmo di Maximum Likelihood per inferenza di progressioni tumorali

Descrizione

Recenti sviluppi riguardanti terapie specializzate per il trattamento di tumorali si basano su una accurata inferenza della progressione della malattia. Riuscire a capire l’ordine e la frequenza con cui le variazione somatiche vengono acquisite durante una progressione tumorale può aiutare a meglio definire strategie specifiche di trattamento della malattia.

Recentemente il laboratorio di ricerca AlgoLab ha sviluppato e proposto un algoritmo di Simulated Annealing in grado di ricostruire la storia evolutiva dei tumori partendo da dati di sequenziamento Single Cell. Tale algoritmo risulta essere molto competitivo ed é in grado di superare alcune delle limitazioni presenti nei metodi attualmente disponibili nella letteratura.

L’obiettivo di questo stage é di migliorare l’algoritmo esistente utilizzando un algoritmo efficienti ed ottimizzato per il calcolo di una funzione di Maximum Likelihood Estimation.

Obiettivi

L’obiettivo principale dello stage è lo studio e la definizione di un algoritmo che possa rendere più efficiente il calcolo di una funzione di Maximum Likelihood Estimation applicato ad una struttura ad albero.

Lo stage prevede inoltre l’implementazione e il testing di tale metodo come estensione di un algoritmo già esistente nel contesto di ricostruzione di progressioni tumorali.

Requisiti

  1. Interesse per la definizione ed implementazione di algoritmi.
  2. Conoscenza del linguaggio di programmazione C.

Algolab at ICCABS 2018

ICCABS 2018 is the 8th edition of a series of well-established scientific conferences aiming to bring together leading academic and industry researchers to discuss the latest advances in computational methods for bio and medical sciences.
The 2018 edition was held in Las Vegas from Octtober, 18th through 20th of 2018.

Simone Ciccolella presented a talk:

  • gpps: an ILP-based approach for inferring cancer progressionwith mutation losses from single cell data

for which a preprint can be found here.