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 부산대학교 유전체데이터과학전공 (K-Genome) 또는 의료인공지능융합전공 (학/석/박 연계과정) 을 통해 지원하시면 됩니다.
기본 조건은 다음과 같습니다.
- 현재 이미 영어 회화가 가능한 수준이거나, 혹은 입학 후 6개월 안에 회화가 가능한 수준의 영어실력을 갖출 수 있어야 함
- 파이썬 언어로 코딩이 가능해야 함
- 연구를 재미있어하고 즐기는 사람이어야 함
주요 연구 주제
1. 단일 세포 수준에서의 공간적 체학 (spatial omics) 셀 타입 분석
현재 새로이 각광받고 있는 분야인 공간적 전사체학 (spatially resolved 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 비롯한 새로운 머신 러닝 기법들 및 확률적 도구들을 활용하여 다양한 인간 장기의 공간적 구조를 단일 세포 수준에서 이해해보려 합니다.
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 various biomedical data generated by the latest experimental techniques, including the whole-genome, single-cell omics, or spatial omics methods, based on cutting-edge machine learning and probabilistic tools to uncover novel information that has not been revealed before.
To join our group, apply to the Genomic Data Science Major (K-Genome) or Medical AI Integrated Major (BSc/MSc/PhD integrated course).
Qualifications:
- Fluent in Korean or English, written and spoken
- Able to code in Python
- Having a strong interest in studying computational biology and ready to enjoy it!
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, 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).