A neurális hálózatok egyre szélesebb körű alkalmazása a biológiai és orvosi adatfeldolgozásban új kihívásokat vet fel az értelmezhetőség, az általánosíthatóság és a biológiai plauzibilitás szempontjából. A klasszikus, tisztán adatvezérelt mélytanulási modellek gyakran nehezen illeszthetők a meglévő biológiai tudáshoz, és eredményeik magyarázata sok esetben korlátozott.

A biológiailag informált neurális hálózatok (Biologically Informed Neural Networks, BINN) célja, hogy a tanulási folyamatba explicit módon beépítsék a biológiai előismereteket, például gén–gén kölcsönhatásokat, jelátviteli útvonalakat, fehérje–fehérje interakciókat vagy hierarchikus ontológiákat. Ezáltal olyan modellek hozhatók létre, amelyek strukturáltabbak, jobban értelmezhetők, és potenciálisan robusztusabbak korlátozott mintaszám esetén is.

A témakiírás célja egy biológiailag informált neurális hálózati modell megtervezése, implementálása és alkalmazása valós, publikus biológiai adatkészleteken. A hallgató feladata olyan modellarchitektúra kialakítása, amelyben a hálózat szerkezete vagy regularizációja biológiai tudáson alapul (pl. génútvonalak, hálózatok, ontológiák). A modellt tanítani, tesztelni és kiértékelni kell egy releváns predikciós feladaton (pl. betegségkimenetel, fenotípus, gyógyszerhatás).

A munka fontos része magyarázhatósági módszerek alkalmazása (pl. feature-attribution, pathway-szintű aggregáció, gradiens-alapú vagy perturbációs technikák), valamint az eredmények összevetése hagyományos, nem biológiailag informált neurális hálózatokkal. A cél annak vizsgálata, hogy a biológiai priorok hogyan befolyásolják a teljesítményt, a stabilitást és az értelmezhetőséget.

Feladatok jellege:

• Publikus biológiai adatkészletek feldolgozása

• Biológiai előismeretek formális reprezentálása (hálózat, hierarchia, maszkok, regularizáció)

• Biológiailag informált neurális hálózati modell tervezése és implementálása

• Modell tanítása, tesztelése és kvantitatív kiértékelése

• Magyarázhatósági algoritmusok alkalmazása és összehasonlító elemzése

• Eredmények kritikus értelmezése biológiai szempontból

Keretrendszer:

• PyTorch

• (opcionálisan) PyTorch Geometric, NumPy, pandas