Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

CONVO

Financiado

Cerrado

Convolutional neural networks to reveal resistant phenotypes behind the complex...

Convolutional neural networks to reveal resistant phenotypes behind the complex genotypes of ovarian cancer High-grade serous ovarian cancer (HGSOC), which is the most aggressive type of ovarian cancer, is characterized by the mutation of gene TP53 and extensive copy number variations (CNVs). HGSOC tumors typically show an initial favou... ver más

30/04/2024

HELSINGIN YLIOPIST...

216K€

Presupuesto del proyecto: 216K€

Líder del proyecto

HELSINGIN YLIOPISTO No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo HORIZON EUROPE notifico la concesión del proyecto el día 2024-04-30

HORIZON-MSCA-2021-PF-01-01: MSCA Postdoctoral Fellowships 2021 ExpectedOutcome:

I+D

Cerrada hace 3 años

0% 100% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

1 Participantes

HELSINGIN YLIOPISTO

215.53K€ | Lider

Proyectos interesantes

PredAlgoBC

Medical Technol...

Data Science

185K€ Cerrado

DECIDER

Medical Technol...

Data Science

15M€ Cerrado

OCTIPS

Medical Technol...

Data Science

4M€ Cerrado

HERCULES

Medical Technol...

Data Science

6M€ Cerrado

HGSOC

Medical Technol...

Data Science

178K€ Cerrado

MR O MICS

Medical Technol...

Data Science

1M€ Cerrado

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Duración del proyecto: 24 meses Fecha Inicio: 2022-04-30
Fecha Fin: 2024-04-30

Líder del proyecto

HELSINGIN YLIOPISTO No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 216K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto High-grade serous ovarian cancer (HGSOC), which is the most aggressive type of ovarian cancer, is characterized by the mutation of gene TP53 and extensive copy number variations (CNVs). HGSOC tumors typically show an initial favourable response to standard treatments, however they often acquire resistance and relapse. Currently, there is a need for new therapeutic approaches to combat emerging drug-resistant subpopulations. Although, the scarcity of common targetable oncogenic mutations has complicated the development of directed therapies, the study of CNVs offers a promising opportunity to find new mechanisms of resistance and develop alternative treatments, as it has been described how CNVs can model clonal fitness and therapeutic resistance in other types of cancer. Here, I will explore the impact of the CNVs on the treatment response of HGSOC patients and their distal effects on the transcriptome using convolutional neural networks. This complex machine learning model will be trained with the largest available longitudinal cohort of HGSOC samples at the single-cell resolution and will reveal which CNVs, and their specific combinations, have a relevant role in shaping the HGSOC tumours upon treatment. Employing a systems biology approach I will identify convergent phenotypes within these relevant CNV profiles and then validate their effects on treatment using data from both external cohorts and drug-treated patient derived organoid models. This novel approach enables revealing resistance mechanisms driven by complex genotypes, and thus allows finding specific vulnerabilities to combat emerging resistance in HGSOC.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores