"Molti dei precedenti vincitori di questo premio e il loro lavoro sono stati per me fonte di grande ispirazione e molto importanti".

Come ci si sente ad essere vincitori del Premio il SIB?

È fantastico. È particolarmente significativo per me perché molti dei precedenti vincitori di questo premio e il loro lavoro sono stati fonte di grande ispirazione e importanti per me. È un onore essere al loro fianco.

Cosa significa questo riconoscimento per te e per la tua ricerca?

È estremamente importante. Essendo all'inizio della mia carriera di ricercatore, sto ancora cercando di farmi un nome nel settore. L'opportunità di presentare il nostro lavoro davanti a così tante figure di spicco della biologia computazionale rappresenta una fantastica occasione per farlo.

È anche piuttosto intimidatorio intraprendere una nuova direzione di ricerca, in particolare in un campo più ristretto come la spettrometria di massa computazionale per piccole molecole. Sapere che altre persone considerano interessante questo lavoro è una grande conferma che ci spingerà a continuare a portare avanti questa linea di ricerca.

Perché ritiene che premi come questo siano importanti per la bioinformatica?

Questi premi danno un'enfasi insolita allo sviluppo di risorse e software, oltre alle scoperte convenzionali che molte altre istituzioni e comunità apprezzano. Ho trovato sorprendente, ad esempio, che Robert Waterhouse [ed. Comitato del SIB Bioinformatics Award] mi abbia presentato alla cerimonia di premiazione menzionando che avevo sviluppato alcuni pacchetti Bioconductor. Tale enfasi è ottima, poiché è uno dei modi più importanti in cui si può contribuire alla bioinformatica e alla più ampia comunità delle scienze della vita.

Cosa vorresti condividere sulle persone, le collaborazioni o anche le risorse della bioinformatica che hanno reso possibile tutto questo?

Ottima domanda. Si tratta di risorse a tutti i livelli, per così dire. In primo luogo, avevamo bisogno di accedere a un database sul metabolismo per addestrare il nostro modello. In secondo luogo, il nostro lavoro di scoperta di nuovi metaboliti si è basato, in parte, su archivi pubblici di esperimenti metabolomici che i ricercatori hanno condiviso pubblicamente con il mondo. Utilizzando questi dati, abbiamo potuto convalidare le previsioni sui nuovi metaboliti che erano state fatte a livello computazionale. In terzo luogo, abbiamo anche sfruttato approcci di apprendimento automatico esistenti, alcuni dei quali sono stati sperimentati per la prima volta, ad esempio, nell'industria farmaceutica.

Per svolgere il nostro lavoro ci appoggiamo alle spalle di giganti.

Qualche consiglio per le future generazioni di bioinformatici?

Il mio consiglio è di leggere il più possibile. Leggere articoli più vecchi, anche di decenni fa, mi ha insegnato molto sulle insidie e sull'importanza di mettere in discussione le osservazioni che si fanno.

Quali sono i tuoi attuali interessi di ricerca?

Il mio gruppo è interessato in generale allo sviluppo di metodi computazionali per scoprire nuovi metaboliti. Man mano che abbiamo ottenuto maggiori successi nella scoperta di metaboliti, la nostra attenzione si è spostata verso la caratterizzazione funzionale di tali metaboliti. Ad esempio, prevedere a quali enzimi potrebbero legarsi o in quali processi biologici sono coinvolti.

Un altro tema importante è lo sviluppo di modelli di machine learning migliori, ad esempio attraverso l'apprendimento da dati non etichettati. Gran parte della potenza dei grandi modelli linguistici come ChatGPT deriva dall'addestramento su testi non etichettati. Insieme ad altri laboratori in tutto il mondo, abbiamo sperimentato modelli di addestramento con dati di spettrometria di massa non etichettati.