Dr.
Elena Xerxa
Scientific Coordinator
Life Sciences
Elena Xerxa hat ein Diplom in Zell- und Molekularbiologie von der Universität Rom Tor Vergata und einen PhD in Funktioneller und Struktureller Genomik von der Internationalen Schule für Fortgeschrittene Studien (SISSA) in Triest, Italien. Nach ihrem PhD arbeitete sie als Postdoktorandin am Internationalen Zentrum für Genetische Ingenieurwissenschaften in Triest, Italien, wo sie die molekularen Auswirkungen von Proteinkinase-Inhibitoren auf verschiedene Leukämie-Typen mithilfe klassischer Biochemie und Hochdurchsatz-Transkriptomanalysen untersuchte.
Ihr Interesse an der computergestützten Biologie vertiefte sich während ihrer Forschungserfahrung, was sie dazu veranlasste, einen Master in Life Science Informatics an der Universität Bonn zu verfolgen, den sie im April 2023 abschloss.
Derzeit ist Elena wissenschaftliche Mitarbeiterin in der Cheminformatik-Gruppe von Bajorath, wo sie sich auf medizinische Chemie, maschinelles Lernen (ML) und die Entwicklung computergestützter Methoden für die Arzneimittelentdeckung konzentriert. Darüber hinaus ist sie als Koordinatorin des Life Science-Bereichs am Lamarr-Institut tätig.
Aktuelle Forschungsthemen:
- Systematische Untersuchung und Definition der besten Praktiken für die chemische Datenaufbereitung, um die Zuverlässigkeit von Machine Learning (ML)- und Deep Learning (DL)-Modellen zu verbessern.
- Aufklärung der molekularen Merkmale, die von ML- und DL-Modellen bei Aufgaben im Zusammenhang mit der Vorhersage der Aktivität und/oder Eigenschaften von kleinen Wirkstoffmolekülen gelernt werden.
- Erforschung der Struktur-Aktivitäts-Beziehungen von Proteinkinase-Inhibitoren, um ihre Interaktion mit Proteinzielen zu rationalisieren und die Kinase-Arzneimittelforschung zu unterstützen.
Besondere Interessen:
Computergestützte Datenanalyse, ML und Algorithmen der Künstlichen Intelligenz (KI) in der Arzneimittelforschung und verwandten biochemischen Bereichen, mit einem besonderen Schwerpunkt auf der Verbesserung der Interpretierbarkeit und Erklärbarkeit von Black-Box-Modellen.