报告题目：Computational Systems Medicine: Look Forward
报告人：周小波 教授
主持人：浦剑
邀请人：王骏 教授
报告时间：2017年11月21日15:00-16:30
报告地点：华东师大中北校区数学馆201室
报告人简介：

       周小波博士目前是美国著名的私立大学维克森林大学 (US news 排名在 23-27)的终身正教授，生物信息与系统生物研究中心主任，生物信息学首席科学家。他目前领导四个实验室的研究工作。整个美国团队共有 30 多名研究人员。周博士长期从事数据挖掘，生物信息学，系统生物学， 和生物医学成像的研究并作出了卓有显著的贡献。他和他的同事们最早开创了高含量的细胞成 像信息学领域，系统优化指导下的临床手术和设备，以及系统生物学中的多尺度建模在癌症与 再生医学领域的应用。他是可以联合基因组学，蛋白质组学，细胞成像, 组织和器官水平成像 和建模，以及提高临床诊断和治疗的极少数科学家之一。周博士在大数据挖掘，云计算，人工 智能，机器学习，生物信息学，精准医疗，系统生物学，生物医学成像，图像处理和模式识别， 药物靶标预测, 测序数据分析,磷蛋白质组学的信号通路研究, 细胞与细胞的相互作用建模, 癌症干细胞小环境建模, 免疫系统建模，肾组织再生医学系统建模研究，計算机辅助的手術治疗，以及系统建模指导下的药物治疗系统等有着多年的研究经验。 

      他发表了近 200 多篇期刊论文，其中不少发表在他的领域中的顶尖期刊上如 Science，Nature Series, Proc. of IEEE，IEEE Transactions，Cancer Research，Nucleic Acids Research， Biomaterials，Bioinformatics 等。总影响因子超过了 800，他的论文在过去的五年被引用次数超过了 5000 次。 他另外出版了 10 本书籍章节，会议 论文 100 多篇，和 2 本专著。他的个人化治疗的大数据库系统和多次度模型优化的骨再生系统 具有很大的市场价值。自 2005 年来，周博士从美国 NIH 获得了超过 3000 万美元的研究经费。 其中包括六 6 个 NIH R01(PI)3 个 NIH U01(PI)，和 6 个 NIH R01(Co-PI)。周博士还组织了美 国 NIH NCI U54 癌症干细胞系统建模研究中心(Co-PI)，基于学习的临床大数据卫生系统的网 络研究中心(site PI of PCORI with Harvard)， NIH CTSA U54 临床和转化研究中心(临床与 转化医学信息部主任)，NCI 指定的综合性癌症中心-癌症生物信息主任，以及 NIA 指定的老年痴呆症 研究中心的系统生物负责人。周教授目前也主持参与多项国自然和精准医疗重大专项项目。 

报告摘要：

       Precision medicine initiative (PMI) is making it increasingly feasible for physicians to prescribe the right drug, at the right dose, at the right time according to the makeup of their patient’s genome, making genome informed clinical decision support technologies as a reality. Computational systems medicine paves a way to PMI at systems level. In this talk, I will give a brief overview of our research projects on the computational systems bioinformatics, clinical informatics, systems biology and imaging informatics. At molecular level, we will decipher genetics and epigenetic code of Alternative Splicing using a newly developed multi-label and multi-layer deep learning neural network, and then we apply it to TCGA cancer signature discovery with sQTM approach. By integrating the signatures from genome, imaging and electronic medical records (EMR), we investigate signature-based drug mining approaches to reveal the underlying mechanisms of drug responses, and thus to optimize personalized medicines. At systems level, we will demo how to integrate intracellular, intercellular and tissue level data to model disease progress. The multiscale modeling system established will provide us a critical tool to see how we can manipulate biological conditions to interrupt disease development, which eventually leads to the cure of the diseases. We recently pioneered a new direction called imaging aided surgical design and device optimization. We will demo how to develop a novel biomechanical property-based machine learning approach to prevent Aortic Valve Insufficiency after transcatheter aortic valve replacement (TAVR). Putting these studies together, we hope to draw a big picture of the trend of computational systems medicine.