De Ridder groep

De De Ridder groep is een bio-informaticalab dat innovatieve datawetenschappelijke methoden ontwikkelt en toepast om het begrip van ziektebiologie en moleculaire geneeskunde te vergroten, met een focus op kankeronderzoek. Om dit te bereiken bouwt de groep voort op de nieuwste ontwikkelingen in machine learning en kunstmatige intelligentie, en streven ze ernaar om vooruitgang in deze velden te benutten voor omicsdata-analyse en strategieën voor dataintegratie. Daarom vertrouwen ze ook sterk op high-performance computing en statistiek.

Omics Machine Learning met impact

Wij zijn gespecialiseerd in het ontwikkelen van geavanceerde machine‑learning- en kunstmatige‑intelligentie-algoritmen om verschillende cruciale (pre)klinische doelen te bereiken met behulp van moderne omicsdata.
Zo hebben we met Sturgeon de tijd die nodig is voor (kinder)CZS-kankerdiagnostiek drastisch teruggebracht dankzij intra-operatieve native DNA Nanopore-sequencing en methylatieclassificatie met deep learning. Dit is een duidelijk voorbeeld van onze voortdurende zoektocht naar échte, klinische impact aan het bed van de patiënt.

Om dergelijke resultaten mogelijk te maken, richten we ons ook op het leggen van de noodzakelijke basis. Denk aan het grondig vergelijken van de nieuwste Nanopore base‑callingmodellen en het bestuderen van de evolutie van colorectale kankercellen op single‑cell‑niveau.

De interessegebieden binnen het lab zijn breed en variëren van GWAS, tot liquid biopsy‑classificatie bij dataschaarste, tot 3D‑genoomconformatie en epigenetica. Daarnaast hebben we benaderingen ontwikkeld om robuuste genensets of pathways te identificeren die onderscheid maken tussen borstkankersubtypen of behandelingen. In dit werk zetten we machine‑learningmodellen in die bestaande biologische kennis kunnen gebruiken, zoals netwerk‑ en pathway‑gebaseerde classifiers.

In al deze uiteenlopende inspanningen is de vertaalslag van fundamenteel onderzoek naar daadwerkelijke patiëntvoordelen een leidend principe.

Diagnostiek van de volgende generatie

Wij ontwikkelen classificatiemodellen voor patiëntencohorten en data uit klinische studies om diagnostiek te verbeteren en personalisatie van behandelstrategieën mogelijk te maken. Onze staat van dienst omvat onder meer de ontwikkeling van classifiers die het behandelvoordeel kunnen voorspellen bij multipel myeloom en colorectale kanker. De eerder genoemde op liquid biopsy gebaseerde classificatie van kankertypen onder omstandigheden van dataschaarste is slechts onze eerste stap in de spannende nieuwe wereld van celvrij DNA‑diagnostiek, die de belofte inhoudt om het patiëntcomfort sterk te vergroten en tegelijkertijd preciezere diagnoses te bieden.

Voor de ontwikkeling van nieuwe diagnostische toepassingen op basis van liquid biopsies maken wij gebruik van state‑of‑the‑art sequencingtechnologieën. In samenwerking met het Kloosterman‑lab hebben we CyclomicsSeq geïntroduceerd, een baanbrekende methode voor het profileren van celvrij tumor‑DNA met behulp van nanopore‑sequencing. Deze technologie vormt de basis van onze spin‑off, Cyclomics BV. Daarnaast zijn we actief betrokken bij diverse projecten gericht op het detecteren van basismodificaties en het benutten daarvan voor toepassingen in de kankerdiagnostiek.

Innovatie stimuleren door samenwerking

We nemen actief deel aan een breed scala aan samenwerkingsprojecten. Zo hebben we, in samenwerking met het De Laat-lab (Hubrecht), Multi‑Contact 4C mede ontwikkeld: een innovatieve chromatin‑conformation‑capture‑strategie die complexe, meerweg‑chromatine‑interacties kan identificeren met behulp van long‑read‑sequencing. Met het Van Steensel-lab (NKI) ontwikkelden we PARM, een deep‑learning‑methode om functies binnen het niet‑coderende genoom te ontrafelen.

Momenteel werken we samen binnen een Oncode Accelerator‑consortium dat zich richt op ML‑toepassingen om de ontwikkeling van kankerbehandelingen te revolutioneren, waarbij we onderzoeken hoe de golf aan self‑supervised foundation models naar de kliniek kan worden vertaald.