Samarbejde er nøglen til videnskabelige landvindinger inden for datavidenskab. Derfor bevilger Novo Nordisk Fonden i alt 45 mio. kr. til to store forskningssamarbejder, der skal finde svar på vigtige videnskabelige spørgsmål på tværs af fagområder og geografi.
Det sker gennem fondens Data Science Collaborative Research Programme, som har til formål at understøtte excellente og ambitiøse ideer som udspringer i datavidenskab – et forskningsfelt, som omfatter bl.a. kunstig intelligens, maskinlæring og håndtering af store datasæt.
Det ene projekt hedder ”Machine learning methods for data-driven discovery of antibiotic resistance plasmid dissemination and evolution” og skal skabe en bedre forståelse af, hvordan antibiotikaresistens opstår. Konkret vil forskerne bruge kunstig intelligens og maskinlæring til at få mere viden om små DNA-stykker, der kaldes plasmider, som kan overføre genetiske egenskaber, herunder antibiotikaresistens, mellem bakterier.
At blive klogere på plasmiderne er ikke så ligetil. Først og fremmest er det nødvendigt at kunne identificere, hvornår der er tale om et plasmid, og hvornår der er tale om en del af en bakteriens eget DNA. Det er en arbejdskrævende proces, der kræver meget regnekraft. Derfor er det en meget stor fordel, hvis der kan udvikles teknologier, der selv kan identificere de afgørende mønstre og strukturer og dermed aktivt kan afgøre, hvor bakterierne stopper og plasmiderne starter. På nuværende tidspunkt findes en sådan teknik ikke, og derfor er første skridt at bygge selve den avancerede beregningsmodel, der kan hjælpe med at identificere plasmiderne.
Når beregningsmodellen er på plads, kan forskerne begynde at lede efter vigtig viden om, hvordan antibiotikaresistens og andre egenskaber, positive såvel som negative, bliver udvekslet på mikrobielt niveau.
Professor Søren Sørensen fra Biologisk Institut på Københavns Universitet er leder af projektet, og han sammenligner forskningen med at lægge et puslespil, hvor en masse af brikkerne på nuværende tidspunkt ligner hinanden for meget til, at man kan se, hvor de passer ind i motivet.
”Vi skal samle et puslespil, hvor plasmid-brikkerne udgør et problem. Det skyldes, at vi ved så lidt om plasmiderne, at deres umiddelbare egenskaber ligner hinanden så meget, at vi står med en masse identiske brikker, som vi ikke kan placere. Når vi får mere viden om plasmiderne vil de adskille sig i udseende fra hinanden, så vi kan placere dem korrekt,” forklarer Søren Sørensen, der skal finde denne nye viden i samarbejde med forskere fra Novo Nordisk Foundation Center for Protein Research ved Københavns Universitet og Universität Bielefeld i Tyskland.
Maskinlæring skræddersyet til life-science
Det andet projekt hedder ”Center for Basic Machine Learning Research in Life Science” og vil skabe et forskningssamarbejde om at bruge maskinlæring indenfor fundamentale problemstillinger på life-science-området. Centret er forankret på Biologisk Institut på Københavns Universitet og samler desuden ledende forskere inden for maskinlæring på DTU Compute, Danmarks Tekniske Universitet og Datalogisk Institut, Københavns Universitet.
De fleste af os er bekendt med maskinlæring i forbindelse med analyser af billeder, tekst og tale gennem services, som er blevet gjort til allemandseje af en række store teknologivirksomheder. Maskinlæring har endnu ikke nydt samme udbredelse inden for life-science-området, og derfor vil det nye center sætte ind netop her for at opdage nye mønstre og skabe nye videnskabelige resultater på baggrund af data, der har deres oprindelse i life-science.
Data i life-science er ofte mangelfulde og støjfyldte, hvilket kan gøre det svært at bruge maskinlæring. Et af formålene for forskningssamarbejdet er at finde bedre metoder til at udvikle datarepræsentationer, så de bliver mere velegnede til maskinlæring. Derfor vil centret udvikle fundamentale maskinlæringsalgoritmer og -metoder, som specielt vil være velegnede inden for life-science. De skal blandt andet kunne håndtere den usikkerhed, der er i støjfyldte data.
”Data kommer fra vidt forskellige kilder. Derfor er det vigtigt at have modeller, der kan tygge på forskelligartede data og integrere dem i en samlet model. Vi vil også arbejde på at indbygge usikkerheder i modellerne og dermed give dem ekstra værdi inden for life-science,” forklarer professor Ole Winter fra Biologisk Institut på Københavns Universitet, som modtager bevillingen til at oprette det nye center.
Bevillingerne uddeles i fri konkurrence gennem Data Science Collaborative Research Programme, og er to af i alt 12 projekter, der i 2020 har modtaget støtte gennem Novo Nordisk Fondens nye satsning Data Science Initiative. Der er i initiativet afsat 410 mio. kr. i perioden 2020-2022. Programmerne for 2021 åbner i slutningen af december 2020.
”De to bevillinger, vi har givet til forskningssamarbejde, er et udtryk for, hvor vigtigt det er, at forskere på tværs af institutioner og med forskellige ekspertiser går sammen for at videreudvikle forskningen. Inden for datavidenskab, hvor der er stor international konkurrence, er det særligt vigtigt at udnytte den synergi, der opstår, når man får slået kompetencerne sammen i stedet for, at landets eksperter på området sidder hver for sig. I dette tilfælde giver 1+1 faktisk mere end 2,” siger Lene Oddershede, Senior Vice President, Natural & Technical Sciences, Novo Nordisk Fonden.
Data Science Collaborate Research-bevillinger 2020
“Machine learning methods for data-driven discovery of antibiotic resistance plasmid dissemination and evolution, professor Søren Sørensen, Biologisk Institut, Københavns Universitet: 14.983.392 kr.
“Center for Basic Machine Learning Research in Life Science”, Ole Winther, Biologisk Institut, Københavns Universitet: 29.984.002 kr.
Yderligere information
Sabina Askholm Larsen, Communications Partner, Novo Nordisk Fonden, tlf.: 2367 3226, [email protected]
Søren Sørensen, professor, Københavns Universitet, tlf. 5182 7007, [email protected]
Ole Winther, professor, Københavns Universitet, tlf. 3011 3583, [email protected]
