Biohack II exemplary tasks

Task 1

EN:

Immunogenicity prediction of viral neoantigens in murine hosts.

Description:

The growing amount of experimental data allows for the creation of better models deciphering mechanisms of the adaptive immune response. Such models may be useful in cancer immunogenomics for personalized vaccine design and to predict the clinical outcome of cancer treatments. While there is a limited human clinical dataset available, the analysis of data obtained from murine studies could provide useful scientific insights. For this purpose, a curated dataset of T cell (CD8+) immunogenic response to viral peptides presented on murine Major Histocompatibility Complex (MHC) class I molecules, measured using cytotoxicity and IFNγ release assays, will be provided. The task is to build a model predicting the probability of peptide-MHC (pMHC) immunogenicity. The performance of the model will be evaluated on an independent test set.

PL:

Przewidywanie immunogenności neoantygenów wirusowych  prezentowanych na mysich białkach MHC

Opis:

Rosnąca ilość danych eksperymentalnych umożliwia tworzenie coraz lepszych modeli służących do rozszyfrowywania mechanizmów adaptacyjnej odpowiedzi immunologicznej. Mogą one być przydatne między innymi w badaniach immunogenomicznych nowotworów, co umożliwia projektowanie spersonalizowanych szczepionek lub przewidywanie wyników immunoterapii. W związku z ograniczoną liczbą badań klinicznych, użyteczne okazuje się też wykorzystanie wyników analizy danych z badań na modelach mysich, które posiadają podobny mechanizm aktywacji limfocytów T. Udostępniony zostanie zestaw danych dotyczących odpowiedzi limfocytów T (CD8+) na peptydy wirusowe, prezentowane na mysich białkach  MHC klasy I, mierzone za pomocą testów cytotoksyczności i uwalniania IFNg. Zadaniem jest zbudowanie modelu przewidującego prawdopodobieństwo, że kompleks pMHC będzie immunogenny (tzn będzie indukował pozytywną odpowiedź limfocytów T CD8+), który zostanie oceniony na niezależnym zestawie danych testowyc

Task 2

Title:

Feature space engineering for optimal classification of virome dataset.

Description:

With increased understanding of the role that gut microbiota plays in human health, there is a plethora of diagnostic opportunities waiting to be explored. Metagenomic data is a huge reservoir of potential biomarkers associated with patient’s health state. However, the size of such datasets and its complexity requires establishing a feature engineering approach allowing for high quality selection of most valuable biomarkers. The task is to build a feature table from provided metagenomic sequencing data. The feature table will be evaluated with machine learning models on a classification task indicated by the organizers.

PL:

Title:

Budowa reprezentacji danych dla optymalnej klasyfikacji metagenomicznych danych wirusowych

Opis:

Rosnące zrozumienie roli mikrobiomu w ludzkim zdrowiu otwiera pole dla rozwoju nowych metod terapeutycznych i diagnostycznych.

Dane metagenomiczne stanowią ogromny rezerwuar potencjalnych biomarkerów związanych ze statusem pacjenta.

Niestety ogromny rozmiar oraz poziom skomplikowania danych z sekwencjonowania  wymaga intensywnego procesu ‘feature engineeringu’ pozwalającego na identyfikację cech najbardziej wartościowych pod kątem stosowalności.

Celem zadania jest stworzenie macierzy cech która zostanie użyta przez dostarczone przez organizatorów modele predykcyjne w zadaniu klasyfikacji.

Task 3

ENG

Title:

Predicting response to cancer immunotherapy

Description.

In cancer immunotherapy, the patient’s immune system is stimulated to destroy tumor cells, which has proven effective in numerous indications. However, only 20-40% of patients respond to immunotherapy and one of the challenges in cancer research is to predict which patients will be responders.

A dataset related to patients who underwent cancer immunotherapy will be provided with

patients’ clinical information, RNA sequencing data and response status. The task is to build a model predicting the patient’s probability of response to immunotherapy. The performance will be evaluated on an independent test set.

PL:

Tytuł:

Przewidywanie odpowiedzi na immunoterapię nowotworów

Opis:

W immunoterapii nowotworów układ odpornościowy pacjenta jest stymulowany do niszczenia komórek nowotworowych, co okazało się skuteczne w wielu wskazaniach. Jednak tylko 20-40% pacjentów reaguje na immunoterapię, a jednym z wyzwań w badaniach nad rakiem, jest przewidywanie, którzy pacjenci będą odpowiadać na terapie.

Udostępniony zostanie zestaw danych dotyczących pacjentów, którzy przeszli immunoterapię nowotworową wraz z danymi klinicznymi, danymi sekwencjonowania RNA i informacją o odpowiedzi na terapię. Zadaniem jest zbudowanie modelu przewidującego prawdopodobieństwo odpowiedzi pacjenta na immunoterapię. Wydajność zostanie oceniona na niezależnym zestawie danych.