Konuşmacılar
Açıklama
Yeni teknolojilerin ve işlemsel (computational) yöntemlerin devreye girmesi ile ilaç keşfinde yeni fırsatlar ortaya çıkmıştır. İlaç keşfi işlem hattının (drug discovery pipeline) başlangıcında belirlenen bir hedef hücresel işlev veya hadef protein için bileşiklerin bilgisayar yardımı ile sanal taramaya (virtual screening) tabi tutulması artık yaygın olarak kullanılan bir adımdır. Sanal tarama işleminde bir hedef proteinin bileşiklerle etkileşip etkileşmediği veya bileşik-hedef protein çiftinin birbirlerine olan afinite değeri yapay öğrenme (machine learning) veya derin öğrenme ile tahmin edilebilir. Bu kapsamda araştırma grubumuz DEEPScreen (https://github.com/cansyl/DEEPScreen) ve MDeePred (https://github.com/cansyl/MDeePred) sistemlerini geliştirmiş ve herkesin erişimine açık olarak sunmuştur. DEEPScreen modeli sadece bileşik özelliklerine dayalı, öznitelik çıkarımı için evrişimsel yapay sinir ağı (convolutional neural network) ve sınıflandırıcı için çok katmanlı ileri beslemeli yapay sinir ağı (multi-layer feed-forward neural network) kullanan, ikili (binary-etkileşir veya etkileşmez) sonuç veren, uçtan uca (end-to-end) derin öğrenme modelidir. Bir DEEPScreen modeli sadece bir hedef protein için eğitilir ve birçok bileşik için sanal tarama yapabilir. MDeePred çalışmamızda ise iki girişli yapay sinir ağı (pairwise input neural network) mimarisi uçtan uca çalışacak şekilde kullanılmıştır. İki girişli yapay sinir ağlarında girişlerden birisi hedef protein ve ikinci giriş ise sanal tarama yapılacak olan bileşiktir. Model iki katmandan oluşur. Birinci katmanda hedef protein için bir alt-model ve tarama yapılacak olan bileşik için ayrı bir alt-model vardır ve bu modeller birbirinden bağımsız olarak çalışırlar. İkinci katmanda ise sınıflandırma veya regresör gerçekleştirilir. İki girişli sinir ağı mimarisi aynı zamanda hem bileşik hem de protein özelliklerini kullanan proteokemometrik modelleme (proteochemometric modeling) yöntemleri için uygundur.
Konuşmacı: ODTÜ Elektrik-Elektronik Mühendisliği Bölümünden 1987 yılında mezun olmuş ve ardından 1990 yılında aynı bölümden yüksek lisans derecesi almıştır. 1993 Ekim ayında ise Université Paris Descartes, Paris, Fransa’dan bilgisayar bilimleri alanında doktor ünvanı almıştır. New Jersey Institute of Technology, ABD’de ziyaretçi öğrenci olarak ve Virginia Bioinformatics Institute, Virginia Tech, ABD’de ziyaretçi öğretim üyesi olarak birer yıl geçirmiştir.
1993 Kasım’dan beri ODTÜ Bilgisayar Mühendisliği Bölümü’nde öğretim üyesi olarak çalışmaktadır. ODTÜ’nde Bölüm Başkanı, Rektör Danışmanı ve Rektör Yardımcısı olarak idari görevler üstlenmiş olup 2010-2016 yılları arasında ODTÜ TEKNOKENT Yönetim Kurulu Başkanlığı yapmıştır. Halen Arçelik Araştırma-Geliştirme Danışma Kurulu üyesidir.
Volkan Atalay çeşitli uluslararası dergilerde 34 dergi makalesi ve yaklaşık 70 uluslararası konferans bildirisi yayımlamıştır. Şu ana kadar 9 doktora tezi ve 40 yüksek lisans tezi yöneterek lisansüstü eğitime ve genç araştırmacılara katkıda bulunmuştur.
Volkan Atalay’ın çalışma alanları biyoenformatik için yapay öğrenme (machine learning for bioinformatics), akan veri analitiği (data stream analytics) ve yapay öğrenme uygulamalarıdır (machine learning applications).