Bättre statistiska metoder för ”high-throughput omics” data-analys
Utveckligen av sekvenseringsteknik har lett till en "omics"-revolution inom biologisk och biomedicinsk forskning. Beräkningsverktyg har utvecklats parallellt, allteftersom sekvenseringsmetoderna ("omics") mognat men det finns stora utmaningar i hur omics-data skall analyseras och tolkas på bästa sätt. Wenjiang Deng har arbetat med att utveckla nya statistiska metoder och algoritmer för omicsdata-analys, med hjälp av både simulerade och verkliga cancerdata för att testa metoderna.
Kan du beskriva några resultat från din doktorsavhandling?
– Javisst, i min första studie identifierade vi ett flertal gener associerade med överlevnad för högriskpatienter med neuroblastom, säger Wenjiang Deng, doktorand vid Institutionen för medicinsk epidemiologi och biostatistik. Neuroblastom är den vanligaste och dödligaste cancern hos barn under fem år. Vi tror att våra resultat kommer att vara betydelsefulla för behandling och hantering av patienter. Våra resultat kan också hjälpa till att förstå sjukdomens fysiologiska mekanismer.
Varför blev du intresserad att forska om just detta?
– Vi lever just nu i en tid med "big data", och sekvensdata med hög genomströmning är den dominerande dataformen inom life science. När jag först hörde talas om omics-data blev jag förvånad över dess enorma volym och den stora potentialen för medicinsk forskning. Numera är det ganska enkelt att ta fram sekvensdata, men vi behöver fortfarande effektiva och exakta verktyg för analys, så jag bestämde mig för arbeta med utveckling av algoritmer under min doktorandtid.
Vad kommer härnäst för dig?
– Efter min disputation stannar jag på MEB ett tag för att avsluta mina manuskript. Sedan kommer jag att söka arbete i forskningsbranschen eller bioteknikföretag som utvecklar nya metoder för tidig diagnos av cancer. Jag hoppas att mitt arbete i framtiden ska fortsätta att bidra till människors hälsa.
Avhandling
“Improved statistical methodology for high-throughput omics data analysis.”
Wenjieng Deng, Karolinska Institutet (2021), ISBN: 978-91-8016-279-1