Projektni načrti in rezultati

Posted on by

Projekt je organiziran v 3 delovne sklope:

WP1. Nove metode semantičnega rudarjenja podatkov (M1-M36)

Cilj tega delovnega sklopa je razvoj metod semantičnega rudarjenja podatkov za učenje vzorcev iz medsebojno povezanih podatkov. Pristope analize omrežij in rudarjenja podatkov bomo združili v enotno prilagodljivo orodje za hitro odkrivanje vzorcev, ki najbolje opisujejo vhodne podatke. Okolje SDM-Open bo uporabno tudi strokovnjakom iz drugih področij, ki bodo lahko naše metode združili z metodami za analizo drugih podatkov v obliki Linked Open Data.

The goal of WP1 is to develop SDM methods to learn patterns from linked data fusing network analysis with data mining into a single, flexible framework to quickly discover explanations from linked best describing input data. Moreover, the aim is to develop the SDM-Open framework to support experts using the combined methodology in support of Linked Open Data Science analytic processes.

Poročila (izročki):

  • T1.1. Razvoj okvira za združevanje metod za analizo omrežja z metodami za semantično rudarjenje podatkov – Develop a framework to combine network analysis techniques with SDM: 1 konferenčni članek (M18)
  • T1.2 Ocena delovanja metod analize omrežja za semantično rudarjenje podatkov – Assess performance of network analysis methods for SDM: 1 konferenčni članek (M18), 1 revijski članek (M36)
  • T1.3 Ovrednotenje okolja SDM-open z uporabo obstoječih množic podatkov – Evaluate SDM-Open framework using benchmark datasets (M18-M30): interno poročilo (M30)
  • T1.4 Analiza učinka velikosti, tipa in števila baz predznanja na SDM-Open – Analyze effect of size, type and number of background knowledge bases: interno poročilo (M24), 1 revijski članek (M36)

WP3. Aplikacije in vrednotenje (M12-M36)

V tem delovnem sklopu bomo odkrili uporabne in informativne razlage podatkov s področja biologije raka. Uporaba naših metod na tem področju je primerna zaradi velike količine podatkov o sodelujočih molekulah, kar poganja hiter razvoj algoritmov za njihovo analizo. Poleg biologije raka bo projekt pokrival tudi bolezni, povezane s starostjo. Največji poudarek bomo posvetili Alzheimerjevi bolezni in Parkinsonovi bolezni.

WP3 addresses Objective 3, to learn the most informative explanations for use cases related to cancer biology, drug response and age-related diseases. Applying our methods to cancer research is well warranted based on the availability of large amounts of molecular data and very active algorithm developments (as in previous citations). We will specifically focus on the use of EA on cancer module discovery.

We will also address age-related diseases, focusing on Alzheimer’s disease (investigated as part of the Human Brain FET Flagship Project in which the PI’s research group participates) and Parkinson’s disease (investigated in the PD_Manager project coordinated by the PI’s research group).

Poročila (izročki):

T3.1 Izvedba eksperimentov in odkritje zanimivih razlag za več odkritih gruč genov, povezanih z rakavimi obolenji – Perform experiments and obtain explanations for multiple cancer gene clusters: 1 konferenčni članek (M24), 1 revijski članek (M36)

T3.3. Odkritje novih hipotez o pacientih z Alzheimerjevo in Parkinsonovo boleznijo – Find new hypothesis regarding Alzheimer’s and Parkinson’s disease patients.


WP4. Diseminacija rezultatov projekta

Poleg publikacij, načrtovanih v izročkih bomo rezultate projekta razširjali tudi z organizacijo delavnice na temo rudarjenja heterogenih informacijskih omrežjih v sklopu mednarodne znanstvene konference.