НОВОСИБИРСК, 7 июля. /ТАСС/. Первая за Уралом специализированная лаборатория молекулярного инжиниринга для ускорения фармацевтических разработок, внедрения новых методов и производства биопрепаратов создана в Новосибирском государственном университете. Одной из ее задач станет поиск новых вирусов, сообщили ТАСС в пресс-службе вуза.

"Одно из перспективных направлений для лаборатории - это анализ виромов (совокупности вирусов) с помощью метагеномного и биоинформационного анализа в партнерстве с научно-исследовательскими институтами СО РАН. В основе анализа лежат методы, с помощью которых можно прочитать одновременно несколько участков разных геномов в различных образцах. Сегодня проблемой является анализ миллиардов доступных последовательностей, количество которых с каждым годом увеличивается в геометрической прогрессии. Таким образом, передовые технологии позволят ускорить процесс выявления новых вирусов даже на основе уже доступных и опубликованных данных", - цитирует пресс-служба главу лаборатории Елену Прокопьеву.

Среди научных партнеров нового подразделения - институты СО РАН и государственный научный центр "Вектор" Роспотребнадзора. Также лаборатория сотрудничает с иностранными партнерами, такими как Цинхайский университет и Восточно-Китайский педагогический университет (Китай), РГП "Институт генетики и физиологии" (Казахстан). Лаборатория полностью ориентирована на решение прикладных задач, которые стоят перед современной фармацевтической отраслью и биомедициной. Прежде всего, речь идет о быстром внедрении новых методов фармацевтических разработок, расширении междисциплинарных исследований, интеграции искусственного интеллекта и анализа больших данных в биологию и медицину, а также о формировании современной образовательной среды для подготовки специалистов нового поколения, в том числе и обучающихся из различных стран.

Она будет располагаться на площади нового кампуса. Сейчас в ее состав входят представители ведущих научно-исследовательских центров Новосибирска и Томска. В лаборатории планируется использовать модели машинного обучения для анализа биомедицинских данных, таких как геномные, транскриптомные и протеомные, поскольку эти методы позволяют эффективно выявлять сложные закономерности и взаимосвязи в больших и многомерных наборах данных.