Lorenzo Madeddu

Lorenzo Madeddu

Senior data scientist, PhD

AstraZeneca

Biografia

Lorenzo Madeddu è senior data scientist (R&D) presso AstraZeneca in Svezia. Lorenzo ha conseguito il dottorato di ricerca presso l’università di Roma “La Sapienza”. I suoi interessi di ricerca sono machine learning, network theory, e network biology. Lorenzo ha sviluppato algoritmi di Machine Learning e Deep Learning in progetti interdisciplinari in ambito medico e di data-mining.

Scarica il curriculum vitae

Interessi
  • Machine Learning
  • Bioinformatica
  • Network Biology
  • Network Pharmacology
  • Data Visualization
Formazione

  • Dottorato in Tecnologie biomediche innovative in medicina clinica, 2022

    Università di Roma "La Sapienza"

  • Laurea magistrale in Informatica, 2018

    Università di Roma "La Sapienza"

  • Laurea in Informatica, 2016

    Università di Roma "La Sapienza"

Esperienze Recenti

 
 
 
 
 
AstraZeneca
Senior Data Scientist (R&D)
AstraZeneca
Sep 2022 – Present Molndal, Svezia
Sviluppo di algoritmi di graph mining per reti biomediche di grandi dimensioni per la ricerca farmaceutica.
 
 
 
 
 
UnitelmaSapienza University of Rome
Docente di Machine Learning
UnitelmaSapienza University of Rome
Jun 2022 – Aug 2022 Roma, Italia
Registrate 17 lezioni di Machine Learning.
 
 
 
 
 
LUISS Guido Carli
Docente di Data Science
LUISS Guido Carli
Feb 2022 – May 2022 Roma, Italia
Docente di lezioni pratiche di Data Visualization.
 
 
 
 
 
Loscalzo Lab, Brigham and Women's Hospital, Harvard Medical School
Dottorando in visita accademica (PhD visiting)
Loscalzo Lab, Brigham and Women’s Hospital, Harvard Medical School
Jun 2021 – Sep 2021 Boston, Massachusetts
Progetto di riposizionamento di farmaci per il Covid-19, utilizzando tecniche di network pharmacology e machine learning
 
 
 
 
 
INMFC
Competizione per la predizione di interazioni tra proteine
INMFC
Nov 2020 – Sep 2021
Membro del team per l’organizzazione di una competizione per la predizione di interazioni di ricerca. La competizione ha coinvolto diversi team di ricerca
 
 
 
 
 
CLAIRE
Member of AI task-force on COVID-19
CLAIRE
Jun 2020 – Jun 2021
  • Rilascio pubblico di un dataset bioinformatico per il riposizionamento di farmaci per il Covid-19
  • Sviluppo di un modello di machine learning per il riposizionamento di farmaci per il Covid-19

Pubblicazioni Scelte

Deep Graph Networks for Drug Repurposing with Multi-Protein Targets
Sviluppo di un nuovo algoritmo di deep graph learning per la predizione di interazioni tra farmaci e proteine target. Inoltre, l’articolo include un' applicazione del metodo per il riposizionamento di farmaci al fine di trattare l’infezione da Covid-19.
Davide Bacciu, Federico Errica, Alessio Gravina, Lorenzo Madeddu, Marco Podda, Giovanni Stilo
Citazione
Deep Graph Networks for Drug Repurposing with Multi-Protein Targets
A network-based analysis of disease modules from a taxonomic perspective
Sviluppo di una nuova metodologia per la l’induzione automatica di una struttura gerarchica dei moduli di malattie, a partire da relazioni di prossimità ricavate dalla rete dell’interattoma. Inoltre, sono stati sviluppati ulteriori algoritmi per l’allineamento e l’etichettatura e il confronto sistematico di questa struttura rispetto ad ontologie di malatti definite manualmente da curatori.
Giorgio Grani, Lorenzo Madeddu, Paola Velardi
Citazione Link
A network-based analysis of disease modules from a taxonomic perspective
A feature-learning-based method for the disease-gene prediction problem
Un nuovo metodo di graph deep learning per la predizione di associazioni gene-malattia. Il metodo estrae pattern funzionali e di connettività in maniera congiunta, usando un innovativa tecnica basata su attributed random walks.
Lorenzo Madeddu, Giovanni Stilo, Paola Velardi
Citazione Link
A feature-learning-based method for the disease-gene prediction problem

Pubblicazioni Recenti

Quickly discover relevant content by filtering publications.
Davide Bacciu, Federico Errica, Alessio Gravina, Lorenzo Madeddu, Marco Podda, Giovanni Stilo (2021). Deep Graph Networks for Drug Repurposing with Multi-Protein Targets. Submitted.

Citazione

Lorenzo Madeddu, Giovanni Stilo (2021). Deep Learning methods in Network Biology.. By World Scientific.

Citazione Libro

Lorenzo Madeddu, Giorgio Grani, Paola Velardi (2021). Integrating categorical and structural proximity in Disease Ontologies. In EMBC.

Citazione

Altre pubblicazioni

Conferenze

Integrating categorical and structural proximity in Disease Ontologies
Sviluppo di una nuova metodologia di machine learning per far luce sulla similarità delle malattie. Per l’analisi, la metodologia integra una strategia di clustering gerarchico con le relazioni di prossimità tassonomica in ontologie di malattie definite manualmente da curatori, e di prossimità strutturale dei relativi moduli di malattie nella rete dell’interattoma umano.
Nov 5, 2021 6:05 PM — 6:15 PM EMBC 2021
Lorenzo Madeddu, Giorgio Grani, Paola Velardi
Citazione Link
Integrating categorical and structural proximity in Disease Ontologies
Challenges and solutions to the student dropout prediction problem in online courses
In questo tutorial, passiamo in rassegna i problemi e le soluzioni delle strategie di machine learning per la predizione dell’abbandono scolastico dei corsi online.
Oct 19, 2020 12:00 AM — 12:00 AM CIKM 2020
Bardh Prenkaj, Giovanni Stilo, Lorenzo Madeddu
PDF Citazione Slides Video Link
Challenges and solutions to the student dropout prediction problem in online courses
Predicting disease genes for complex diseases using random watcher-walker
Un nuovo metodo di graph deep learning per la predizione di associazioni gene-malattia. Il metodo estrae pattern funzionali e di connettività in maniera congiunta, usando un innovativa tecnica basata su attributed random walks.
Mar 30, 2020 12:00 AM — 12:00 AM SAC 2020
Lorenzo Madeddu, Giovanni Stilo, Paola Velardi
PDF Citazione Link
Predicting disease genes for complex diseases using random watcher-walker
Altre Conferenze

Libri

Deep Learning methods in Network Biology.
Siamo stati invitati a scrivere un capitolo del libro “Deep Learning in Biology and Medicine”. Nel capitolo, introduciamo i concetti fondamentali delle reti biologiche e offriamo una rassegna dello stato dell’arte delle strategie di deep learning sviluppate per le sfide maggiori in Network Biology, Network Medicine e Network Pharmacology.
Lorenzo Madeddu, Giovanni Stilo
Citazione Libro
Deep Learning methods in Network Biology.
AIM in Genomics: Ontological and connectivity structure of disease-gene modules in the human interactome
Siamo stati invitati a scrivere un capitolo del libro “AIM in Genomics”. Nel capitolo, introduciamo i concetti e i risultati fondamentali della Network Medicine. Inoltre, il capitolo include l’applicazione di un nuovo algoritmo per far luce sui meccanismi molecolari delle malattie che genera una tassonomia di malattie a partire dai soli dati molecolari.
Paola Velardi, Lorenzo Madeddu
Citazione Capitolo Libro
AIM in Genomics: Ontological and connectivity structure of disease-gene modules in the human interactome

Certificati & Riconoscimenti

Coursera
Concetti fondamentali delle reti neurali e del deep learning
Guarda il certificato
womENcourage Hackathon 2019 (Vincitore)
ACM Sep 2019 – Sep 2019
Hackathon incentrato nel connettere partecipanti di discipline tecniche diverse, al fine di collaborare alla presentazione di una soluzione innovativa per la competizione intitolata “Enabling Sustainable Cities Through Blockchain”
Guarda il certificato
womENcourage 2019 (Volontario)
ACM Sep 2019 – Sep 2019
Evento con lo scopo nel connettere partecipanti di discipline tecniche diverse, al fine di discutere delle urgenti problematiche nel mondo delle donne nelle professioni informatiche e affini
DeepLearn Summer School 2019
IRDTA Jul 2019 – Jul 2019
Evento formativo di ricerca sui più recenti avanzamenti nel settore rilevante, e in continua crescita, del deep learning

Tags

challenge COVID-19 deep learning disease disease relationships disease gene prediction disease ontology disease taxonomy drug repurposing graph mining graph neural networks machine learning matrix factorizations network biology Network Medicine Network Pharmacology protein-protein interaction protein-protein interaction prediction review student dropout time series

Contatti