[:no]Bioinformatikk[:en]Bioinformatics[:]

by Audun Gulbrandsen · Published 5. February 2018 · Updated 26. February 2018

[:no][et_pb_section admin_label=”Seksjon” fullwidth=”on” specialty=”off”][et_pb_fullwidth_post_title admin_label=”Fullbreddes innleggstittel” title=”on” meta=”off” author=”on” date=”on” categories=”on” comments=”on” featured_image=”on” featured_placement=”background” parallax_effect=”off” parallax_method=”on” text_orientation=”right” text_color=”light” text_background=”on” text_bg_color=”rgba(21,150,137,0.9)” module_bg_color=”rgba(255,255,255,0)” title_font=”|on|||” title_font_size=”35px” title_all_caps=”off” use_border_color=”off” border_color=”#ffffff” border_style=”solid” module_id=”header-image-and-text”]

[/et_pb_fullwidth_post_title][/et_pb_section][et_pb_section admin_label=”Seksjon” fullwidth=”off” specialty=”off”][et_pb_row admin_label=”Rad”][et_pb_column type=”2_3″][et_pb_text admin_label=”Tekst” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]

En viktig del av arbeidet dreier seg om å analysere DNA på en mest mulig effektiv og presis måte. Det er mange steg i analysen, og hver av disse må optimaliseres for å unngå feil. Feilene kan være både å miste mutasjoner som egentlig finnes, og å finne mutasjoner som egentlig bare er teknisk støy.

Vi arbeider sammen med «International Cancer Genomics Consortium» for å få dette best mulig. Samtidig må analysen være raskest mulig, og den må kunne la seg gjøre innenfor de regneressursene vi har til rådighet.

Datamengdene vi snakker om i dette arbeider ligger innenfor det som kalles tungregning. Det gjelder både for kravene til lagringsmengder og til regneressurser. Vi samarbeider med Universitetet i Oslo for å etablere løsninger som både er tilstrekkelig sikre for pasientsensitive data, og som samtidig har tilstrekkelig kapasitet til å håndtere de ressurskrav som stilles til datamengder og beregning. Men dette er bare en del av det vi arbeider med.

Vi utvikler også løsninger for å samle sammen mest mulig kunnskap om hver mutasjon fra forskjellige internasjonale kunnskapskilder. Dette gjør vi for å legge til rette for tolkningsarbeidet for hver enkelt mutasjon i hver kreftsvulst. Vi samarbeider også med biologene for å forstå sekvenseringsdataene for hver kreftform best mulig.

NCGC bioinformatikkgruppen er også partner i Big Insight Centre for Research-based Innovation. Big Insight, statistics for the knowledge economy, er et nystartet “Senter for forskningsdrevet innovasjon” (SFI) som startet opp i april i år. Senteret skal bidra til økt verdiskapning i samfunnet gjennom å utvikle nye statistiske metoder og verktøy for håndtering og sammenstilling av store og komplekse datasett, “big data”, for privat og offentlig sektor. I senteret inngår Oslo Universitetssykehus med NCGC-partner Eivind Hovig. I tråd med målene i NCGC er en sentral ambisjon i Big Insight å utvikle statistiske redskaper for personrettet behandling, heller enn behandling på gjennomsnittsantakelser i større pasientgrupper, og Hovig tror på gode synergieffekter mellom NCGC og Big insight.

Deltakerne i NCGCs bioinformatikkgruppe er postdoc Sigve Nakken, PhD-student Daniel Vodák, programmerer Ghislain Fournous og prof. Eivind Hovig

Se mer informasjon om Hovigs gruppe

[/et_pb_text][/et_pb_column][et_pb_column type=”1_3″][et_pb_sidebar admin_label=”Nyhetsarkiv og konferanser” orientation=”left” area=”primary” background_layout=”light” remove_border=”off”]
[/et_pb_sidebar][/et_pb_column][/et_pb_row][/et_pb_section][:en][et_pb_section admin_label=”Seksjon” fullwidth=”on” specialty=”off”][et_pb_fullwidth_post_title admin_label=”Fullbreddes innleggstittel” title=”on” meta=”off” author=”on” date=”on” categories=”on” comments=”on” featured_image=”on” featured_placement=”background” parallax_effect=”off” parallax_method=”on” text_orientation=”right” text_color=”light” text_background=”on” text_bg_color=”rgba(21,150,137,0.9)” module_bg_color=”rgba(255,255,255,0)” title_font=”|on|||” title_font_size=”35px” title_all_caps=”off” use_border_color=”off” border_color=”#ffffff” border_style=”solid” module_id=”header-image-and-text”]

A crucial part of the work is to analyse the DNA code in the most efficient and precise way. Each step of the process requires optimisation to prevent errors in the readout.