환영합니다!
우리 그룹 홈페이지에 오신 것을 환영합니다. 우리는 전장 유전체, 단일 세포 체학, 공간적 체학 등 최신 실험 기법들로 생성된 데이터를 다양한 머신 러닝 및 확률적 도구들을 활용하여 분석하고 가공하여 이전에 밝혀지지 않았던 새로운 생명정보를 발굴해내는 연구를 합니다.
저희 연구실에 오시려면 일단 연구 인턴을 고려해 보시는 편이 좋습니다. 기본 조건은 다음과 같습니다:
- 부산대학교 학부 졸업 가능 수준의 영어 수준을 갖추고 있거나 있을 예정이어야 함 (TOEIC 700 이상 또는 그와 동등한 수준)
- 파이썬 언어로 코딩이 가능해야 함
연구 인턴을 지원해보고 싶으신 경우 혹은 생명정보학 분야 진학 관련 상담을 원하시는 경우 제 연구실로 찾아오시거나 이메일 보내주시기 바랍니다.
인턴 과정을 마치고 나서 대학원 진학을 희망하시는 분들은 부산대학교 유전체데이터과학전공 (K-Genome) 또는 정보융합공학과 의생명융합전공으로 진학하게 됩니다. 연구실 석/박사과정으로 선발되신 분들에게는 등록금을 100% 지원해 드리며, 추가로 생활비 또한 보조해 드립니다.
우리는 생명과학 관련 전공 외에도 컴퓨터과학, 데이터과학, 확률 및 통계이론, 물리학, 수학 등 다양한 배경을 지닌 학생들을 선발에 고려합니다. 관심 있으신 분들의 많은 지원을 바랍니다.
주요 연구 주제
1. 단일 세포 수준에서의 공간적 체학 (spatial omics) 셀 타입 분석
현재 새로이 각광받고 있는 분야인 공간 전사체학 (spatial transcriptomics) 은 기존에 불가능했던 생물 조직 (tissue) 내 공간적인 셀 타입 분석을 가능하게 하는 새로운 지평을 열었으나, 이미징된 생물 조직 상에서 각각의 세포를 구분하여 segmentation하는 일은 여전히 쉽지 않은 과제로 남아 있습니다. 이것을 극복하기 위해 우리는 cell segmentation 없이 셀 타입을 분석할 수 있는 도구인 SSAM을 최초로 개발하였고, 이를 기반으로 새로운 머신 러닝 기법들 및 확률적 도구들을 활용하여 다양한 인간 장기를 이해하려 합니다. 특히 우리는 인간/생쥐의 뇌의 공간적 구조를 단일 세포 수준에서 이해해보려 하는 시도를 하고 있으며, 이를 위해 독일 Berlin Institute of Health, 미국 Allen Institute for Brain Science 등 세계 최고 수준의 선도그룹들과 연계하여 연구를 진행하고 있습니다.
(그림: SSAM에 기반한 생쥐 뇌 체성감각피질 (mouse SSp) 의 시각화)
관련논문:
- J. Park et al., “Cell segmentation-free inference of cell types from in situ transcriptomics data”, Nature Communications 12, 3545 (2021).
- Y. Zhang et al., “Reference-based cell type matching of spatial transcriptomics data”, bioRxiv (2022). doi: https://doi.org/10.1101/2022.03.28.486139
2. 체학/다중체학 기반 질환 (암 등) 모델링 및 개인화 치료 표적 발굴
우리는 기존의 전장 유전체 데이터 (whole-genome sequencing data) 및 단일세포 체학 (single-cell omics) 데이터뿐만 아니라 공간적 체학 (spatial omics) 데이터, 그리고 이들을 동시에 정량화할 수 있는 최신 다중체학 (multi-omics) 기술을 통해 얻은 데이터 등을 분석함으로써 암과 같은 다양한 질환, 특히 종양 미세환경 (tumor microenvironment)을 단일 세포 수준에서 공간적으로 이해하고, 또 기존의 단일 세포 체학 (예를 들어, 단일세포 전장 유전체 분석) 에서의 분석 결과를 공간상에 결합하여 기존에는 불가능했던 공간적 유전변이의 분포 등을 확인하는 연구 등에 관심을 갖고 있습니다. 또한 질환에 대한 공간적 이해를 바탕으로 개인화 치료에 활용될 수 있는 새로운 표적 경로 (pathway)를 발굴하고, 기존에 알려지지 않았던 다양한 약물의 작용 기전을 밝히며, 또한 약물 저항성을 극복할 수 있는 방안 또한 연구하고자 합니다.
관련논문:
- J. Jabs et al., “Screening drug effects in patient‐derived cancer cells links organoid responses to genome alterations”, Molecular Systems Biology 13, 955 (2017).
- T. G Krieger et al., “Modeling glioblastoma invasion using human brain organoids and single-cell transcriptomics”, Neuro-oncology, noaa091 (2020).
- L. Tosti et al., “Single-Nucleus and In Situ RNA–Sequencing Reveal Cell Topographies in the Human Pancreas”, Gastroenterology 160 (4), 1330-1344.e11 (2021).
3. 웹 기반 생명정보학 분석 인터페이스 개발 및 데이터베이스 구축
현재까지 여러가지 다양한 생명정보학 도구들이 개발되어 왔으나, 여전히 정보학적 지식 (예를 들어, 리눅스 사용법이나 C++/Python/R 등 프로그래밍 언어에 대한 이해) 이 없이는 이들을 쉽게 사용하기가 어려운 경우가 많습니다. 우리는 이러한 도구들을 웹 기반으로 새로이 인터페이스를 제작하여 접근성을 늘리고, 특히 실험을 주로 하시는 분들도 생명정보학적 분석을 좀 더 쉽게 할 수 있게 하고자 합니다. 또 더 나아가, 여러가지 생명정보학 데이터를 총 망라한 웹 기반 데이터베이스를 구축하여 다양한 체학 데이터 분석 알고리즘 개발에 유용하게 활용될 수 있도록 하고, 이를 통하여 분야간 간극을 줄이고 교류를 늘리며, 서로 협업하기 쉬운 환경을 조성하고자 합니다.
관련논문:
- S. Bae et al., “Cas-OFFinder: a fast and versatile algorithm that searches for potential off-target sites of Cas9 RNA-guided endonucleases”, Bioinformatics 30 (10), 1473-1475 (2014).
- J. Park et al., “Cas-Database: web-based genome-wide guide RNA library design for gene knockout screens using CRISPR-Cas9”, Bioinformatics 32 (13), 2017-2023 (2016).
- J. Park et al., “Digenome-seq web tool for profiling CRISPR specificity”, Nature Methods 14 (6), 548-549 (2017).
Welcome!
We process and analyze biomedical data generated by the latest experimental techniques, including whole-genome, single-cell, or spatial omics methods, based on cutting-edge machine learning and probabilistic tools to uncover novel information that has not been revealed yet.
To join our group, you may consider applying for a research internship first. Our criteria for selecting interns are as follows:
- Should be fluent in Korean or English, written and spoken
- Should be able to code in Python
If you are interested in a research internship or seeking advice on studying bioinformatics, please drop by my office or email me.
After a successful internship, you can choose a Genomic Data Science Major (K-Genome) or Biomedical Convergence Major at the Department of Information Convergence Engineering (in the case of a BSc/MSc/PhD integrated course). For those selected for our lab's master's/doctoral programs, we provide tuition support and a living stipend.
We consider students from a variety of backgrounds for selection, including but not limited to life sciences, computer science, data science, probability and statistical theory, physics, and mathematics.
Research Interests
1. Cell-type analysis of spatial omics data at the single-cell level
Spatially resolved transcriptomics is revolutionizing the field, by enabling understanding of the unknown spatial heterogeneity of cell-type distribution within a tissue, which was not previously possible with "traditional" single-cell omics methods. However, the cell segmentation of spatial data remains a challenging task. To overcome this, we utilize powerful machine learning and probabilistic techniques, including SSAM, a novel method that can analyze spatial cell type heterogeneity at the single-cell level without cell segmentation.
Related publications:
- J. Park et al., “Cell segmentation-free inference of cell types from in situ transcriptomics data”, Nature Communications 12, 3545 (2021).
- Y. Zuang et al., “Reference-based cell type matching of spatial transcriptomics data”, bioRxiv (2022). doi: https://doi.org/10.1101/2022.03.28.486139
2. Personalized medicine via omics/multi-omics based disease modeling (e.g., cancer)
We model various diseases such as cancer (especially tumor microenvironment) in a spatial context, by mapping the whole-genome sequencing, single-cell omics, or multi-omics data to the spatial omics data. Based on the profound spatial understanding of diseases, we aim to discover novel target pathways that can be used for personalized medicine, and also study the dynamics of the small-molecule drugs in a spatial context to find a way to overcome the current bottlenecks of personalized medicine, e.g., drug resistance.
Related publications:
- J. Jabs et al., “Screening drug effects in patient‐derived cancer cells links organoid responses to genome alterations”, Molecular Systems Biology 13, 955 (2017).
- T. G Krieger et al., “Modeling glioblastoma invasion using human brain organoids and single-cell transcriptomics”, Neuro-oncology, noaa091 (2020).
- L. Tosti et al., “Single-Nucleus and In Situ RNA–Sequencing Reveal Cell Topographies in the Human Pancreas”, Gastroenterology 160 (4), 1330-1344.e11 (2021).
3. Web-based bioinformatics analysis interface and big bioinformatics database development
To date, a variety of bioinformatics tools have been developed, but many of them are still difficult for benchworkers to use without an informatics background (e.g., getting used to the Linux environment, or programming languages such as C++/Python/R). We aim to develop novel web-based interfaces to increase the accessibility of such tools. Furthermore, we plan to establish web-based big bioinformatics databases so that they can be useful for not only developing data analysis algorithms but also for reducing gaps between fields, and promoting interdisciplinary research.
Related publications:
- S. Bae et al., “Cas-OFFinder: a fast and versatile algorithm that searches for potential off-target sites of Cas9 RNA-guided endonucleases”, Bioinformatics 30 (10), 1473-1475 (2014).
- J. Park et al., “Cas-Database: web-based genome-wide guide RNA library design for gene knockout screens using CRISPR-Cas9”, Bioinformatics 32 (13), 2017-2023 (2016).
- J. Park et al., “Digenome-seq web tool for profiling CRISPR specificity”, Nature Methods 14 (6), 548-549 (2017).
